ว.วทย. มข. 48(1) 142 - 155 (2563) KKU Sci. J. 48(1) 142 - 155 (2020)

การวเคราะหความผดพลาดการใหรหส ICD-10 ในระบบฐานขอมล 43 แฟม สำหรบงานเวชระเบยนโดยใชเทคนคเหมองขอมล

Analysis of ICD-10 Coding Errors in 43 Files Database Systems for Medical Record Department Using Data Mining Techniques

สาครนทร หาบศย1 และ ณฏฐ ดษเจรญ1, 2* 1สาขาวชาวทยาศาสตรศกษา คณะวทยาศาสตร มหาวทยาลยอบลราชธาน จงหวดอบลราชธาน 34190

2ภาควชาคณตศาสตร สถตและคอมพวเตอร คณะวทยาศาสตร มหาวทยาลยอบลราชธาน จงหวดอบลราชธาน 34190 Sakarin Habusaya1 and Nadh Ditcharoen1, 2*

1Program in Science Education, Faculty of Science, Ubon Ratchathani University, Ubon Ratchathani, 34190 Thailand. 2Department of Mathematics, Statistics and Computer, Faculty of Science, Ubon Ratchathani University,

Ubon Ratchathani, 34190 Thailand. *Corresponding Author, Email: nadh.d@ubu.ac.th

Received: 25 May 2019 Revised: 30 September 2019 Accepted: 19 November 2019

บทคดยอ งานวจยนมวตถประสงคเพอวเคราะหความผดพลาดในการใหรหส ICD-10 ในระบบฐานขอมล 43 แฟม สำหรบงาน

เวชระเบยน โดยใชเทคนคเหมองขอมลเปรยบเทยบประสทธภาพ ในการวเคราะหความผดพลาด ซงในการวจยนทำการวเคราะหดวยตนไมตดสนใจ (อลกอรทม C4.5) และนาอฟเบย เพอใหเปรยบเทยบประสทธภาพในการจำแนก และหาความสมพนธของขอมลททำใหการใหรหส ICD-10 ผดพลาด ดวยอลกอรทมอพรโอร ขอมลทใชในการวเคราะหอยในชวงระหวางวนท 1 ตลาคม 2559 ถง 30 กนยายน 2560 จำนวน 33,862 ระเบยน วเคราะหขอมลและสรางโมเดลดวยโปรแกรม Weka 3.8.1 ผลการวจยเมอทดสอบประสทธภาพในการจำแนกขอมล ดวยวธ 10-folds cross validation พบวา ตนไมตดสนใจมความถกตองในการจำแนกเทากบ 90.16% สวนการจำแนกดวยอลกอรทมนาอฟเบย มความถกตองเทากบ 89.87% และเมอนำขอมลมาทำการหากฎความสมพนธ แบบอพรโอร พบวา ขอมลทมขอผดพลาดมากทสด ไดแก รหสขอผดพลาด B4 ซงหมายถงการใหรหส ผปวยนอกทมารบวคซนปองกนโรค (หมวด Z23.0-Z27.9) ตองไมมการใหรหสการตรวจรางกาย การตรวจสขภาพ Z00.0-Z00.9, Z01.0-Z01.9, Z02.0-Z02.9 รวมดวย

ABSTRACT This research aims to analyze coding errors in 43 files database systems for medical records department

using data mining techniques. We compare performance of decision tree (C4.5 algorithm) and Naïve Bayes algorithms in analyzing and classifying the errors. In addition, association rules for analyzing ICD-10 coding errors among the data was also generated by the Apriori algorithm. 33,862 records of data used in analysis were

งานวจย วารสารวทยาศาสตร มข. ปท 48 เลมท 1 143 collected during October 1st, 2016 to September 30th, 2017. Weka 3.8.1 was used to analyze and generate models. The results, when evaluating the classification efficiency with 10-folds cross validation method, showed that the classification accuracy of the decision tree was 9 0 .1 6 % , and that of the Naïve Bayes algorithm was 89.87%. When analyzing the data using Apriori algorithm, the result showed that the error code found the most was error code B4 which is referred to the outpatient code of the vaccine (Z23.0 -Z27.9) with no code of physical and health examination Z00.0-Z00.9, Z01.0-Z01.9, Z02.0-Z02.9.

คำสำคญ: ไอซด-10 การทำเหมองขอมล ตนไมตดสนใจ นาอฟเบย อพรโอร Keyword: ICD-10, Data mining, Decision tree, Naïve Bayes, Apriori

บทนำ รหส ICD-10 (The World Health Organization, 1992) คอรหสของโรคและอาการ ทจดทำขนโดยองคการอนามยโลก

โดยใชเปนรหสหลกเพอเกบขอมลการรกษาผปวยประกนสงคม และการปฏบตงานเวชระเบยน ทมความเกยวของกบการใหบรการผปวยในและผปวยนอกสงกดกระทรวงสาธารณสขทงในภาครฐและเอกชน จากการศกษา พบวา ปญหาสำคญอยางนงของการบนทกรหส ICD-10 คอ บคลากรทางดานเวชระเบยน และเวชสถตมจำนวนไมมากนก โดยเฉพาะการทำงานในโรงพยาบาลรฐบาลทมปรมาณงานมาก ดวยเหตนโรงพยาบาลจงไดมอบหมายงานใหพยาบาลและ เจาหนาทสวนอน ๆ ทำหนาทในการใหรหส ICD-10 แทนพนกงานเวชระเบยน และเวชสถต ทวาพยาบาล และ เจาหนาทนนไมไดผานการอบรมวธการใหรหสจากหลกสตรเวชระเบยนโดยตรง จงทำใหการใหรหส ICD-10 ไมถกตองหรอคลาดเคลอน ดงจะเหนไดจากการสำรวจขอมลเวชระเบยนในระบบฐานขอมล 43 แฟม (Health Data Center: HDC) ของสำนกงานสาธารณสขจงหวดมกดาหาร ในชวงวนท 1 ตลาคม 2559 ถง 31 กนยายน 2560 พบวาขอมลมการใหรหส ICD-10 ทผดพลาด จำนวนมากกวา 83,380 ระเบยน (วสนต และคณะ, 2561) นอกจากน ในคำวนจฉยโรคของแพทยมกมไดระบชนดของโรคโดยตรง หรอ มขอมลไมเพยงพอ เชน การใชคำยอซงในบางโรคมคำยอเหมอนกนแตใหความหมายทแตกตางกน จงตองเสยเวลาในการคนหาจากดชน หรอ ตองสอบถามจากแพทยผวนจฉยโดยตรง สงผลใหเกดความลาชาในการทำงาน

