COMPARISON OF FEATURE SELECTION METHODS TO IMPROVE DIABETES PREDICTIONS
Keywords:
Diabetes, Diabetes screening, Feature SelectionAbstract
This research aims to compare methods for selecting key characteristics to enhance the prognosis of diabetes. Its objective is to develop a diabetes screening process based on data obtained from individuals undergoing diabetes screening. Diabetes ranks as a leading non-communicable disease and represents a primary global health concern, according to the World Health Organization (WHO). There's a growing trend in fatalities due to non-communicable diseases globally. Annually, approximately 15 million deaths occur within the 30-69 age group due to non-communicable diseases. In Thailand, males exhibit higher mortality rates than females. Commonly observed symptoms among individuals with diabetes include frequent urination, increased thirst, unexplained weight loss, fatigue, increased hunger, fungal infections, blurred vision, itchy skin, irritability, slow-healing wounds, numbness, muscle stiffness, hair loss, and abnormal fat accumulation in various body parts. The research compared the 16 characteristics of diabetes to refine methods for selecting crucial features that significantly improve disease prognosis. The aim is to enhance understanding regarding the most suitable feature selection methods for diabetes screening. Furthermore, the study endeavors to provide valuable information for developing future strategies in managing and treating this condition effectively. Moreover, the research aims to increase the efficiency of diabetes screening to reduce risks and enable effective early-stage treatment.
References
อัจจิมา มณฑาพันธุ์. (2562). การเปรียบเทียบวิธีการคัดเลือกคุณลักษณะที่สำคัญในการปรับปรุงการพยากรณ์มะเร็งเต้านม. ผลงานวิจัย คณะเทคโนโลยีสารสนเทศ มหาวิทยาลัยศรีปทุม.
ภานุวัฒน์ เมฆะ, พฤติพงศ์ มุสิกอง, ณัฐภาส ผลากอง, พาสน์ ปราโมกข์ชน และ พยุงศักดิ์ เกษมสำราญ. (2566). การเปรียบเทียบประสิทธิภาพของโมเดลจำแนกภาพสำหรับโรคใบข้าวโพด. วารสารแม่โจ้เทคโนโลยีสารสนเทศและนวัตกรรม, 9(2), 1-16.
กฤตกนก ศรีพิมพ์สอ และ กิตติพล วิแสง. (2566). การพยากรณ์โรคเบาหวานด้วยเทคนิคเหมืองข้อมูล. วารสารวิชาการการจัดการเทคโนโลยี มหาวิทยาลัยราชภัฏมหาสารคาม, 10(1), 51-63.
กองโรคไม่ติดต่อ กรมควบคุมโรค กระทรวงสาธารณสุข. (2564). สืบค้นจาก http://www.thaincd.com/2016/
mission/documents.php?tid=32&gid=1-020
สมาคมโรคเบาหวานแห่งประเทศไทย. (2564). วารสารเบาหวาน, 53(1).
นงเยาว์ ในอรุณ. (2564). การเปรียบเทียบประสิทธิภาพของแบบจำลองการพยากรณ์ความเสี่ยงโรคหัวใจ และหลอดเลือดโดยใช้อัลกอริทึมเหมืองข้อมูล. วารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยมหาสารคาม, 40 (2), 137-147.
สาธิมา สุระธรรม และ พรศรี ศรีอัษฎาพร. (2564). การให้ความรู้และสนับสนุนช่วยเหลือเพื่อการจัดการตนเองของผู้เป็นเบาหวาน: กรณีศึกษาวัยรุ่นเบาหวานชนิดที่ 1. วารสารพยาบาลสภากาชาดไทย, 14(2), 25-36.
Early stage diabetes risk prediction dataset. (2020). UCI Machine Learning Repository. Retrieved from https://doi.org/10.24432/C5VG8H.
รณิดา เตชะสุวรรณา, สุทัศน์ โชตนะพันธ์, กนิษฐา จำรูญสวัสดิ์, บัณฑิต ศรไพศาล และ ประวิช ตัญญสิทธิสุนทร. (2563). ปัจจัยเสี่ยงต่อการเกิดโรคเบาหวานชนิดที่สองในคนไทย. วารสารควบคุมโรค, 46(3), 268-279.
สำเภา แก้วโบราณ, นิภาวรรณ สามารถกิจ และ เขมารดี มาสิงบุญ. (2562). ปัจจัยพยากรณ์พฤติกรรมป้องกันโรคเบาหวานในวัยรุ่นที่มีภาวะเสี่ยงต่อโรคเบาหวาน ในจังหวัดสมุทรปราการ. วารสารการพยาบาลและการดูแลสุขภาพ, 37(2), 218-27.
