Diabetes Risk Prediction Application Based on Daily Lifestyle Behaviors
Diabetes Risk Prediction Application Based on Daily Lifestyle Behaviors (แอปพลิเคชันวิเคราะห์แนวโน้มการเป็นโรคเบาหวานจากพฤติกรรมประจำวัน)
การรับประทานอาหาร (ประเภทอาหาร เช่น คาร์โบไฮเดรต น้ำตาล โปรตีน ไขมัน), ปริมาณ, เวลาที่รับประทาน รูปแบบการนอนหลับ (ระยะเวลาและช่วงเวลา) ระดับความเครียดที่ผู้ใช้เลือกจากคะแนน 1 ถึง 5 (1 = ไม่เครียดเลย, 5 = เครียดมาก) ตามความรู้สึกขณะนั้น ข้อมูลกิจกรรมทางกาย ป้อนข้อมูลเอง(ประเภทกิจกรรม, ระยะเวลา, ความหนักหน่วง)
แนวคิดและแรงบันดาลใจ
ในปัจจุบัน โรคเบาหวานกลายเป็นปัญหาสุขภาพที่พบได้บ่อย โดยเฉพาะในกลุ่มวัยทำงานและผู้ที่มีพฤติกรรมการใช้ชีวิตที่ไม่สมดุล เช่น การนอนน้อย ความเครียดสะสม การเลือกรับประทานอาหารที่มีน้ำตาลหรือคาร์โบไฮเดรตสูง รวมถึงการไม่ออกกำลังกายอย่างเพียงพอ
โปรเจคนี้จึงมีแนวคิดในการพัฒนาแอปพลิเคชั่นที่ช่วยประเมินความเสี่ยงเบื้องต้นแบบรายวัน จากพฤติกรรมในชีวิตประจำวัน เช่น การกิน การนอน ความเครียด และการออกกำลังกาย โดยใช้โมเดลการเรียนรู้ของเครื่อง (Machine Learning Models) วิเคราะห์ข้อมูลเหล่านี้ เพื่อให้คำแนะนำและการแจ้งเตือนแก่ผู้ใช้ในรูปแบบที่เข้าใจง่ายและต่อเนื่อง เพื่อช่วยให้ผู้ใช้สามารถติดตาม ปรับพฤติกรรม และวางแผนสุขภาพได้ด้วยตนเอง
ฟังก์ชันหลัก
ระบบประเมินความเสี่ยงเบาหวาน: ผู้ใช้จะได้รับคะแนนหรือระดับความเสี่ยง (ต่ำ/ปานกลาง/สูง) จากพฤติกรรมในแต่ละวัน เช่น การนอน การรับประทานอาหาร การออกกำลังกาย และความเครียด โดยใช้โมเดล ML ในการประเมินความเสี่ยง
ระบบแนะนำแบบเฉพาะบุคคล: แอปจะแนะนำพฤติกรรมหรือสิ่งที่ควรทำ/หลีกเลี่ยง เช่น ปรับเวลานอน อาหารที่ควรลด หรือกิจกรรมที่แนะนำ เพื่อช่วยให้ผู้ใช้สามารถปรับพฤติกรรมให้เหมาะสมและลดความเสี่ยงโรคเบาหวาน
แจ้งเตือน: แอปจะส่งการแจ้งเตือนเมื่อมีพฤติกรรมเสี่ยง เช่น การนอนน้อยหรือความเครียดสูง พร้อมเสนอคำแนะนำหรือแนวทางในการปรับปรุงพฤติกรรม เช่น “ลองนอนให้เพียงพอวันนี้” หรือ “ออกกำลังกาย 30 นาทีเพื่อช่วยลดความเครียด”
ข้อมูลที่แอปจะวิเคราะห์ ได้แก่:
พฤติกรรมการกิน เช่น ปริมาณอาหาร, เวลาที่รับประทาน, ประเภทอาหาร (คาร์โบไฮเดรต, น้ำตาล, ไขมัน, โปรตีน) โดยใช้ฐานข้อมูล Thai FCD สำหรับการคำนวณคุณค่าทางโภชนาการ