จากการศกษางานวจยดานการทำเหมองขอมล (Data Mining) (Roiger, 2017) พบวา มการใชระบบสนบสนนการตดสนใจในการวเคราะหความเสยงของการเกดโรคเรอรง กรณของโรคเบาหวานและความดนโลหตสง (ณชา, 2559) ซงนำตวแปรจำนวน 10 ตวแปรตามหลกเกณฑในการคดกรองมาทำการสรางเปนโมเดล โดยการใชเทคนคตนไมตดสนใจ C4.5 (J48) และเทคนคคนหาเพอนบานใกลสด (K–nearest neighbor) และทำการทดสอบโมเดลดวยวธ 10-folds cross validation เพอจดการกบขอมลทปรมาณจำนวนมากทอยในฐานขอมล และการบนทกขอมลทไมสมบรณ ใหมประสทธภาพมากทสด นอกจากนแลวยงมงานวจยทไดนำเทคนคเหมองขอมลมาใชเพอการจำแนกผปวยโรคหวใจขาดเลอดและผปวยหวใจโรคอนๆ (นงเยาว และพรรณ, 2555) โดยนำขอมลจากฐานขอมลโปรแกรม HOMC ทอยภายในโรงพยาบาลทมจำนวน 2,500 ระเบยน มาจำแนกและตรวจสอบความถกตองโดยใชอลกอรทม K – means แบงขอมลออกเปนกลม และใชเทคนคโครงขายประสาทเทยมแบบแพรกลบเทยบกบเทคนคคนหาเพอนบานใกลสด เพอวเคราะหหาขอผดพลาดและเปรยบเทยบประสทธภาพของการจำแนก ซงจากการศกษางานวจยพบวาเทคนคเหมองขอมลมประสทธภาพสงในการจำแนกและวดประสทธภาพเพอหาขอผดพลาดในขอมลปรมาณมากๆ แตกยงไมขอจำกดบางประการเชน ขอมลบางประเภททไมสามารถจำแนกชนดและประเภทของขอมลได

จากเหตผลดงกลาวขางตน ผวจยจงสนใจประยกตใช เทคนคการทำเหมองขอมลในการวเคราะหความผดพลาดการใหรหส ICD-10 ในระบบฐานขอมล 43 แฟมสำหรบงานเวชระเบยน เพอนำผลการวเคราะหทไดไปใชในการพฒนาระบบตรวจสอบและวเคราะหความเสยงในการใหรหส ICD-10 เพอชวยลดความผดพลาดในการใหรหสตอไป

144 KKU Science Journal Volume 48 Number 1 Research วตถประสงคของการวจย

1. เพอวเคราะหความผดพลาดในการใหรหส ICD-10 ในระบบฐานขอมล 43 แฟม สำหรบงานเวชระเบยนโดยใชเทคนคเหมองขอมล

2. เพอเปรยบเทยบประสทธภาพในการวเคราะหความผดพลาดในการใหรหส ICD-10 ในระบบฐานขอมล 43 แฟม สำหรบงานเวชระเบยนโดยใชเทคนตตนไมตดสนใจ C4.5 (J48) นาอฟเบย และกฎความสมพนธ

ทฤษฎและงานวจยทเกยวของ 1. บญชจำแนกโรคระหวางประเทศฉบบปรบปรงแกไขครงท 10 (International Classification of Diseases and

Related Health Problem 10th Revision: ICD-10) (The World Health Organization, 1992) พฒนาขน โดย องคการอนามยโลกใน ป ค.ศ. 1994 มสวนประกอบสำคญ 2 สวนคอ 1) ระบบการจดหมวดหมของโรคและปญหาสขภาพตาง ๆ ทพบในมนษย 2) ระบบรหสโรคและรหสปญหาสขภาพ ประเทศไทยเรมใชงาน ICD-10 ในป พ.ศ. 2537 โดยกระทรวงสาธารณสขประกาศใหใชเปนรหสหลกเพอเกบขอมลการรกษาผปวย โดยในป พ.ศ. 2543 ไดมการแปลเนอหาเปนภาษาไทยและ ปรบปรงรหสใหมโรคทพบบอยในประเทศไทยมากขน เรยกวา บญชจำแนกโรคฉบบปรบปรงโดยประเทศไทย ICD-10-Thai Modification หรอ ICD-10-TM (Bureau of Policy and Strategy, Ministry of Public Health. 2009) วธการใหรหส ICD-10 ตามมาตรฐานขององคการอนามยโลกจะดำเนนการโดยผใหรหส (Coder) เปดหารหสมาตรฐานในหนงสอ ICD-10 และตรวจสอบกฎเกณฑทกำหนดตามแนวทางมาตรฐาน การใหรหสกบรายละเอยดของผปวยจนครบถวน หลงจากนนกจะใหรหสลงไปในแบบฟอรมทกำหนด จดเกบไวในเวชระเบยนผปวย และบนทกรหส ICD-10 ของผปวยเขาสระบบคอมพวเตอร ซงวธการดงกลาวจดเปนวธการปฏบตตามมาตรฐานและเปนทยอมรบทวโลก

