AI ยกระดับการคัดกรองและเฝ้าระวังฝีดาษลิง

---

นักวิจัยผสาน Machine Learning และ Explainable AI ตรวจจับฝีดาษลิงจากอาการทางคลินิก เพิ่มความเร็ว ความแม่นยำ และความเชื่อมั่นของแพทย์

ฝีดาษลิง (Monkeypox) กำลังกลายเป็นความท้าทายด้านสาธารณสุขระดับโลก หลังพบการระบาดเพิ่มขึ้นและขยายวงกว้างออกนอกพื้นที่ประจำถิ่นในแอฟริกากลางและแอฟริกาตะวันตก สถานการณ์ดังกล่าวผลักดันให้นักวิจัยทั่วโลกเร่งพัฒนาเครื่องมือใหม่ที่ช่วยตรวจจับผู้ติดเชื้อได้รวดเร็วและแม่นยำมากกว่าวิธีดั้งเดิม

งานวิจัยล่าสุดเสนอแนวทางใหม่ในการใช้ปัญญาประดิษฐ์ (Artificial Intelligence: AI) วิเคราะห์อาการทางคลินิกของผู้ป่วยเพื่อคาดการณ์ความเสี่ยงการติดเชื้อฝีดาษลิงโดยไม่ต้องพึ่งการวิเคราะห์ภาพผื่น ซึ่งมักมีข้อจำกัดด้านคุณภาพภาพ แสง และความแตกต่างของลักษณะผื่นในแต่ละบุคคล

นักวิจัยใช้ฐานข้อมูลสาธารณะจาก GitHub ที่รวบรวมอาการทางคลินิกของผู้ป่วยฝีดาษลิง เช่น ไข้ ผื่น ต่อมน้ำเหลืองโต ปวดเมื่อยกล้ามเนื้อ และอาการร่วมอื่นๆ ก่อนนำข้อมูลไปฝึกโมเดล Machine Learning หลายรูปแบบ อาทิ Random Forest, Gradient Boosting, CatBoost, XGBoost และ LGBMClassifier เพื่อเปรียบเทียบประสิทธิภาพ

ผลการประเมินพบว่า LGBMClassifier ให้ผลดีที่สุดด้วยความแม่นยำ 89.3% สามารถจำแนกผู้ป่วยที่มีความเสี่ยงสูงได้อย่างมีนัยสำคัญ อย่างไรก็ตาม จุดเด่นสำคัญที่สุดของงานวิจัยนี้ไม่ใช่เพียงตัวเลขความแม่นยำ แต่คือการผสาน Explainable Artificial Intelligence (XAI) เข้ามาอธิบายเหตุผลเบื้องหลังการตัดสินใจของระบบ

XAI ช่วยแสดงให้เห็นว่า อาการใดมีน้ำหนักมากที่สุดในการทำนายโรค เช่น ไข้ร่วมกับผื่นและต่อมน้ำเหลืองโต ซึ่งสอดคล้องกับความรู้ทางการแพทย์ ช่วยให้แพทย์และบุคลากรสาธารณสุขเข้าใจและตรวจสอบผลลัพธ์ของ AI ได้ ไม่ใช่เพียงรับผลลัพธ์แบบกล่องดำ

นักวิจัยชี้ว่า ระบบลักษณะนี้สามารถนำไปใช้เป็นเครื่องมือคัดกรองเบื้องต้นในคลินิก โรงพยาบาล หรือจุดเฝ้าระวังโรค โดยเฉพาะในพื้นที่ที่ทรัพยากรจำกัด นอกจากนี้ยังสามารถเชื่อมต่อกับระบบเฝ้าระวังโรคระดับประเทศ เพื่อช่วยตัดสินใจด้านนโยบายและการจัดสรรทรัพยากรได้อย่างมีประสิทธิภาพ

งานวิจัยนี้สะท้อนให้เห็นบทบาทที่เพิ่มขึ้นของ AI ในการรับมือโรคอุบัติใหม่ และตอกย้ำว่า ความโปร่งใสของอัลกอริทึม คือกุญแจสำคัญในการนำเทคโนโลยีมาใช้จริงในระบบสาธารณสุข

 

ข้อมูลจาก : https://link.springer.com/article/10.1186/s12879-025-10738-4