รูปแบบการนอนหลับ วิเคราะห์ระยะเวลาและช่วงเวลาการเข้านอน–ตื่นนอน
ระดับความเครียดรายวัน ผู้ใช้ประเมินด้วยตนเองผ่านระดับคะแนน 1–5 ตามความรู้สึก ณ เวลานั้น
กิจกรรมทางกาย/การออกกำลังกาย เช่น ประเภทกิจกรรม, ระยะเวลา, ความหนักหน่วง
เป้าหมาย:
ช่วยให้ผู้ใช้งานตระหนักและเข้าใจพฤติกรรมของตนเองที่ส่งผลต่อความเสี่ยงโรคเบาหวาน
ส่งเสริมให้ผู้ใช้ปรับเปลี่ยนพฤติกรรมสุขภาพ
ลดความเสี่ยงโรคเบาหวานในระยะยาวผ่านการแนะนำที่เข้าใจง่ายและอิงตามข้อมูลจริง
เทคโนโลยีหลัก
ภาษาหลัก
Dart (Flutter) สำหรับพัฒนาแอป, Python
ฐานข้อมูล
Supabase PostgreSQL
ระบบเชื่อมต่อ
Supabase Client SDK
ระบบแจ้งเตือน
OneSignal
โมเดล ML บนมือถือ
TensorFlow Lite
ระบบสมัครใช้งาน / ยืนยันตัวตน
Supabase Auth
โมเดลวิเคราะห์ที่ใช้
Random Forest
วิเคราะห์พฤติกรรม (การนอน อาหาร ความเครียด การออกกำลังกาย) เพื่อทำนายความเสี่ยงเบาหวาน (Yes/No)
Rule-based System
ใช้ในช่วงเริ่มต้นของผู้ใช้ใหม่ ที่ยังไม่มีข้อมูลมากพอ โดยให้คำแนะนำเบื้องต้นตามเงื่อนไขทั่วไป
แหล่งข้อมูลที่ใช้
ข้อมูลการนอน, ความเครียด, กิจกรรม, BMI
กิจกรรม, แคลอรี, ความเครียด, การนอน
คำนวณสารอาหารจากอาหารไทย เช่น น้ำตาล, คาร์โบไฮเดรต
ใช้ฝึกโมเดลร่วมกับพฤติกรรมสุขภาพและปัจจัยเสี่ยงเบื้องต้น
ตัวอย่างบทความที่คล้ายคลึงกันกับโปรเจคนี้
1. DiabTrend
แอปช่วยจัดการโรคเบาหวานโดยใช้ AI เพื่อพยากรณ์ระดับน้ำตาลในเลือดล่วงหน้า และช่วยวางแผนการรับประทานอาหาร
ชุดข้อมูลที่ใช้
ข้อมูลที่ผู้ใช้ป้อนเอง (ค่าน้ำตาล, อาหาร, อินซูลิน, การออกกำลังกาย)
ข้อมูลจากอุปกรณ์เช่น Abbott FreeStyle Libre
ฐานข้อมูลอาหาร ~1300 รายการ
ผลลัพธ์
พยากรณ์ระดับน้ำตาลล่วงหน้าได้ 4 ชั่วโมง
คำแนะนำโภชนาการเฉพาะบุคคล
บันทึกและวิเคราะห์สุขภาพรายวัน
วิธีการใช้งาน
ผู้ใช้กรอกข้อมูลหรือใช้กล้องถ่ายอาหาร
แอปแสดงแนวโน้มระดับน้ำตาล พร้อมคำแนะนำ
ใช้ AI ประมวลผลข้อมูลส่วนบุคคล
ข้อดี
ใช้กล้องรู้จำอาหารได้
พยากรณ์ระดับน้ำตาลแบบ real-time
รองรับอุปกรณ์ CGM
ข้อเสีย
ต้องมีอุปกรณ์บางชนิดเพื่อให้ได้ประสิทธิภาพสูงสุด
ฟีเจอร์ AI บางอย่างจำกัดในบางประเทศ
2. mySugr (โดย Accu-Chek)
แอปติดตามโรคเบาหวานแบบ all-in-one สำหรับผู้ใช้ที่ต้องการจดบันทึกข้อมูลสุขภาพประจำวันและแบ่งปันข้อมูลกับแพทย์
ชุดข้อมูลที่ใช้
ข้อมูลจาก Accu-Chek (glucometer)