2. การจำแนกขอมลดวยวธตนไมตดสนใจ (Decision Tree) เปนวธการจำแนกขอมลออกเปนกลมๆ ทมลกษณะเหมอนโครงสรางของตนไม โดยทภายในประกอบดวยโหนด (Node) ซงแตละโหนดจะแสดงถงการตดสนใจบนขอมลของคณสมบตตาง ๆของกงไมแสดงถงคาผลลพธทไดจากการทดสอบ (Ian and Frank, 2011) โดยขอมลชนลางสดของตนไมตดสนใจ จะแสดงถงกลมของขอมล (Class) ซงเทคนคทนยมใชในการสรางตนไมตดสนใจ ไดแก อลกอรทม C4.5 (J48) (Laroseand and Larose, 2014) ทถกพฒนาโดย Ross Quinlan ขนตอนวธการสรางตนไมตดสนใจจากบนลงลางดวยการตดสนใจวาคณลกษณะใดควรทจะเปนรากของตนไมดวยคาหลกการของ Information gain โดยการคำนวณคา Entropy ของเซตของขอมลหรอ E(S) คำนวณไดจากสมการตอไปน

ในสวนของคา Information gain อลกอรทม C4.5 มสวนของคามาตรฐานอตราสวนแกน (Gain Ratio criterion) ในการ

ตดสนใจเลอกคณสมบตทจะใชเปนโหนดรากหรอโหนดระดบตาง ๆ บนตนไม Information Gain หาไดจากสมการ

3. การจำแนกขอมลดวยวธนาอฟเบย (Naïve Bayes) เปนวธการเรยนรทใชหลกการของความนาจะเปนตามกฎของเบย

(Bayes’ Theorem) เขามาชวยในการเรยนร เพอหาสมมตฐานทนาจะถกตองทสดการเรยนรแบบนาอฟเบย อาศยหลกการของการคำนวณความนาจะเปนของแตละสมมตฐานทใหการเกดของการเปนอสระตอกนของตวแปรอสระทกตว (วรารตน, 2558) โดยการเรยนรแบบนาอฟเบย จะสามารถเรยนรเพมไดโดยการนำขอมลใหมมาปรบเปลยนการแจกแจงจากขอมลเดมทำใหมการเรยนรทเปลยนไป ทำใหตวแบบถกปรบเปลยนตามไปดวย ซงมผลตอการเพมหรอลดความนาจะเปนของสมมตฐาน (นเวศ และคณะ, 2555) โดยการทำนายคาคลาสเปาหมายของตวอยางจะใชสมมตฐานทมความนาจะเปนสงสด (นเวศ, 2557) การจำแนกขอมลดวยวธนาอฟ-เบยจะแสดงไดดงสมการตอไปน

งานวจย วารสารวทยาศาสตร มข. ปท 48 เลมท 1 145 เมอกำหนดให

P(A|B) คอ คา conditional probability หรอคาความนาจะเปนทเกดเหตการณ B ขนกอนและจะมเหตการณ A ตามมา P(A∩B) คอ คา joint probability หรอคาความนาจะเปนทเหตการณ A และเหตการณ B เกดขนรวมกน P(B) คอ คาความนาจะเปนทเหตการณ B เกดขน 4. การหากฎความสมพนธดวยวธอพรโอร (Apriori) เปนประเภทของการคนหาความสมพนธแบบตรวจสอบเชงตรรกะ

(Boolean Association Rule) ซงเปนเทคนควธทใชสำหรบคนหาสงทปรากฏเดนชด (Frequent Item Sets) จากฐานขอมลทกำหนด โดยมหลกการทำงานคอ ขนตอนการทำงานแบบอพรโอร จะทำหนาทสรางไอเทมเซต (Item Set) ทตองการวเคราะห ทเปนไปไดทงหมดทมคาสนบสนนมากกวาคาสนบสนนขนตา โดยจะเรมการทำงานในรปแบบจากลางขนบน (Poncelet and Teisseire, 2008) โดยการคนหาความสมพนธทเกดขนไดทงหมดระหวางขอมลหรอกลมขอมล การวดความสำคญของกฎความสมพนธจะใชคาสนบสนน (Support) และคาความมนใจ (Confidence) เปนเกณฑในการคดเลอก รปแบบทวไปของการคนหากฎความสมพนธจะอยในรปแบบ A⟹ B โดยท A, B เปนเซตของไอเทม (Itemset) ทประกอบอยในฐานขอมล คาสนบสนน และคาความมนใจ จะคำนวณไดจากสมการ

คาสนบสนน จะวดความนาจะเปนของจำนวนรายการของขอมลทเกดรวมกนเทยบกบจำนวนรายการทงหมด สวนคาความ

มนใจ จะวดความนาจะเปนเมอเกดเหตการณหนง (A) แลวจะเกดอกเหตการณหนงตามมา (B) ในการหากฎความสมพนธนนจะมขนตอนวธการหาหลายวธดวยกน ขนตอนวธทเปนทรจกและถกใชอยางแพรหลายคอ อลกอรทมอพรโอร

5. งานวจยทเกยวของ นเวศ (2553) ไดนำเทคนคเหมองขอมลไปใชในการวเคราะหเพอสรางปจจยการเกดโดยอตโนมต ผลการวจยพบวาทกโมเดลท

สรางขน มประสทธภาพในการจาแนกประเภทของโรคในระดบ 80% ขนไป เมอแยกตามประเภทโรคพบวากลมโรค Hypothyroid ใหประสทธภาพดทสด 99.57% รองลงมาคอกลมโรค Leukemia ใหประสทธภาพ 98.61% ซงสงผลใหมตของกลมขอมลทมหลากหลายใชเวลาจำแนกทลดลงและเพมประสทธภาพในการจาแนกกลมขอมลทางมลการแพทยใหสงขน

