การพัฒนาระบบฟื้นฟูสมรรถภาพทางไกลสำหรับผู้ป่วยโรคหลอดเลือดสมองด้วยความจริงเสริมแบบไร้จุดมาร์กเกอร์และแดชบอร์ดสนับสนุนการตัดสินใจทางคลินิกด้วยปัญญาประดิษฐ์แบบผสมผสาน

ศราวิน ราชานิกรณ์; พรศักดิ์     ปรีเลขา; พรรณเชษฐ  ณ ลำพูน; ปิยะวัฒน์    จิระพงษ์สุวรรณ; รัฐวิชญ์     ณ ลำพูน; ศุภณัช     งามประภาวัฒน์

ผู้แต่ง

ศราวิน ราชานิกรณ์ สาขาวิชาเทคโนโลยีดิจิทัลและสารสนเทศ คณะวิศวกรรมศาสตร์และเทคโนโลยี สถาบันการจัดการปัญญาภิวัฒน์
พรศักดิ์ ปรีเลขา สาขาวิชาเทคโนโลยีดิจิทัลและสารสนเทศ คณะวิศวกรรมศาสตร์และเทคโนโลยี สถาบันการจัดการปัญญาภิวัฒน์
พรรณเชษฐ ณ ลำพูน สาขาวิชาเทคโนโลยีดิจิทัลและสารสนเทศ คณะวิศวกรรมศาสตร์และเทคโนโลยี สถาบันการจัดการปัญญาภิวัฒน์
ปิยะวัฒน์ จิระพงษ์สุวรรณ ผู้บริหารประจำสำนัก สถาบันการจัดการปัญญาภิวัฒน์
รัฐวิชญ์ ณ ลำพูน บริษัท อินเด็กซ์ อินเตอร์เนชั่นแนล กรุ๊ป จำกัด (มหาชน)
ศุภณัช งามประภาวัฒน์ วิทยาลัยนานาชาติจีน สถาบันการจัดการปัญญาภิวัฒน์

คำสำคัญ:

ความจริงเสริมแบบไร้จุดมาร์กเกอร์, ปัญญาประดิษฐ์แบบผสมผสาน, การฟื้นฟูสมรรถภาพโรคหลอดเลือดสมอง , แดชบอร์ดสนับสนุนการตัดสินใจทางคลินิก, ซีเรียสเกมทางสุขภาพ

บทคัดย่อ

การวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาระบบฟื้นฟูสมรรถภาพทางไกลสำหรับผู้ป่วยโรคหลอดเลือดสมอง โดยใช้ความจริงเสริมแบบไร้จุดมาร์กเกอร์ ร่วมกับแดชบอร์ดสนับสนุนการตัดสินใจทางคลินิกด้วยปัญญาประดิษฐ์แบบผสมผสาน เพื่อแก้ไขข้อจำกัดของแนวทางที่ต้องใช้อุปกรณ์สวมใส่ และสนับสนุนการติดตามผลการบำบัดอย่างต่อเนื่องที่บ้าน ระบบใช้มีเดียไปป์ (MediaPipe) สำหรับการติดตามจุดสังเกตของมือจำนวน 21 จุด แบบเรียลไทม์จากกล้องเว็บแคมมาตรฐาน โดยป้อนข้อมูลเข้าสู่สถาปัตยกรรมปัญญาประดิษฐ์แบบผสมผสาน (Hybrid AI) ที่ผสานปัญญาประดิษฐ์แบบใช้กฎเกณฑ์ (Rule-Based AI) กับโมเดลภาษาขนาดใหญ่เพื่อสร้างข้อเสนอแนะและสรุปรายงานทางคลินิก ภายใต้กรอบกรอบแนวคิดและเครื่องมือในการประเมินการออกแบบซีเรียสเกม (Serious Game Design Assessment) และแนวคิดความยืดหยุ่นของระบบประสาท ระเบียบวิธีวิจัยประกอบด้วยการประเมินเชิงวิศวกรรม การทดสอบด้วยชุดข้อมูลจำลอง 100 กรณีศึกษา และการทวนสอบโดยผู้เชี่ยวชาญ 9 ท่าน ผลการประเมินในสภาพแวดล้อมจำลองพบว่า ระบบมีอัตราการสูญเสียเฟรมเฉลี่ยร้อยละ 5.36 ความคลาดเคลื่อนเชิงพื้นที่ 10.51 พิกเซล อัตราเฟรม 49.6–58.4 FPS และความหน่วง 45.2–68.7 มิลลิวินาที ส่วนการประเมินแดชบอร์ดปัญญาประดิษฐ์ ด้วยข้อมูลจำลอง 100 กรณี ศึกษาพบว่าความแม่นยำเท่ากับร้อยละ 92.00 และความสามารถในการตรวจจับ เท่ากับร้อยละ 89.36 ขณะที่ผู้เชี่ยวชาญประเมินความเหมาะสมของสถาปัตยกรรมและความสอดคล้องเชิงหน้าที่อยู่ในระดับมากที่สุด (ค่าเฉลี่ย 4.59–4.75) จุดเด่นของการศึกษานี้คือการบูรณาการความจริงเสริมแบบไร้จุดมาร์กเกอร์ ปัญญาประดิษฐ์แบบผสมผสาน และแดชบอร์ดคลินิกในระบบต้นแบบเดียว อย่างไรก็ตามผลลัพธ์ในบทความนี้เป็นการประเมินต้นแบบในสภาพแวดล้อมจำลอง และการรับรองโดยผู้เชี่ยวชาญ จึงควรมีการศึกษาทางคลินิกเพิ่มเติมก่อนการนำไปใช้จริงในวงกว้าง

เอกสารอ้างอิง

[1] A. Moldoveanu et al., “Gamified virtual reality in post-stroke neurorehabilitation: A systematic review,” Frontiers in Virtual Reality, vol. 7, Art. no. 1737482, 2026, doi: 10.3389/frvir.2026.1737482.