ข้อมูลที่ผู้ใช้ป้อนเอง (น้ำตาล, อินซูลิน, อาหาร, คาร์โบฯ)
ผลลัพธ์
คำนวณ HbA1c โดยประมาณ
รายงานสุขภาพแบบ PDF
วิเคราะห์แนวโน้มสุขภาพ
วิธีการใช้งาน
กรอกข้อมูลในแต่ละมื้อ / วัน
ใช้ร่วมกับอุปกรณ์วัดน้ำตาล
ดูกราฟ รายงาน และแชร์ให้แพทย์ได้
ข้อดี
อินเตอร์เฟซใช้งานง่าย
เชื่อมต่อกับ Accu-Chek โดยตรง
มีระบบคะแนน (score) รายวัน
ข้อเสีย
ไม่มีการติดตามความเครียดหรือนอนหลับ
ไม่เน้น AI หรือการพยากรณ์ล่วงหน้า
3. Fitterfly
แพลตฟอร์มสุขภาพเมตาบอลิกที่ครอบคลุมทั้งเบาหวาน ความอ้วน ความเครียด และสุขภาพหัวใจ โดยใช้ข้อมูลพฤติกรรมจริง
ชุดข้อมูลที่ใช้
ข้อมูลจาก CGM (เช่น FreeStyle Libre)
ข้อมูลพฤติกรรมที่ผู้ใช้ป้อน: อาหาร, การนอน, ความเครียด, การออกกำลังกาย
ข้อมูลจาก wearable devices และแอปสุขภาพอื่น ๆ
ผลลัพธ์
วิเคราะห์ผลกระทบของพฤติกรรมต่อระดับน้ำตาลแบบเฉพาะบุคคล
ปรับพฤติกรรมผ่านโปรแกรมเฉพาะบุคคล
ลด HbA1c อย่างมีนัยสำคัญในหลายกรณีศึกษาทางคลินิก
วิธีการใช้งาน
ใช้ร่วมกับ CGM และแอป
ประเมินพฤติกรรม/สุขภาพด้วย AI
รับคำปรึกษาจากโค้ชด้านสุขภาพแบบ 1:1
ข้อดี
ครอบคลุมทั้งพฤติกรรม ความเครียด อาหาร นอน
ใช้ AI วิเคราะห์ผลลัพธ์เฉพาะบุคคล
มีทีมโค้ชสุขภาพให้คำปรึกษา
ข้อเสีย
ต้องมีอุปกรณ์ CGM เพื่อให้เห็นผลเต็มที่
ฟีเจอร์บางอย่างมีเฉพาะในอินเดีย
4. Machine Learning-based Diabetes Prediction: A Cross-Country Perspective
องค์ประกอบชุดข้อมูล: ชุดข้อมูลที่ใช้ในการศึกษานี้ประกอบด้วยข้อมูลจากผู้ป่วยประมาณ 15,000 รายรวมถึงผู้ที่ได้รับการวินิจฉัยว่าเป็นโรคเบาหวาน บุคคลก่อนเบาหวาน และผู้ป่วยโรคเบาหวานมีค่าคุณสมบัติที่แตกต่างกัน 25 อย่าง เช่น ระดับกลูโคส อินซูลิน BMI ครีเอตินีน คอเลสเตอรอล และไกลโคฮีโมโกลบินเป็นต้น
แหล่งข้อมูล: ชุดข้อมูลหลักได้รับจากศูนย์วินิจฉัยยอดนิยมนอกจากนี้ยังมีการรวบรวมข้อมูลเพิ่มเติมจากชุดข้อมูลเบาหวานอินเดีย PIMA ที่เปิดเผยต่อสาธารณะ ซึ่งรวมถึงผู้ป่วย 768 รายและชุดข้อมูลจากโรงพยาบาลในแฟรงก์เฟิร์ตประเทศเยอรมนีพร้อมข้อมูลจากผู้ป่วย 2000 คน
โมเดลการเรียนรู้ของเครื่อง: มีการใช้โมเดลการเรียนรู้ของเครื่อง (ML) ต่างๆเพื่อวิเคราะห์ชุดข้อมูล รวมถึง Decision Trees, Random Forest, Support Vector Machines และอัลกอริทึมการเพิ่มประสิทธิภาพ เช่น AdaBoost, CatBoost, Gradient Boosting และ XGBoostผลลัพธ์บ่งชี้ว่าอัลกอริทึมการกระตุ้นทำงานได้ดีเป็นพิเศษในการทำนายโรคเบาหวานตามชุดข้อมูลบังกลาเทศ