อทธพล (2554) ไดพฒนาระบบเวชระเบยนอเลกทรอนกสระดบจงหวด โดยการใชเทคโนโลยอนเทอรเนตเวบแอปพลเคชน (Web Application) และเวบเซอรวส (Web Services) เปนชองทางใหสถานบรการสาธารณสขในจงหวดในทกระดบ สามารถสงขอมล เขาถง และใชขอมลเวชระเบยนอเลกทรอนกสรวมกนได ซงจะสงผลใหสถานบรการตาง ๆ มขอมลสวนบคคล ประวตการรบบรการ ประวตการเจบปวย และรายงานสถานะสขภาพของประชาชนผมารบบรการททนสมย สามารถใชขอมลประกอบการตดสนใจเพอลดความผดพลาดการสงรกษา รวมถงลดคาใชจายในกระบวนการรกษาพยาบาลได

Venkatalakshmi and Shivsankar (2014) ไดศกษาการนำเทคนคเหมองขอมลมาใชในการวเคราะหโรคหวใจ ผลการทดสอบประสทธภาพของโมเดลพบวา เทคนคตนไมตดสนใจ C4.5 (J48) ใหคาความถกตองมากกวา เทคนคนาอฟเบย

ศศมา (2559) ไดทำการสรางระบบคนหา ICD-10 โดยใชหลกการทำงานและแนวคดของเทคนคการทำเหมองขอมล มาใชจำแนกกลมขอมล ICD-10 ทมปรมาณมากหลงจากนนจะทำการเปรยบเทยบอลกอรทม C4.5 กบ Naïve Bayes เพอใหไดอลกอรทมทเหมาะสมกบขอมล จากนนจะนำมาประยกตใชรวมกบเทคนคการหากฎความสมพนธเพอใหไดระบบคนหารหส ICD-10 ทมความสามารถคนหาคำอธบายไดอยางรวดเรว ถกตองแมนยำ และชวยเจาหนาทเวชระเบยนประหยดเวลาในการคนหา ผลการประเมนระบบคนหารหส ICD-10 สำหรบงานเวชระเบยน โดยแพทยผเชยวชาญ พบวา ผลการประเมนอยในระดบด โดยมคาเฉลยอยท 3.53 และสวนเบยงเบนมาตรฐานอยท 0.30 และ ผลการประเมนความพงพอใจของพนกงานเวชระเบยนทมตอระบบคนหารหส ICD-10 พบวาผลการประเมนอยในระดบด มคาเฉลยอยท 3.80 และสวนเบยงเบนมาตรฐานอยท 0.29

146 KKU Science Journal Volume 48 Number 1 Research

สจตรา และคณะ (2559) ไดทำการออกแบบตนแบบสวนตดตอกบผใชแบบกราฟกส (Graphic User Interface: GUI) สำหรบการบนทกเวชระเบยนอเลกทรอนกส เพอชวยอำนวยความสะดวกใหแพทยและเจาหนาทเวชระเบยนวเคราะหสาเหตของโรคและใหรหส ICD-10 สามารถทำความเขาใจและสะดวกตอการใชงาน เนองจากมรปภาพและเอกสารขอความบนหนาจอของคนไข สงผลใหขอมลเวชระเบยนทเปนแบบอเลกทรอนกสประหยดดานตนทนของเอกสาร สะดวกรวดเรวประหยดเวลา และงายตอการคนหาและจดเกบขอมล ผลการทดลองความพงพอใจพบวา ผใชมความพงพอใจในระดบดมาก โดยระบบสามารถทำงานไดอยางถกตอง ครบถวน สามารถใชงานงาย

กฤษดา และ มลลกา (2560) ไดนำเทคนคเหมองขอมลไปใชในการวเคราะหปจจยการเกดโรคไตเรอรงในผปวยโรคเบาหวาน โดยใชเทคนคตนไมตดสนใจ C4.5 (J48) การเรยนรแบบนาอฟเบย และเทคนคขายงานประสาทเทยม ผลทไดจากการวเคราะหสามารถแบงสาเหตการเกดโรคไดตามปจจยตางๆรวมถงวเคราะหหาสาเหตทอาจจะเกดขนในผปวยโรคเบาหวาน นำผลมาสการปองกนและรกษาผปวยใหดยงขน

จากงานวจยทเกยวของ ผวจยไดประยกตเทคนคการทำเหมองขอมล ไดแก ตนไมตดสนใจ C4.5 (J48) และ นาอฟเบย มาทำการหาคาความถกตองของการจำแนกขอมล แตจะมงเนนขอมลการใหรหสทผดพลาด ICD-10 สำหรบงานเวชระเบยน เพอวเคราะหขอมลทมขอผดพลาดมากทสด กอนจะพฒนาเปนโปรแกรมตนแบบเพอใชตรวจสอบขอมลทใหรหส ICD-10 แกผปวยไปแลว ในระบบฐานขอมล 43 แฟมตอไป

วธดำเนนการวจย ในงานวจยนไดกำหนดขนตอนการทำงานดงรปท 1 โดยนำขอมล ICD-10 ทมความผดพลาดในการบนทกและใหรหสจาก

ฐานขอมลระบบ 43 แฟม HDC มาทำการวเคราะหและหาประสทธภาพ

1. การรวบรวมขอมล (Data Collection) ผวจยรวบรวมขอมลการบนทกเวชระเบยน ICD-10 ในแฟม Diagnosis เฉพาะทเปนขอมลผดพลาดตามกฎของ กองยทธศาสตรและแผนงาน (กยผ. กระทรวงสาธารณสข) แลวทำการบนทกลงในไฟล Microsoft Excel (.csv) จากฐานขอมล 43 แฟม (HDC) ในสถานอนามย 78 แหงและโรงพยาบาล 7 แหงในจงหวดมกดาหาร ในชวงตงแต 1 ตลาคม 2559 ถง 31 กนยายน 2560 จำนวน 83,380 ระเบยน ประกอบไปดวยปจจยตางๆ ซงปจจยเหลานไดถกการวเคราะหโดยเจาหนาทผเชยวชาญดานการใหรหส ICD-10 จาก กยผ. กระทรวงสาธารณสข วาเปนขอมลทผดพลาด

