งานวิจัยนี้มีวัตถุประสงค์เพื่อสร้างและเปรียบเทียบแบบจำลองพยากรณ์การเกิดโรคไม่ติดต่อเรื้อรังในผู้สูงอายุ ได้แก่ โรคเบาหวาน โรคความดันโลหิตสูงและโรคหัวใจขาดเลือด ด้วยเทคนิคเหมืองข้อมูล ได้แก่ ต้นไม้ตัดสินใจ (Decision Tree) เพื่อนบ้านใกล้ที่สุด (K-Nearest Neighbors) และนาอีฟเบย์ (Naive Bayes) ข้อมูลที่ใช้ศึกษาคือข้อมูลผู้สูงอายุที่รับบริการจากโรงพยาบาลนาหว้า จังหวัดนครพนม ตั้งแต่เดือนตุลาคม พ.ศ. 2554 ถึง เดือนกันยายน พ.ศ. 2562 จำนวน 262,655 ระเบียน 

ผลการวิจัยพบว่า

(1) การสร้างแบบจำลองพยากรณ์การเกิดโรคไม่ติดต่อเรื้อรังในผู้สูงอายุ แบบจำลองพยากรณ์การเกิดโรคเบาหวานที่มีประสิทธิภาพสูงสุดคือแบบจำลองด้วยเทคนิคต้นไม้ตัดสินใจมีค่าความถูกต้อง 0.952 ค่าความแม่นยำ 0.952 ค่าความระลึก 0.952 แบบจำลองพยากรณ์การเกิดโรคความดันโลหิตสูงที่มีประสิทธิภาพสูงสุดคือแบบจำลองด้วยเทคนิคต้นไม้ตัดสินใจ และเพื่อนบ้านใกล้ที่สุดมีค่าความถูกต้อง 0.921 ค่าความแม่นยำ 0.922 ค่าความระลึก 0.922 และแบบจำลองพยากรณ์การเกิดโรคหัวใจขาดเลือดที่มีประสิทธิภาพสูงสุดคือแบบจำลองด้วยเทคนิคต้นไม้ตัดสินใจ และเพื่อนบ้านใกล้ที่สุดมีค่าความถูกต้อง 0.739 ค่าความแม่นยำ 0.728 ค่าความระลึก 0.739 การวิเคราะห์ปัจจัยที่มีผลต่อการเกิดโรคเบาหวานด้วยเทคนิคต้นไม้ตัดสินใจคือ น้ำตาลในเลือด ไขมันในเลือด และความดันโลหิตตามลำดับ ปัจจัยที่มีผลต่อการเกิดโรคความดันโลหิตสูงและโรคหัวใจขาดเลือดด้วยเทคนิคต้นไม้ตัดสินใจคือ ไขมันในเลือด น้ำตาลในเลือด และความดันโลหิตตามลำดับ

(2) ผลการเปรียบเทียบแบบจำลองพยากรณ์การเกิดโรคไม่ติดต่อเรื้อรังในผู้สูงอายุได้แก่ โรคเบาหวาน โรคความดันโลหิตสูง และโรคหัวใจขาดเลือด เทคนิคต้นไม้ตัดสินใจมีประสิทธิภาพสูงสุด และเมื่อนำแบบจำลองพยากรณ์การเกิดโรคไม่ติดต่อเรื้อรังในผู้สูงอายุให้ผู้เชี่ยวชาญจำนวน 7 คน ประชุมกลุ่มเพื่อประเมินประสิทธิภาพของแบบจำลองกับการวินิจฉัยโรคมีค่าเฉลี่ยรวมอยู่ในระดับมาก ( X ̅=4.43)
 

The purposes of this study were to create and to compare the prediction models for non-communicable diseases in the elderly by using data mining techniques. The investigated diseases included diabetes, hypertension and Ischemic heart disease while the mining techniques employed consisted of the Decision Tree, K-nearest neighbors and Naïve Bayes. The information of 262,655 patients’ records who received treatments and services from Nawa Hospital, Nakhon Phanom Province from October 2011 to September 2019, had been examined and analyzed. 

The study revealed the following results:

1. Among the created models for chronic non-communicable diseases in the elderly, the model for predicting diabetes using Decision Tree was the most efficient; it had 0.952 accuracy, 0.952 precision, 0.952 recall. Regarding the models to forecast hypertension, the ones using Decision Tree and K-nearest neighbors were the most efficient; it had 0.921 accuracy, 0.922 precision, 0.922 recall. Of the models to foretell Ischemic heart disease, the models which adopted the Decision Tree and K-nearest neighbors were the most efficient; it had 0.739 accuracy, 0.728 precision, 0.739 recall. Employing Decision Tree to predict diabetes, the patients’ blood sugar, blood lipids, and blood pressure, respectively, were analyzed as the factors affecting the disease. Likewise, to foretell hypertension and Ischemic heart disease using Decision Tree technique, the patients’ blood lipids, blood sugar, and blood pressure were also analyzed as the factors impacting these diseases.

2. When comparing the created models for predicting the elderly’s non-communicable diseases—diabetes, hypertension, and Ischemic heart disease, using data mining techniques, it was found that the Decision Tree technique was the most efficient. After the models for predicting the elderly’s non-communicable diseases were assessed by 7 specialists, it was indicated that these prediction models’ efficiency, as a whole, was at the high level ( X ̅=4.43).