ตัวชี้วัดประสิทธิภาพ: การศึกษาเน้นว่าการเพิ่มอัลกอริทึมจะจับความสัมพันธ์ที่ซับซ้อนภายในข้อมูลได้อย่างมีประสิทธิภาพ นำไปสู่ประสิทธิภาพการทำนายที่ดีขึ้นแบบจำลองพื้นฐาน เช่น Random Forests และ Decision Trees ยังแสดงให้เห็นผลลัพธ์ที่น่าพอใจ
ข้อดี
การตรวจจับในช่วงต้น: การใช้อัลกอริทึม ML ช่วยให้สามารถตรวจพบโรคเบาหวานได้เร็วซึ่งมีความสำคัญต่อการจัดการโรคและลดความเสี่ยงต่อสุขภาพที่เกี่ยวข้อง
การวิเคราะห์ข้อมูลที่หลากหลาย: มุมมองข้ามประเทศของการศึกษาวิเคราะห์ข้อมูลจากบังกลาเทศอินเดียและเยอรมนีช่วยเพิ่มความเข้าใจเกี่ยวกับการคาดการณ์โรคเบาหวานในประชากรที่แตกต่างกัน
ข้อเสีย
ข้อจำกัดของข้อมูล: การศึกษาเผชิญกับความท้าทายที่เกี่ยวข้องกับความพร้อมใช้งานของข้อมูลที่มีฉลากซึ่งจำเป็นสำหรับการฝึกโมเดล ML ที่ถูกต้องความเป็นตัวแทนของชุดข้อมูลก็เป็นเรื่องที่น่ากังวลเช่นกันเนื่องจากจำกัดเฉพาะภูมิภาคเฉพาะ
ความไม่สมดุลของคลาส: ชุดข้อมูลแสดงความไม่สมดุลของคลาส โดยมีจำนวนผู้ป่วยโรคเบาหวานสูงกว่าเมื่อเทียบกับกรณีก่อนเบาหวานและผู้ป่วยปกติความไม่สมดุลนี้อาจส่งผลต่อประสิทธิภาพของโมเดล ML บางรุ่น
5. Physical Activity and Psychological Stress Detection and Assessment of Their Effects on Glucose Concentration Predictions in Diabetes Management
บทความกล่าวถึงแนวทางใหม่ในการปรับปรุงการจัดการโรคเบาหวานโดยการเพิ่มแบบจำลองการทำนายความเข้มข้นของกลูโคส (GC) ผ่านการรวมข้อมูลการออกกำลังกาย (PA) และความเครียดทางจิตใจเฉียบพลัน (APS)การศึกษาเน้นถึงความสำคัญของการทำนายระดับกลูโคสอย่างถูกต้องเพื่อตัดสินใจอย่างมีข้อมูลเกี่ยวกับการวางแผนอาหาร กิจกรรม และการให้ยาอินซูลิน
ชุดข้อมูลที่ใช้
ชุดข้อมูลประกอบด้วยการทดลองทางคลินิกที่ดำเนินการกับบุคคล 12 คนที่ได้รับการวินิจฉัยว่าเป็นโรคเบาหวานประเภท 1 (T1D)
รวบรวมข้อมูลโดยใช้ระบบ Dexcom G5 Continuous Glucose Monitoring (CGM) และสายรัดข้อมือ Empatica E4 ซึ่งวัดสัญญาณทางสรีรวิทยาต่างๆ เช่น การนำไฟฟ้าของผิวหนัง ชีพจรปริมาณเลือด และการเคลื่อนไหว
การทดลองรวมถึงทั้งเงื่อนไข PA และ APS โดยมีกิจกรรมเฉพาะเช่นลู่วิ่งและการออกกำลังกายจักรยานนิ่งตลอดจนการทดสอบความเครียดทางจิต
ผลลัพธ์