2. การเตรยมขอมล (Data Preprocessing) หลงจากไดชดขอมลจำนวน 83,380 ระเบยน มาแลวจะทำการลบขอมลชนดตวเลขทไมสามารถหาคาได เชน รหสสถานพยาบาล ชอ นามสกล และ เลขบตรประชาชนของผมารบบรการจะไดชดขอมลจำนวน 33,862 ระเบยน จากนนทำการวเคราะหการกระจายของขอมลดวยโปรแกรม Weka 3.8.1 แสดงผลดงรปท 2

เมอผานการเตรยมขอมลแลว สามารถจำแนกปจจย (Attributes) ในการใหรหส ICD-10 ทผดพลาดได 5 ปจจย ดงแสดงในตารางท 1 โดยสามารถแยกตามกลมคำวนจฉยของเจาหนาทไดดงตารางท 2

งานวจย วารสารวทยาศาสตร มข. ปท 48 เลมท 1 147

รปท 1 ขนตอนดำเนนการวจย

รปท 2 การวเคราะหการกระจายของขอมลโดย Weka

ทดสอบประสทธภาพ

เกบรวบรวมขอมล

จดเตรยมขอมล

ฐานขอมล 43 แฟม HDC

วเคราะหขอมล

Decision Tree Apriori

10-fold Validation

Percentage split

Use Training Set

Naïve Bayes

148 KKU Science Journal Volume 48 Number 1 Research ตารางท 1 ปจจยในการใหรหส ICD-10 ทผดพลาดในระบบฐานขอมล 43 แฟม (HDC) ลำดบท ปจจย คา ความหมาย

1 SEX (เพศ) Male ชาย Female หญง 2 DIAGTYPE (ชนดโรคทใหบรการ) PRINCIPLE_DX การวนจฉยโรคหลก OTHER อนๆ EXTERNAL _CAUSE สาเหตภายนอก 3 DIAGCODE (รหสทใหบรการ) เชน Z012, Z001, J069, S913, L039 รหสการใหในเวชระเบยน ม 649 คา 4 DES_ENG (คำวนจฉยของเจาหนาท) Accident อบตเหต ANC ตรวจการตงครรภ Animal_bite ถกสตวกด Anorexia อาการเบออาหาร Asthma โรคหอบหด Baby_Development ตรวจพฒนาการเดก Cancer ตรวจมะเรง Child_Nutrition วดโภชนาการเดก CKD ตรวจคดกรองไต Clean_the_wound ทำความสะอาดแผล COPD โรคปอดอดกนเรอรง Cough อาการไอ

Dental ตรวจฟน Diabetic_retina ตรวจเบาหวานขนตา

DM ตรวจเบาหวาน DM_CKD ตรวจเบาหวานคดกรองไต DM_DRUG ตรวจเบาหวาน DM_HT ตรวจเบาหวานและความดน DM_HT_CKD ตรวจเบาหวาน ความดน และคดกรองไต ความดนคดกรองไต DRUG รบยา Dyspepsia อาการอาหารไมยอย Epilepsy โรคลมบาหม Family_planning การวางแผนครอบครว Fever อาการไข Gastric ทองอด Health_check ตรวจสขภาพ HT ความดน HT_DRUG ความดนมารบยา Immunization รบบรการสงเสรม Medical_certificate ขอใบรบรองแพทย NEWBORNCARE ดแลทารกหลงคลอด Normal อาการปรกต Papsmear ตรวจมะเรงปากมดลก Physical_exam การชงนำหนกเดก

งานวจย วารสารวทยาศาสตร มข. ปท 48 เลมท 1 149 ตารางท 1 ปจจยในการใหรหส ICD-10 ทผดพลาดในระบบฐานขอมล 43 แฟม (HDC) (ตอ) ลำดบท ปจจย คา ความหมาย

Refer การสงตอผปวย Schizophenia โรคจตเภท TB ปอดเรอรง Thalaasemia โรคทาลสซเมย Tired อาการเหนอยหอบ Vaccine การใหบรการวคซน Visit_home การออกเยยมบาน 5 ERROR_CODE (รหสความผดพลาด) A01

A02 B1 B2 B3 B4

รหสทใชไดกบผปวยชายเทานน รหสทใชไดกบผปวยหญงเทานน ผปวยนอกทมรหสโรคหลกหมวด A-T จะตองไมมการใชรหส Z รวมดวย หามใชรหส V,W,X,Y เปนรหสโรคหลก การใหรหส S และ T ในผปวยรายใด ตองใหรหสสาเหตภายนอกรวมดวย การใหรหสผปวยนอกทมารบวคซน ตองไมมการใหรหสตรวจรางกายรวมดวย

B5 การฉดยา พนยา เหนบยา และการบรหารยาเขาสรางกายรปแบบตางๆ ไมตองใหรหส 9018170, 9038170,9088170

B6 การใหรหส Z76.8 ใชกบผปวยทมาขอรบยาหามใหรวมกบรหสอน

B7 การใหรหส O80.0-O84.9 เปนโรคหลก ตองไมมรหส O ตวอนอยในการรกษา

B8 หามใชรหสบอกเปอรเซนตการเกดแผลไหมเปนรหสโรคหลก

B9 การใหรหส V00-Y34 ตองใหรหสรวม 5 ตวอกษรเสมอ

B10 การใหรหส Z47.0-Z47.9 ตองไมใชรวมกบรหสกลม S หรอ T ในการรกษา

C1 รหส ICD ทเปนรหสแสดงความดอยคณภาพ J06.9, D22.9, L02.9, L03.9, T07, T14.0-T14.9, Z34.9

จากนนทำการบนทกขอมลเปนไฟล Microsoft Excel (.csv) ทมชอวา icd10error.csv และนำเขามาวเคราะหเบองตนในโปรแกรม Weka ดวยไฟล Record ตวอยาง 33862 Record สามารถแยกรายละเอยดดงแสดงในตารางท 2

