การศึกษาการทำนายความเสี่ยงของการเกิดโรคร่วมของโรคเรื้อรังของผู้สูงอายุในชนบทของจีนโดยใช้การเรียนรู้เชิงลึกแบบหลายป้ายกำกับ
DOI:
https://doi.org/10.14456/jiskku.2026.4คำสำคัญ:
การเรียนรู้เชิงลึก , การเรียนรู้แบบหลายป้ายกำกับ , การทำนายความเสี่ยงของโรคเรื้อรัง , ผู้สูงอายุในชนบท, CHARLSบทคัดย่อ
วัตถุประสงค์: เพื่อพัฒนาและประเมินกรอบการเรียนรู้เชิงลึกที่มีหลายป้ายกำกับสำหรับการทำนายโรคเรื้อรังที่สำคัญห้าโรคไปพร้อมๆ กัน
วิธีการศึกษา: การใช้ข้อมูล CHARLS ที่เสริมด้วยบันทึกการตรวจสุขภาพในชนบท (n=38,569, อายุ ≥60) เครือข่ายประสาทเชิงลึกแบบหลายป้ายกำกับที่เชื่อมต่ออย่างสมบูรณ์ได้รับการฝึกอบรมด้วยการเพิ่มประสิทธิภาพเกณฑ์เอนโทรปีข้ามไบนารี่ถ่วงน้ำหนักและการปรับเกณฑ์เฉพาะโรค มีการใช้การตรวจสอบความถูกต้องข้ามห้าเท่าและชุดการทดสอบอิสระ (15%) สำหรับการประเมิน
ข้อค้นพบ: โมเดลดังกล่าวได้รับ AUC-ROC ระดับมาโครที่ 0.8587 และคะแนนมาโคร F1 ที่ 0.6676 ในชุดการทดสอบอิสระ ซึ่งมีประสิทธิภาพเหนือกว่า Logistic Regression และ XGBoost ในขณะที่บรรลุประสิทธิภาพการแข่งขันเมื่อเปรียบเทียบกับฟอเรสต์สุ่ม การวิเคราะห์ SHAP ระบุความดันโลหิตซิสโตลิก BMI และระดับน้ำตาลในเลือดขณะอดอาหารเป็นตัวทำนายอันดับต้นๆ
การประยุกต์ใช้จากการศึกษานี้: กรอบการทำงานที่นำเสนอแสดงให้เห็นถึงความเป็นไปได้ในการเปลี่ยนแปลงข้อมูลการสำรวจระดับประชากรเป็นเครื่องมือที่มีความเสี่ยงต่อโรคหลายโรคที่สามารถนำไปปฏิบัติได้สำหรับบริการปฐมภูมิในชนบทที่มีทรัพยากรจำกัด
Downloads
เอกสารอ้างอิง
Alaa, A. M., Bolton, T., Di Angelantonio, E., Rudd, J. H. F., & van der Schaar, M. (2019). Cardiovascular disease risk prediction using automated machine learning: A prospective study of 423,604 UK Biobank participants. PLoS One, 14(5), Article e0213653. https://doi.org/10.1371/journal.pone.021365
Chen, X., Xie, K., Li, Y., Hu, D., Chen, Y., & Chen, J. (2024). The challenge of home and community older adult care in China: A survey of the capability of primary care physicians in providing geriatric healthcare services. Frontiers in Public Health, 12, Article 1464718. https://doi.org/10.3389/fpubh.2024.1464718
Choi, E., Bahadori, M. T., Schuetz, A., Stewart, W. F., & Sun, J. (2016). Doctor AI: Predicting clinical events via recurrent neural networks. JMLR Workshop and Conference Proceedings, 56, 301–318.
Collins, G. S., Moons, K. G. M., Dhiman, P., Riley, R. D., Beam, A. L., Van Calster, B., et al. (2024). TRIPOD+AI statement: Updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ, 385, Article e078378. https://doi.org/10.1136/bmj-2023-078378
Collins, G. S., Reitsma, J. B., Altman, D. G., & Moons, K. G. M. (2015). Transparent reporting of a multivariable prediction model for individual prognosis or diagnosis (TRIPOD): The TRIPOD Statement. BMJ, 350, Article g7594. https://doi.org/10.1136/bmj.g7594
Dai, L., Shen, Y., Zhang, K., et al. (2024). A deep learning system for predicting time to progression of diabetic retinopathy. Nature Medicine, 30, 584–594. https://doi.org/10.1038/s41591-023-02702-z
Dong, Z., Li, P., Jiang, Y., Wang, Z., Fu, S., Che, H., Liu, M., Zhao, X., Liu, C., Zhao, C., Zhong, Q., Rao, C., Wang, S., Liu, S., Hu, D., Wang, D., Gao, J., Guo, K., Liu, X., Zhu, E., & He, K. (2025). Integrative multi-omics and routine blood analysis using deep learning: Cost-effective early prediction of chronic disease risks. Advanced Science, 12(22), Article e2412775. https://doi.org/10.1002/advs.202412775
El-Hasnony, I. M., Elzeki, O. M., Alshehri, A., & Salem, H. (2022). Multi-label active learning-based machine learning model for heart disease prediction. Sensors (Basel), 22(3), Article 1184. https://doi.org/10.3390/s22031184
Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115–118. https://doi.org/10.1038/nature21056
Gulshan, V., Peng, L., Coram, M., et al. (2016). Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA, 316(22), 2402–2410. https://doi.org/10.1001/jama.2016.1721
He, J., Rasmy, L., Zhi, D., & Tao, C. (2025). Advancing pancreatic cancer prediction with a next visit token prediction head on top of Med-BERT. Cancers (Basel), 17(3), Article 516. https://doi.org/10.3390/cancers17030516
Jianpeng, L. (2022). Spatio-temporal evolution of the coordinated development of healthcare resources and utilization in China: Based on a hierarchical analysis framework. Scientia Geographica Sinica, 42(2), 284–292. https://doi.org/10.13249/j.cnki.sgs.2022.02.010
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539
