Abstract:
ภาวะหัวใจห้องบนสั่นพลิ้ว (Atrial Fibrillation: AF) เป็นภาวะหัวใจเต้นผิดจังหวะที่เป็นภัยเงียบและพบได้บ่อย โดยเมื่อเกิดภาวะนี้ขึ้นทำให้มีความเสี่ยงที่จะเกิดหลอดเลือดสมองตีบตัน (Ischemic stroke) ดังนั้นการตรวจคัดกรองสัญญาณคลื่นไฟฟ้าหัวใจภาวะหัวใจห้องบนสั่นพลิ้วจึงมีความสำคัญ ปัจจุบันมีการพัฒนาอุปกรณ์พกพาที่สามารถตรวจจับภาวะนี้ของผู้ป่วยได้อย่างต่อเนื่อง โดยอัลกอริทึมที่ใช้จะให้ค่าความไวสูงในการตรวจจับ ซึ่งจะทำให้ค่าความจำเพาะนั้นต่ำ ดังนั้นในงานวิจัยนี้ได้ทำการนำการเรียนรู้เชิงลึก (Deep learning) มาประยุกต์ใช้เพื่อเพิ่มค่าความจำเพาะในการตรวจจับภาวะหัวใจห้องบนสั่นพลิ้ว โดยมีตัวรบกวนที่สำคัญได้แก่ ภาวะหัวใจปกติ ภาวะหัวใจห้องบนเต้นก่อนจังหวะ และภาวะหัวใจห้องล่างเต้นก่อนจังหวะ โดยงานวิจัยนี้ได้นำเอาโครงข่ายคอนโวลูชันมาใช้แยกแยะภาวะหัวใจห้องบนสั่นพลิ้วทั้งข้อมูลภาพและข้อมูลอนุกรมเวลา ซึ่งค่าความไวและค่าความจำเพาะของโมเดลที่ฝึกจากข้อมูลภาพสัญญาณคลื่นไฟฟ้าหัวใจอยู่ที่ร้อยละ 84.67 และ 96.33 ตามลำดับ จากนั้นนำโมเดลที่ได้ไปใช้งานร่วมกับอุปกรณ์ตรวจคัดกรองภาวะหัวใจห้องบนสั่นพลิ้วที่ใช้อัลกอริทึมที่มีความซับซ้อนน้อย พบว่าได้ค่าความไวและค่าความจำเพาะอยู่ที่ร้อยละ 96.97 และ 100 ตามลำดับ และโมเดลที่ทำการแยะแยะกลุ่มสัญญาณภาวะหัวใจห้องบนสั่นพลิ้วกับกลุ่มสัญญาณที่ไม่ใช่ภาวะหัวใจห้องบนสั่นพลิ้วที่ได้จากข้อมูลอนุกรมเวลาให้ค่าความไวและค่าความจำเพาะของอยู่ที่ร้อยละ 98.33 และ 99.33 ตามลำดับ จากนั้นนำข้อมูลของกลุ่มสัญญาณที่ไม่ใช่ภาวะหัวใจห้องบนสั่นพลิ้วมาทำการแยกประเภทได้ค่าความถูกต้องสูงสุดอยู่ที่ร้อยละ 92.33 ผลการวิจัยนี้แสดงให้เห็นว่าค่าความจำเพาะสามารถถูกปรับปรุงให้ดีขึ้นได้เมื่อนำการเรียนรู้เชิงลึกมาประยุกต์เพื่อสร้างโมเดลสำหรับการคัดแยกภาวะหัวใจห้องบนสั่นพลิ้วจากภาวะอื่น ๆ