150 KKU Science Journal Volume 48 Number 1 Research ตารางท 2 การกระจายของขอมลจำแนกตามชนดคำวนจฉยของเจาหนาทในฐานขอมล 43 แฟม (HDC)

คา จำนวนขอมล คา จำนวนขอมล accident 1,235 Dyspepsia 10

ANC 559 epilepsy 20 animal_bite 1 Family_planning 229

Anorexia 86 fever 6,070 asthma 42 Gastric 372

Baby_Development 1,257 Health check 27 cancer 137 HT 575

Child Nutrition 48 HT_DRUG 14 CKD 3 Immunization 67

clean_the_wound 11 Medical_certificate 416 COPD 9 NEWBORN_CARE 4,437 cough 1,445 normal 123 Dental 1,091 papsmear 22

Diabetic_retinopathy_examination 11 Physical_examination 1,599 DM 1,536 refer 40

DM_CKD 4 Schizophenia 45 DM_DRUG 8 TB 77

DM_HT 707 thalaasemia 12 DM_HT_CKD 8 Tired 607

DM_HT_DRUG 61 vaccine 9,730 DRUG 130 Visit home 981

3. การวเคราะหขอมล (Data Analysis) จากขนตอนการเตรยมขอมลจนถงการวเคราะหจนไดรปแบบไฟล csv ผวจยจะทำการ สรางแบบจำลองการจำแนกขอมลโดยใชวธตนไมตดสนใจดวยอลกอรทม C4.5 (J48) เทยบกบอลกอรทมแบบนาอฟเบย ตอจากนนทำการทดสอบคขนานเพอเปรยบเทยบแบบลกษณะการหาความสมพนธ โดยในงานวจยนจะใชเทคนคกฎความสมพนธ แบบอพรโอร เพอจะนำผลทไดมาทำการทดสอบประสทธภาพ โดยไดทำการวเคราะห ตามปจจย (Attributes) ในการใหรหส ICD-10 ทผดพลาดทง 5 ปจจย ไดแก SEX (เพศ) DIAGETYPE (ชนดโรคทใหบรการ) DIAGCODE (รหสการใชเวชระเบยน) DES_ENG (คำวนจฉยของเจาหนาท) และ ERROR_CODE (รหสความผดพลาดตามมาตรฐาน กยผ.) ซงการกำหนดคาตางๆ ในการวเคราะหและสรางโมเดลไดกำหนดการตงคาสำหรบอลกอรทม ดงน C4.5 (J48) กำหนดคา Default ตามโปรแกรม Weka และ Classification โดยใช DIAGTYPE (ชนดโรคทใหบรการ) Naïve Bayes กำหนดคา Default ตามโปรแกรม Weka และ Classification โดยใช DIAGTYPE (ชนดโรคทใหบรการ)

Apriori กำหนดคา lowerBoundMinSupport = 0.2 (คาสนบสนน 20% ขนไป) คา metricType เลอกคา Confidence = 0.5 (คาความมนใจ 50% ขนไป) และ numRules = 20 (จำนวนกฎ 20 กฎ)

ตวอยางผลการวเคราะหและสรางโมเดล ผลของการวเคราะหดวยโมเดลดวยอลกอรทม C4.5, Naïve Bayes และ Apriori แสดงดงรปท 3-5

งานวจย วารสารวทยาศาสตร มข. ปท 48 เลมท 1 151

รปท 3 ตวอยางผลการวเคราะหดวยอลกอรทม C4.5 (J48)

รปท 4 ตวอยางผลการวเคราะหดวยอลกอรทม Naïve Bayes

152 KKU Science Journal Volume 48 Number 1 Research

รปท 5 ตวอยางผลการวเคราะหดวยอลกอรทม Apriori

4. การทดสอบประสทธภาพ (Model Evaluation) ทำโดยเปรยบเทยบความแมนยำในการวเคราะหขอมลของอลกอรทม 2 วธ (C4.5 และNaïve Bayes) ดวยวธทดสอบแบบเจาะจง 3 วธซงเปนวธทไดรบความนยมตามหลกการของวธทำเหมองขอมลเพอเปรยบเทยบรอยละความแมนยำ ไดแก 1) วธ Use training set 2) วธ 10-folds cross validation และ 3) วธ Percentage split (70:30) ประมวลผลผานโปรแกรม Weka 3.8.1 จากนนนำผลทดทสดมาวเคราะหรวมกบผลจากการวเคราะหความสมพนธของขอมลอลกอรทมอพรโอร

ผลการวจย จากผลการทดลองการโดยใชขอมลการบนทกเวชระเบยน ICD-10 ในแฟม Diagnosis_opd ทผดปกตตามกฎของ กยผ.กระ

ทรวงสาธารณสข ในฐานขอมลระบบ 43 แฟม (HDC) แลวนำมาวเคราะหผลดวยโปรแกรม Weka 3.8.1 ใชวธการจำแนกประเภทขอมลประกอบไปดวย เทคนคตนไมตดสนใจ C4.5 (J48) เทคนคการจำแนกขอมลแบบนาอฟเบย สามารถสรปผลไดดงตารางท 3 ซงพบวา โมเดลตนไมตดสนใจ (อลกอรทม C4.5 (J48)) มประสทธภาพสงกวาวธนาอฟเบย

ตารางท 3 ผลการทดสอบประสทธภาพ การทดสอบประสทธภาพ ตนไมตดสนใจ นาอฟเบย

Use training set 91.08% 89.92% 10-folds cross validation 90.16% 89.87% Percentage Split (70:30) 90.02% 89.31%

งานวจย วารสารวทยาศาสตร มข. ปท 48 เลมท 1 153

ในสวนของผลการหาความสมพนธดวยอลกอรทมอพรโอร พบวากฎความสมพนธทดทสด 5 ลำดบแรกโดยพจารณาจากคา ความมนใจ (confidence = 100%) ไดดงนไดดงน กฎขอท 1: IF DES_ENG=vaccine ERROR_CODE=B4 5199 ==> DIAGTYPE=OTHER 5199 <conf:(1)> lift:(1.43) lev:(0.05) [1559] conv:(1559.3)