[2] C. Lugaresi et al., “MediaPipe: A framework for building perception pipelines,” arXiv preprint arXiv:1906.08172, 2019, doi: 10.48550/arXiv.1906.08172.

[3] S. Rasetto et al., “ReHAb Playground: A DL-based framework for game-based hand rehabilitation,” Future Internet, vol. 17, no. 11, Art. no. 522, 2025, doi: 10.3390/fi17110522.

[4] F. Jiang et al., “Artificial intelligence in healthcare: Past, present and future,” Stroke and Vascular Neurology, vol. 2, no. 4, pp. 230-243, 2017, doi: 10.1136/svn-2017-000101.

[5] World Health Organization, International Classification of Functioning, Disability and Health (ICF). Geneva, Switzerland: World Health Organization, 2001.

[6] R. Zou et al., “MIND: Empowering mental health clinicians with multimodal data insights through a narrative dashboard,” in Proc. CHI Conf. Human Factors in Computing Systems (CHI), 2026, doi: 10.1145/3772318.3790529.

[7] J. A. Kleim and T. A. Jones, “Principles of experience-dependent neural plasticity: Implications for rehabilitation after brain damage,” Journal of Speech, Language, and Hearing Research, vol. 51, no. 1, pp. 225-239, 2008, doi: 10.1044/1092-4388(2008/018).

[8] C. M. Meira Jr. and M. Massa, “Genetic and environmental influences on perceptual-motor abilities,” Psychology, vol. 8, pp. 1669-1678, 2017, doi: 10.4236/psych.2017.811110.

[9] A. Diamond, “Executive functions,” Annual Review of Psychology, vol. 64, pp. 135-168, 2013, doi: 10.1146/annurev-psych-113011-143750.

[10] E. Weissblueth and Y. Nissim, “The contribution of virtual reality to social and emotional learning in pre-service teachers,” Creative Education, vol. 9, pp. 1551–1564, 2018. doi:10.4236/ce.2018.910114.

[11] F. Zhang et al., “MediaPipe Hands: On-device real-time hand tracking,” arXiv preprint arXiv:2006.10214, 2020, doi: 10.48550/arXiv.2006.10214.

[12] S. Karthik, S. Bhaggiaraj, E. S. Soji, L. S. Deve, S. S. Priscila, and S. S. Rajest, “Real-time hand gesture recognition for stroke rehabilitation using deep learning approach,” AVE Trends in Intelligent Computing Systems, vol. 1, no. 3, pp. 157–172, 2024.

[13] A. Faux-Nightingale et al., “Exploring stroke survivors’ and physiotherapists’ perspectives of the potential for markerless motion capture technology in community rehabilitation,” Journal of NeuroEngineering and Rehabilitation, vol. 21, Art. no. 168, 2024, doi: 10.1186 /s12984- 024-01467-x.

[14] P. Y. Hsu et al., “The evolution of augmented reality to augment physical therapy: A scoping review,” Journal of Rehabilitation and Assistive Technologies Engineering, vol. 11, Art. no. 20556683241252092, 2024, doi: 10.1177/20556683241252092.

[15] K. Mitgutsch and N. Alvarado, “Purposeful by design?: A serious game design assessment framework,” in Proc. International Conference on the Foundations of Digital Games (FDG), 2012, pp. 121–128, doi: 10.1145/2282338.2282364.

[16] E. L. Deci and R. M. Ryan, “The ‘what’ and ‘why’ of goal pursuits: Human needs and the self-determination of behavior,” Psychological Inquiry, vol. 11, no. 4, pp. 227–268, 2000, doi: 10.1207 /S15327965PLI1104_01.

[17] K. Hayase, “Concerns involving the self: What is the real target of anxiety, regret, or worry, when things do not go right for you? More evidence from Sweden and the United States,” Psychology, vol. 9, pp. 1475–1515, 2018, doi: 10.4236 /psych.2018.96090.

[18] B. F. Skinner, The Behavior of Organisms: An Experimental Analysis. New York, NY, USA: Appleton-Century, 1938.

[19] E. H. Shortliffe, Computer-Based Medical Consultations: MYCIN. New York, NY, USA: Elsevier, 1976.

[20] A. J. Thirunavukarasu et al., “Large language models in medicine,” Nature Medicine, vol. 29, no. 8, pp. 1930–1940, 2023, doi: 10.1038/s41591-023-02448-8.

[21] X. Meng et al., “The application of large language models in medicine: A scoping review,” iScience, vol. 27, Art. no. 109713, 2024, doi: 10.1016/j.isci.2024. 109713.

[22] J. Long, “Large language model guided tree-of-thought,” arXiv preprint arXiv:2305.08291, 2023, doi: 10.48550/arXiv.2305.08291.

[23] A. Y. Bischof et al., “A collection of components to design clinical dashboards incorporating patient-reported outcome measures: Qualitative study,” Journal of Medical Internet Research, vol. 26, Art. no. e55267, 2024, doi: 10.2196/55267.

[24] D. J. Hekman et al., “Dashboarding to monitor machine-learning-based clinical decision support interventions,” Applied Clinical Informatics, vol. 15, pp. 164–169, 2024, doi: 10.1055/a-2219-5175.

[25] P. Dullabh et al., “Advancing patient-centered clinical decision support in today’s health care ecosystem: Key themes from the Clinical Decision Support Innovation Collaborative’s 2023 Annual Meeting,” JAMIA Open, vol. 7, no. 4, Art. no. ooae109, 2024, doi: 10.1093/jamiaopen/ooae109.