การศึกษาพบว่าการรวมข้อมูล PA และ APS ช่วยปรับปรุงความแม่นยำของการคาดการณ์ GC อย่างมีนัยสำคัญ
ตัวอย่างเช่น เครือข่ายประสาทลึกที่มีหน่วยความจำระยะสั้นระยะยาวมีความแม่นยำในการจำแนกประเภท 94.8% สำหรับการจำแนกสถานะทางกายภาพ และข้อผิดพลาดสัมบูรณ์เฉลี่ย (MAE) สำหรับค่าใช้จ่ายพลังงานโดยประมาณต่ำเพียง 0.25 MET
ผลลัพธ์บ่งชี้ว่าแบบจำลองที่รวมข้อมูล PA และ APS ได้ผลดีกว่าแบบจำลองที่กำหนดในการทำนายระดับกลูโคส โดยเฉพาะอย่างยิ่งในการคาดการณ์ระยะสั้น
วิธีการใช้งาน
ผลการวิจัยชี้ให้เห็นว่าผู้ให้บริการด้านการดูแลสุขภาพสามารถใช้แบบจำลองที่พัฒนาขึ้นเพื่อทำนายระดับกลูโคสในผู้ป่วย T1D ได้ดีขึ้นโดยพิจารณาข้อมูลแบบเรียลไทม์จากอุปกรณ์สวมใส่ได้
การรวมอัลกอริทึมการเรียนรู้ของเครื่องกับข้อมูลทางชีวภาพสามารถอำนวยความสะดวกในระบบส่งอินซูลินอัตโนมัติช่วยเพิ่มการจัดการโรคเบาหวานโดยไม่ต้องป้อนข้อมูลด้วยตนเองจากผู้ป่วย
ข้อดี
ปรับปรุงความแม่นยำในการทำนาย: การรวมข้อมูล PA และ APS นำไปสู่การคาดการณ์กลูโคสที่แม่นยำยิ่งขึ้นซึ่งสามารถปรับปรุงการจัดการโรคเบาหวานได้
ศักยภาพอัตโนมัติ: การใช้อัลกอริทึมการเรียนรู้ของเครื่องสามารถตัดสินใจในการใช้ยาอินซูลินเป็นไปโดยอัตโนมัติ ลดความจำเป็นในการปรับด้วยตนเอง
การตรวจสอบแบบเรียลไทม์: อุปกรณ์ที่สวมใส่สามารถตรวจสอบอย่างต่อเนื่องช่วยให้สามารถแทรกแซงได้ทันเวลาตามการเปลี่ยนแปลงทางสรีรวิทยา
ข้อเสีย
ความซับซ้อนของการใช้งาน: การพัฒนาและบูรณาการโมเดลขั้นสูงเหล่านี้อาจต้องใช้ความเชี่ยวชาญและทรัพยากรทางเทคนิคที่สำคัญ
ความกังวลเกี่ยวกับความเป็นส่วนตัวของข้อมูล: การตรวจสอบและการรวบรวมข้อมูลอย่างต่อเนื่องทำให้เกิดปัญหาความเป็นส่วนตัวที่อาจเกิดขึ้นเกี่ยวกับข้อมูลสุขภาพที่ละเอียดอ่อน
การพึ่งพาเทคโนโลยี: การพึ่งพาอุปกรณ์สวมใส่และอัลกอริทึมอาจไม่สามารถทำได้สำหรับผู้ป่วยทุกคนโดยเฉพาะผู้ป่วยที่ไม่สะดวกสบายกับเทคโนโลยี
ตารางการเปรียบเทียบความแตกต่างระหว่างบทความทั้ง 5 ข้างต้น
วัตถุประสงค์
จัดการระดับน้ำตาลในผู้ป่วยเบาหวาน
ทำนายระดับน้ำตาลในเลือดแบบ AI
โปรแกรมดูแลเบาหวานแบบครบวงจร
ทำนายความเสี่ยงเบาหวานจากข้อมูลสุขภาพ
วิเคราะห์ผลกระทบของกิจกรรมและความเครียดต่อระดับน้ำตาล
กลุ่มเป้าหมาย
ผู้ป่วยเบาหวาน
ผู้ป่วยเบาหวาน
ผู้ป่วยเบาหวาน
กลุ่มประชากรจากหลายประเทศ
ผู้ป่วยเบาหวาน (มีอุปกรณ์วัดน้ำตาล)
ข้อมูลที่ใช้
น้ำตาล, อินซูลิน, อาหาร, การออกกำลังกาย