กฎขอท 2: IF ERROR_CODE=B4 10022 ==> DIAGTYPE=OTHER 10021 <conf:(1)> lift:(1.43) lev:(0.09) [3004] conv:(1502.92)

กฎขอท 3: IF DIAGCODE=Z012 9214 ==> DIAGTYPE=OTHER 9212 <conf:(1)> lift:(1.43) lev:(0.08) [2761] conv:(921.16) กฎขอท 4: IF SEX=FEMALE ERROR_CODE=B1 6746 ==> DIAGTYPE=OTHER 6738 <conf:(1)> lift:(1.43) lev:(0.06) [2015] conv:(224.81)

กฎขอท 5: IF ERROR_CODE=B1 10988 ==> DIAGTYPE=OTHER 10974 <conf:(1)> lift:(1.43) lev:(0.1) [3281] conv:(219.7)

ซงจากกฎความสมพนธขางตน สามารถอธบายความหมายของกฎขอตางๆ ไดดงน กฎขอท 1 ถามการรบบรการวคซน ทม ERROR_CODE = B4 แลวจะมการใหรหสอนๆ (OTHER) รวมในการรกษา กฎขอท 2 ถาม ERROR_CODE = B4 แลวจะมการใหรหสอนๆ (OTHER) รวมในการรกษา กฎขอท 3 ถามการ DIAGCODE รหส Z012 แลวจะมการใหรหสอนๆ (OTHER) รวมในการรกษา กฎขอท 4 ถามผรบบรการเพศหญง ทม ERROR_CODE = B1 จะมการใหรหสอนๆ (OTHER) รวมในการรกษา กฎขอท 5 ถาม ERROR_CODE = B1 จะมการใหรหสอนๆ (OTHER) รวมในการรกษา

สรปและอภปรายผลการวจย ในการใหรหสจำแนกโรค ICD-10 นนผใหรหสวนจฉยหากไมใชเจาหนาทเวชสถตแลวกจะมโอกาสผดพลาดคอนขางสง ซง

หลกการตรวจสอบคณภาพการใหรหส ICD-10 นน จะมการสมตวอยางขอมลเวชระเบยนทอยในโรงพยาบาล ทควรจะกระทำโดยสมำเสมอเปนระยะ เชน ดำเนนการทก ๆ 3-4 เดอน ปละ 3-4 ครง เพอพฒนาและแกไขคณภาพขอมลใหทดขนอยางตอเนอง

งานวจยนเปนการวเคราะหหาสาเหตความผดพลาดการใหรหส ICD-10 ในระบบฐานขอมล 43 แฟม โดยใชเทคนคเหมองขอมล จากการบนทกเวชระเบยน ICD-10 จากขอมล 43 แฟม ในสถานอนามยและโรงพยาบาลภายในจงหวดมกดาหาร จำนวน 85 แหง ในชวงเวลาตงแต 1 ตลาคม 2559 ถง 31 กนยายน 2560 จำนวน 33,862 ระเบยน

ผลการวจย พบวา การจำแนกขอมลโดยตนไมตดสนใจอลกอรทม C4.5 (J48) ทมการทดสอบการจำแนกโดยใชวธ 10-folds cross validation ไดผลการวเคราะหบางสวน ดงน

error_code = B1: OTHER (10988.0/14.0) error_code = C1: PRINCIPLE_DX (5355.0/1238.0) error_code = B4: OTHER (10022.0/1.0) error_code = B2: PRINCIPLE_DX (376.0)

จากขอมลอธบายไดวา error_code = B4 หมายถง การใหรหสผปวยนอกทมารบวคซนปองกนโรค (หมวด Z23.0-Z27.9) ตองไมมการใหรหสการตรวจรางกาย การตรวจสขภาพรวมดวย มขอมลผดพลาด จำนวน 10,022 ระเบยนทความเชอมน 100%

ผลทไดจากการหากฎความสมพนธดวยอลกอรทมอพรโอร พบวามความสอดคลองกบผลการจำแนกขอมลดวยตนไมตดสนใจ C4.5 (J48) ดงจะเหนไดจากกฎความสมพนธ ดงน

IF des_eng=vaccine error_code=B4 5199 ==> DIAGTYPE=OTHER 5199 <conf:(1)> lift:(1.43) lev:(0.05) [1559] conv:(1559.3) นนคอถามการใหรหสวคซน (des_eng=vaccine) จะตองไมมการใหรหสชนดอนๆ รวมดวย (DIAGTYPE=OTHER) มเชนนน

จะทำใหเกด error_code = B4 ขน

154 KKU Science Journal Volume 48 Number 1 Research

การวเคราะหความผดพลาดในการใหรหส ICD-10 โดยจำแนกขอมลดวยตนไมตดสนใจ C4.5 (J48) นาอฟเบย และการหากฎความสมพนธดวยวธอพรโอร ขอมลทมขอผดพลาดมากทสดไดแก ERROR_CODE = B4 ซงหมายถง การใหรหสผปวยนอกทมารบวคซนปองกนโรค (หมวด Z23.0-Z27.9) ตองไมมการใหรหสการตรวจรางกาย การตรวจสขภาพรวมดวย ซงตองดำเนนการสรางความรความเขาใจและตรวจสอบคณภาพขอมลการใหรหส ICD-10 ในสถานพยาบาลตอไป โดยงานวจยน มสวนทสอดคลองกบการประยกตเทคนคการทำเหมองขอมล ไดแก ตนไมตดสนใจ C4.5 (J48) และ นาอฟเบย มาทำการหาคาความถกตองของการจำแนกขอมล เชนเดยวกนกบงานวจยของ กฤษดาและมลลกา (2560) กบงานวจยของนเวศ (2553) และงานวจยของศศมา (2559) โดยเปาหมายสำคญททางผวจยมงเนนในงานวจยนคอการพฒนาระบบเพอปองกนความผดพลาดในการใหรหส ICD-10 แกผปวย กอนจะสงขอมลเขาระบบฐานขอมลทอยในคลงขอมล 43 แฟมปลายทางของหนวยบรการทงโรงพยาบาลสงเสรมสขภาพตำบล (รพสต.) และโรงพยาบาล ซงเปนขอมลแบบฐานขอมลทตยภม ภายในภาพจงหวด เพอเนนลดความผดพลาดตามตวชวดของ กองยทธศาสตรและแผน กระทรวงสาธารณสข ตอไป

