ทีมธรรมศาสตร์เปรียบเทียบโมเดล machine learning หลายชนิดเพื่อทำนายความพึงพอใจผู้ป่วยนอกจักษุ ทั้งแบบสองและสามระดับ ใช้ nested cross-validation และแก้ class imbalance เฉพาะข้อมูลฝึก ก่อนใช้ SHAP อธิบายผล ระยะเวลารับบริการมีอิทธิพลต่อการทำนายสูงสุด
ข้อค้นพบสำคัญ
- Gradient Boosting + G-SMOTENC ดีที่สุดสำหรับสองกลุ่ม ส่วน Random Forest ดีที่สุดสำหรับสามกลุ่ม ระยะเวลารับบริการเด่นที่สุด ตามด้วยตัวแปรประชากรและการมาใช้บริการ แต่บทคัดย่อไม่รายงานค่าประสิทธิภาพเชิงตัวเลข
ทำไมจึงมีความสำคัญระดับโลก
AI ที่อธิบายได้อาจช่วยโรงพยาบาลจัดลำดับปัญหาบริการโดยไม่ใช้โมเดลกล่องดำเพียงอย่างเดียว และแนวทาง validation เป็นตัวอย่างที่นำไปปรับใช้ได้
บทบาทของนักวิจัยไทย
นักวิจัยมหาวิทยาลัยธรรมศาสตร์พัฒนากรณีศึกษาจากโรงพยาบาลมหาวิทยาลัยไทยและ Warut Pannakkong เป็นผู้เขียนติดต่อ
ข้อจำกัดที่ควรรู้
ข้อมูลจากคลินิกเดียวและแบบสำรวจอาจมี response bias ไม่มี causal identification หรือ external validation และไม่เห็นค่าความแม่นยำหรือ calibration จากบทคัดย่อ