อาหาร, น้ำตาล, กิจกรรม, CGM, ความเครียด
แคลอรี่, การนอน, ความเครียด, กิจกรรม
เพศ, อายุ, BMI, พฤติกรรมสุขภาพ
ข้อมูลเซนเซอร์กิจกรรม, ความเครียด, น้ำตาลในเลือด
เทคโนโลยี/โมเดลที่ใช้
ไม่มี AI เชิงลึก
AI + Machine Learning + Predictive Models
ไม่มีระบุชัดเจน (ใช้ทีมแพทย์)
ML (Random Forest, Logistic Regression, XGBoost ฯลฯ)
Predictive Model + Sensor Fusion
วิธีการใช้งาน
ป้อนข้อมูลหรือเชื่อมกับอุปกรณ์ → ให้คะแนนสุขภาพ
ป้อน/ดึงข้อมูลจากอุปกรณ์อัตโนมัติ → พยากรณ์น้ำตาล
รับคำแนะนำจากผู้เชี่ยวชาญ + ป้อนข้อมูลรายวัน
วิเคราะห์เชิงสถิติกับโมเดล ML บน dataset
วิเคราะห์ข้อมูลเวลาแบบลำดับ (time-series)
ผลลัพธ์หลัก
ควบคุมระดับน้ำตาล, รายงานรายวัน
พยากรณ์ระดับน้ำตาลล่วงหน้า
ลดน้ำตาล, น้ำหนัก, ปรับพฤติกรรม
โมเดลแม่นยำสูงจากหลายประเทศ
วิเคราะห์ผลกิจกรรม/ความเครียดต่อระดับน้ำตาลได้แม่นยำ
จุดเด่น
ใช้งานง่าย, เหมาะกับผู้เริ่มต้น
ใช้ AI เต็มรูปแบบ, รองรับ IoT
ดูแลโดยทีมผู้เชี่ยวชาญ, มีแผนส่วนตัว
วิเคราะห์เชิงเปรียบเทียบหลากหลายประเทศ
ใช้ข้อมูลจริงจากอุปกรณ์ (wearables)
ข้อจำกัด
ไม่วิเคราะห์พฤติกรรมเชิงลึก
อาจใช้งานยากสำหรับผู้ไม่ชำนาญ
ไม่ระบุรายละเอียดของโมเดล
ไม่รองรับข้อมูลพฤติกรรมเฉพาะบุคคล
ใช้เฉพาะในกลุ่มผู้ป่วยที่มีอุปกรณ์ตรวจ
เปรียบเทียบความแตกต่างระหว่างโปรเจคของฉันกับบทความที่เกี่ยวข้อง
บทความที่ยกตัวอย่างมา: mySugr
โปรเจคของฉัน:
วิเคราะห์พฤติกรรมประจำวัน เช่น การกิน, การนอน, ความเครียด, การออกกำลังกาย เพื่อทำนายความเสี่ยงเบาหวานล่วงหน้า
ใช้ Machine Learning เช่น Random Forest, XGBoost, LSTM บนแอปมือถือ
ออกแบบเพื่อให้บุคคลทั่วไปติดตามพฤติกรรมและปรับปรุงสุขภาพเชิงป้องกัน
mySugr:
แอปสำหรับผู้ป่วยเบาหวาน เพื่อจดบันทึกและติดตามระดับน้ำตาลในเลือด
ไม่เน้นการวิเคราะห์พฤติกรรมเพื่อคาดการณ์ความเสี่ยง
ใช้งานง่ายแต่ไม่มีโมเดล ML วิเคราะห์เชิงลึก
บทความที่ยกตัวอย่างมา: DiabTrend
โปรเจคของฉัน:
ใช้ข้อมูลที่ผู้ใช้ป้อนเอง เช่น ความเครียด, การกิน, การนอน เพื่อทำนายความเสี่ยง
มีเป้าหมายเพื่อให้คำแนะนำเชิงพฤติกรรมแก่บุคคลทั่วไป
DiabTrend:
ใช้ AI เพื่อทำนายระดับน้ำตาลในเลือดของผู้ป่วยเบาหวานล่วงหน้า (personalized)
รองรับอุปกรณ์ IoT และเซนเซอร์ เช่น Continuous Glucose Monitor (CGM)