Lei, X., Sun, X., Strauss, J., & Zhao, Y. (2014). Depressive symptoms and SES among the mid-aged and elderly in China: Evidence from the CHARLS national baseline. Social Science & Medicine, 120, 224–232. https://doi.org/10.1016/j.socscimed.2014.09.028
Liang, X. Z., Chai, J. L., Li, G. Z., Li, W., Zhang, B. C., Zhou, Z. Q., & Li, G. (2025). A fall risk prediction model based on the CHARLS database for older individuals in China. BMC Geriatrics, 25, 170. https://doi.org/10.1186/s12877-025-05814-y
Liang, X. Z., Chai, J. L., Li, G. Z., Li, W., Zhang, B. C., Zhou, Z. Q., & Li, G. (2025). A fall risk prediction model based on the CHARLS database for older individuals in China. BMC Geriatrics, 25(1), Article 170. https://doi.org/10.1186/s12877-025-05814-y
Ministry of Civil Affairs, National Development and Reform Commission, & Ministry of Finance. (2025). Guidance on accelerating the development of rural elderly care services. https://www.gov.cn/zhengce/zhengceku/202406/content_6957138.htm
Miotto, R., Li, L., Kidd, B. A., & Dudley, J. T. (2016). Deep Patient: An unsupervised representation to predict the future of patients from the electronic health records. Scientific Reports, 6, Article 26094. https://doi.org/10.1038/srep26094
National Bureau of Statistics of China. (2021). Communiqué of the Seventh National Population Census (No. 5). https://www.stats.gov.cn/sj/tjgb/rkpcgb/qgrkpcgb/202302/t20230206_1902005.html
National Bureau of Statistics of China. (2025). Statistical communiqué of the People’s Republic of China on the 2024 national economic and social development. https://www.stats.gov.cn/sj/zxfb/202502/t20250228_1958817.html
Nie, S., Zhou, S., Cabrera, C., Chen, S., Jia, M., Zhang, S., Su, L., Gao, Q., Tangri, N., & Hou, F. F. (2025). Characteristics of patients with undiagnosed stage 3 chronic kidney disease: Results from an observational study (REVEAL-CKD) in China. The Lancet Regional Health – Western Pacific, 54, Article 101275. https://doi.org/10.1016/j.lanwpc.2024.101275
Rajkomar, A., Oren, E., Chen, K., et al. (2018). Scalable and accurate deep learning with electronic health records. NPJ Digital Medicine, 1, Article 18. https://doi.org/10.1038/s41746-018-0029-1
Tsoumakas, G., & Katakis, I. (2007). Multi-label classification: An overview. International Journal of Data Warehousing and Mining, 3(3), 1–13.
Tsoumakas, G., Katakis, I., & Vlahavas, I. (2009). Mining multi-label data. In O. Maimon & L. Rokach (Eds.), Data mining and knowledge discovery handbook (pp. 667–685). Springer. https://doi.org/10.1007/978-0-387-09823-4_34
United Nations Department of Economic and Social Affairs (UNDESA). (2022). World population prospects. https://population.un.org/wpp/
Wang, R., Yan, Z., Liang, Y., Tan, E. C., Cai, C., Jiang, H., & Qiu, C. (2015). Prevalence and patterns of chronic disease pairs and multimorbidity among older Chinese adults in a rural area: A cross-sectional study. PLoS One, 10(9), Article e0138521. https://doi.org/10.1371/journal.pone.0138521
Weng, S. F., Reps, J., Kai, J., Garibaldi, J. M., & Qureshi, N. (2017). Can machine-learning improve cardiovascular risk prediction using routine clinical data? PLoS One, 12(4), Article e0174944. https://doi.org/10.1371/journal.pone.0174944
World Health Organization (WHO). (2025). Noncommunicable diseases: Key facts. https://www.who.int/news-room/fact-sheets/detail/noncommunicable-diseases
Zhang, Y. (2025, January 17). China's elderly population reaches 310 million in 2024, experts say aging process enters its fastest period. Economic Observer. https://www.eeo.com.cn/2025/ 0117/707153.shtml
Zhang, M., Wang, L., Wu, J., Huang, Z., Zhao, Z., Zhang, X., Li, C., Zhou, M., & Wang, L. (2022). Data resource profile: China Chronic Disease and Risk Factor Surveillance (CCDRFS). International Journal of Epidemiology, 51(2), e1–e8. https://doi.org/10.1093/ije/dyab255
Zhao, Y., Hu, Y., Smith, J. P., Strauss, J., & Yang, G. (2014). Cohort profile: The China Health and Retirement Longitudinal Study (CHARLS). International Journal of Epidemiology, 43(1), 61–68. https://doi.org/10.1093/ije/dys203
Zisser, M., & Aran, D. (2024). Transformer-based time-to-event prediction for chronic kidney disease deterioration. Journal of the American Medical Informatics Association, 31(4), 980–990. https://doi.org/10.1093/jamia/ocae025
