การพยากรณ์ปริมาณรายการหัตถการทางรังสีวินิจฉัยโดยใช้เทคนิคการเรียนรู้ของเครื่อง

บทคัดย่อ

การศึกษาค้นคว้าอิสระครั้งนี้มีวัตถุประสงค์เพื่อพัฒนาและเปรียบเทียบแบบจำลองการพยากรณ์ปริมาณรายการหัตถการในแผนกรังสีวินิจฉัยโดยใช้เทคนิคการเรียนรู้ของเครื่อง (Machine Learning) เพื่อสนับสนุนการวางแผนทรัพยากรในระดับแนวคิด ข้อมูลที่ใช้ในการศึกษาเป็นข้อมูลทุติยภูมิจาก NHS England Diagnostic Imaging Dataset ซึ่งเป็นข้อมูลเปิด (Open Data) ที่มีลักษณะใกล้เคียงกับข้อมูลจากระบบสารสนเทศทางรังสีวิทยา โดยใช้ข้อมูลรายเดือนในช่วงเดือนเมษายน พ.ศ. 2564 ถึงเดือนพฤศจิกายน พ.ศ. 2568 และวิเคราะห์เฉพาะปริมาณรายการหัตถการตามประเภทเครื่องมือ ได้แก่ CT, Ultrasound, MRI, Fluoroscopy และ X-ray การศึกษาดำเนินการตามกรอบกระบวนการ CRISP-DM โดยใช้โปรแกรม Orange Data Mining สำหรับการสร้างและประเมินแบบจำลอง และใช้เครื่องมือในการเตรียมข้อมูลและนำเสนอผลลัพธ์ ตัวชี้วัดที่ใช้ในการประเมินแบบจำลองประกอบด้วย MSE, RMSE, MAE, MAPE และ R² ในการพัฒนาแบบจำลอง ได้มีการแบ่งข้อมูลตามลำดับเวลา (time-based split) โดยใช้ข้อมูลช่วงเดือนเมษายน พ.ศ. 2564 ถึงเดือนธันวาคม พ.ศ. 2567 เป็นชุดข้อมูลฝึกสอน (training set) และข้อมูลช่วงเดือนมกราคม พ.ศ. 2568 ถึงเดือนพฤศจิกายน พ.ศ. 2568 เป็นชุดข้อมูลทดสอบ (testing set) เพื่อสะท้อนลักษณะการใช้งานจริงของการพยากรณ์และป้องกันปัญหาการรั่วไหลของข้อมูล (data leakage) ทั้งนี้ สัดส่วนของข้อมูลที่ได้มีค่าประมาณร้อยละ 80 สำหรับชุดฝึกสอน และร้อยละ 20 สำหรับชุดทดสอบ ผลการศึกษาพบว่าแบบจำลอง Gradient Boosting ให้ประสิทธิภาพสูงที่สุดเมื่อเปรียบเทียบกับ Linear Regression, Random Forest, AdaBoost, Neural Network และแบบจำลองอนุกรมเวลา ARIMA โดยให้ค่าความคลาดเคลื่อนต่ำที่สุดและสามารถอธิบายความแปรปรวนของข้อมูลได้ในระดับสูง นอกจากนี้ ได้มีการนำผลการพยากรณ์มาใช้เพื่อสาธิตแนวคิดการประยุกต์ใช้ในการประมาณภาระงานและความต้องการกำลังคนในระดับภาพรวมของแผนก โดยเชื่อมโยงผลการพยากรณ์กับแนวคิดอัตราผลิตภาพของบุคลากร เพื่อใช้เป็นข้อมูลสนับสนุนการวางแผนทรัพยากรและการจัดตารางการทำงาน การศึกษานี้แสดงให้เห็นว่าแบบจำลองการพยากรณ์สามารถนำมาใช้เป็นเครื่องมือสนับสนุนการตัดสินใจเชิงบริหารในหน่วยบริการทางรังสีวินิจฉัยได้อย่างเหมาะสม