ธวัชระพงษ์ วงศ์สกุล. (2563). การกําหนดค่าน้ำหนักหลักเกณฑ์เพื่อการตัดสินใจ. วารสารวิชาการเทคโนโลยีอุตสาหกรรม มหาวิทยาลัยราชภัฏบุรีรัมย์, 1(2), 63-71.
วรพรรณ เจริญขา. (2563). การตรวจสอบค่านอกเกณฑ์ในตัวอย่างสุ่มจากประชากรที่มีการแจกแจงปรกติโดยใช้สัมประสิทธิ์ความเบ้. วารสารวิทยาศาสตร์บูรพา, 25(1), 236-245.
พนิดา สมบัติมาก, ภัสสร จันทร์หอม, ศุภกร รัศมี, โอฬาร รุ่งมณีธรรมคุณ และ สายชล สินสมบูรณ์ทอง. (2562). การเปรียบเทียบประสิทธิภาพในการจำแนกเมื่อข้อมูลมีค่านอกเกณฑ์ในการทำเหมืองข้อมูล. วารสารวิทยาศาสตร์และเทคโนโลยี, 27(6), 975-985.
กรมควบคุมโรค กระทรวงสาธารณสุข. (2562). แนวทางการเฝ้าระวังโรค ของกระทรวงสาธารณสุข. กรุงเทพฯ: องค์การรับส่งสินค้าและวัสดุภัณฑ์.
กระทรวงสาธารณสุข. (2561). รายงานผลการสำรวจพฤติกรรมเสี่ยงโรคไม่ติดต่อและการบาดเจ็บ พ.ศ. 2561. นทบุรี.
ธีร์ธวัช แก้ววิจิตร, นิตยา เกิดประสพ และ กิตติศักดิ์ เกิดประสพ. (2559). การเพิ่มประสิทธิภาพซัพพอร์ตเวกเตอร์รีเกรสชันในการพยากรณ์อนุกรมเวลา. วารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยมหาสารคาม, 36(4), 452-458.
จิราพร เดชมา, วนิดา ดุรงค์ฤทธิชัย และ วิชุดา กิจธรธรรม. (2556). การศึกษาปัจจัยพยากรณ์ภาวะแทรกซ้อนให้ผู้เป็นเบาหวานในชุมชนภายใต้ทฤษฎีการพยาบาลของคิง. วารสารพยาบาลสาธารณสุข, 27(2), 63-80.
Maeda-Gutiérrez, V., Galván-Tejada, C. E., Cruz, M., Galván-Tejada, J. I., Gamboa-Rosales, H., García-Hernández, A., Luna-García, H., Gonzalez-Curiel, I., & Martínez-Acuña, M. (2021). Risk-Profile and Feature Selection Comparison in Diabetic Retinopathy. Journal of personalized medicine, 11(12), 1327.
Kulkarni, A., Chong, D., & Batarseh, Feras A. (2020). 5 - Foundations of data imbalance and solutions for a data democracy, Data Democracy, 83-106.
Nai-arun, N., & Moungmai, M. (2020). Diagnostic Prediction Models for Cardiovascular Disease Risk using Data Mining Techniques. Journal of ECTI Transactions on Computer and Information Technology, 14(2), 113-121.
Lukmanto, Rian B., Suharjito., Nugroho, A., & Akbar, H. (2019). Early Detection of Diabetes Mellitus using Feature Selection and Fuzzy Support Vector Machine. Procedia Computer Science, 157, 46-54.
Rubaiat, S. Y., Rahman, M. M., & Hasan, M. K. (2018). Important Feature Selection & Accuracy Comparisons of Different Machine Learning Models for Early Diabetes Detection. International Conference on Innovation in Engineering and Technology (ICIET), Dhaka, Bangladesh, 1-6.
Suksawatchon, U., Suksawatchon, J., & Lawang, W. (2018). Health Risk Analysis Expert System for Family Caregiver of Person with Disabilities using Data Mining Techniques. ECTI Transactions on Computer and Information Technology, 12(1), 62–72
Assari, R., Azimi, P., & Taghva, M. R. (2017). Heart Disease Diagnosis Using Data Mining Techniques. International. Journal of Economics & Management Science, 6(3), 72-79.
Tuso P. (2014). Prediabetes and lifestyle modification: time to prevent a preventable disease. Perm J. Summer, 18(3), 88-93.
Ali, J., Khan, R., Ahmad, N., & Maqsood, I. (2012). Random forests and decision tree. International Journal of Computer Science, 9(5), 272-278.
Breiman, L. (2001). Random forests. Journal of Machine Learning, 5–32.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 สรรภัส สังเกตุ, ปราลี มณีรัตน์
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