มุ่งเน้นการจัดการระดับน้ำตาลแบบเรียลไทม์
บทความที่ยกตัวอย่างมา: Fitterfly
โปรเจคของฉัน:
ให้ผู้ใช้ป้อนข้อมูลพฤติกรรมประจำวันด้วยตนเอง
ประเมินความเสี่ยงเบาหวานเบื้องต้นด้วย ML บนแอป
Fitterfly:
เป็นโปรแกรมดูแลผู้ป่วยเบาหวานแบบครบวงจร โดยมีผู้เชี่ยวชาญให้คำปรึกษา
ใช้ข้อมูลพฤติกรรมจริง เช่น การกิน การนอน การออกกำลังกาย เพื่อปรับแผนรายบุคคล
ไม่ได้เน้นใช้โมเดล ML ฝังในแอปมากนัก
บทความที่ยกตัวอย่างมา:Machine Learning-based Diabetes Prediction: A Cross-Country Perspective
โปรเจคของฉัน:
ใช้ข้อมูลพฤติกรรม เช่น ความเครียด การนอน อาหาร ฯลฯ
ฝึกโมเดลจาก dataset ที่เกี่ยวข้องกับพฤติกรรมของผู้ใช้รายวัน
บทความวิจัยนี้:
วิเคราะห์ข้อมูลจากหลายประเทศ เช่น อายุ เพศ น้ำหนัก ส่วนสูง BMI เพื่อทำนายความเสี่ยงเบาหวาน
ใช้โมเดล ML เช่น Logistic Regression, Random Forest, Naïve Bayes ฯลฯ
ไม่เน้นข้อมูลพฤติกรรมรายวันแบบละเอียด
บทความที่ยกตัวอย่างมา:Physical Activity and Psychological Stress Detection and Glucose Prediction in Diabetes Management
โปรเจคของฉัน:
ผู้ใช้ป้อนข้อมูลพฤติกรรมด้วยตนเอง
วิเคราะห์แนวโน้มความเสี่ยงจากรูปแบบการใช้ชีวิต
บทความวิจัยนี้:
ใช้ข้อมูลจากอุปกรณ์สวมใส่ เช่น heart rate, GSR, accelerometer เพื่อตรวจจับกิจกรรมและความเครียด
ใช้โมเดล time-series เพื่อทำนายระดับน้ำตาลในเลือดแบบเรียลไทม์
เน้นการใช้งานในผู้ป่วยที่มีอุปกรณ์ IoT
สรุป
เป้าหมายหลัก
วิเคราะห์และทำนาย ความเสี่ยงเบาหวานล่วงหน้า จากพฤติกรรมประจำวัน
ส่วนใหญ่เน้น การจัดการเบาหวานสำหรับผู้ที่เป็นอยู่แล้ว
ประเภทข้อมูล
พฤติกรรมที่ผู้ใช้ป้อนเอง เช่น การกิน, การนอน, ความเครียด, ออกกำลังกาย
ข้อมูลสุขภาพพื้นฐาน, หรือข้อมูลจากอุปกรณ์ IoT
การใช้ AI/ML
ใช้หลายโมเดล ML รวมถึง Random Forest, XGBoost, LSTM
บางระบบไม่ใช้ ML (mySugr, Fitterfly) / บางบทความใช้ ML แต่ไม่เน้นพฤติกรรมชีวิตประจำวัน
ผู้ใช้งานเป้าหมาย
บุคคลทั่วไปที่ยังไม่เป็นเบาหวาน
ผู้ป่วยเบาหวาน หรือผู้ที่มีความเสี่ยงสูงอยู่แล้ว
อุปกรณ์เสริม
ไม่ต้องใช้เซนเซอร์หรืออุปกรณ์เพิ่มเติม
บางระบบใช้เซนเซอร์ (DiabTrend, บทความ stress/glucose)
แนวทางการวิเคราะห์
วิเคราะห์พฤติกรรมแบบลำดับเวลา (time-series) เพื่อดูแนวโน้มสะสม
วิเคราะห์จุดข้อมูลปัจจุบันหรือแบบ snapshot มากกว่า
Last updated