อยางไรกตามงานวจยครงนยงมขอจำกด เนองจากไดทดลองกบกลมขอมลในระบบ 43 แฟมบางสวนเทานน ยงมขอมลบางสวนทยงมถกนำเขาตามกฎเกณฑ ทางผวจยเองไดมแนวคดจะพฒนาระบบมาชวยตรวจสอบขอมล ใหมความสมบรณครบถวนกอนนำสงเขาสระบบ 43 แฟม โดยจะกำหนดมาตรฐานทใชในการวดประสทธภาพขอมลการใหรหส ICD-10 ในระบบ 43 แฟมทกหนวยบรการตอไปในอนาคต

เอกสารอางอง กฤษดา เครอวลย และ มลลกา วฒนะ. (2560). การวเคราะหปจจยการเกดโรคไตเรอรงของผปวยโรคเบาหวาน โดยใชเทคนคการทำเหมองขอมล. ใน: การ

ประชมวชาการระดบชาตดานคอมพวเตอรและเทคโนโลย ครงท 13, วนท 6-7 กรกฎาคม 2560. หนา 427-432. ณชา นภาพร จงกะสกจ. (2559). ระบบสนบสนนการ ตดสนใจในการวเคราะหความเสยงของการเกดโรคเรอรงกรณของโรคเบาหวานและความดนโลหตสง.

วารสารวชาการคณะเทคโนโลยอตสาหกรรม มหาวทยาลยราชภฏลำปาง 9(2): 11-19. นงเยาว ในอรณ และ พรรณ สทธเดช. (2555). การจำแนกผปวยโรคหวใจขาดเลอดและโรคหวใจรปแบบอนโดยใชเทคนคเหมองขอมล. การประชมวชาการ

ระดบชาต “วทยาศาสตรวจย” ครงท 4. CO69-CO74. นเวศ จระวชตชย. (2553). การคนหาเทคนคเหมองขอมลเพอสรางโมเดลการวเคราะหโรคอตโนมต. มหาวทยาลยราชภฏสวนสนนทา. กรงเทพฯ. นเวศ จระวชตชย ปรญญา สงวนสตย และพยง มสจ. (2555). การพฒนาประสทธภาพ การจดหมวดหมเอกสารภาษาไทยแบบอตโนมต. วารสารพฒนบรหาร

ศาสตร 51(3): 187-205. นเวศ จระวชตชย. (2557). แบบจำลองการจำแนกเอกสาร ภาษาไทยอตโนมต. วารสารวชาการเทคโนโลย อตสาหกรรม 9(1): 141-149. วรารตน สงฆแปน. (2558). เอกสารการประกอบการสอนวชาเหมองขอมล (Data Mining). มหาวทยาลยขอนแกน. แหลงขอมล : https://home.

kku.ac.th/wichuda/A346.html. คนเมอ วนท 24 ธนวาคม 2561. วสนต สายทอง ณรงค เจรญ และไพบลย ไวกย. (2561). เอกสารการอบรม “ขอมล 43 แฟมกบความเชอมโยงระบบรายงานมาตรฐานใน Health Data

Center (HDC)” โดยท ม งาน HDC ศ น ย เท ค โน โลย ส ารสน เทศ กระท รวงสาธารณ สข . แห ล งข อม ล : http://hdc.moph.go.th/ download/document/training/visualization2018/wasan/43_Data_Analytic.pdf. คนเมอ วนท 20 ธนวาคม 2561.

ศศมา มณฑาสวรรณ. (2559). การพฒนาระบบคนหา รหส ICD-10 สำหรบงานเวชระเบยน.Veridian E-journal Science and Technology Silpakorn University 2(1): 74-88.

สจตรา อดลยเกษม พชรพร สนทรรตน พลอยไพลน ใจมา และอรวรรณ เชาวลต. (2559). การออกแบบตนแบบสวนตดตอกบผใชแบบกราฟกส สำหรบการบนทกเวช ระเบยนอเลกทรอนกส. Veridian E-journal Science and Technology Silpakorn University 3(2): 1-17.

อทธพล สาระชาต. (2554). ระบบเวชระเบยนอเลกทรอนกสระดบจงหวด. วทยานพนธวทยาศาตรมหาบณฑต สาขาเทคโนโลยสารสนเทศ มหาวทยาลยมหาสารคาม.

Bureau of Policy and Strategy, Ministry of Public Health. (2009) International Statistical Classification of Disease and Related Health Problems, 10th Revision,Thai Modification (ICD-10-TM). Nonthaburi.

Ian, W.H. and Frank, E. (2011). Data Mining: Practical Machine Learning Tools and Techniques. 3rd Edition. Morgan Kaufmann Publishers.

งานวจย วารสารวทยาศาสตร มข. ปท 48 เลมท 1 155 Laroseand, D.T. and Larose, C.D. (2014). Discovering knowledge in data: an introduction to data mining. John Wiley & Sons. Poncelet, P. and Teisseire, M. (2008). Data mining patterns: new methods and applications, Information Science Reference. Roiger, R.J. (2017). Data mining: a tutorial-based primer. CRC Press. The World Health Organization. (1992). International Statistical Classification of Diseases and Related Health Problems, 10th Revision,

Geneva. Venkatalakshmi, B. and Shivsankar, M.V. (2014). Heart Disease Diagnosis Using Predicate Data Mining. In: International Conference on

Innovations in Engineering and Technology (ICIET’14). 1873-1877.