การใช้ข้อมูลประชากรและประวัติการเคลมประกันเพื่อพัฒนา Machine Learning สำหรับการประเมินความเสี่ยงโรคหัวใจและหลอดเลือด

โรคหัวใจและหลอดเลือดเป็นโรคที่รักษาได้ยากและอาจก่อให้เกิดภาวะแทรกซ้อนร้ายแรงหรือเสียชีวิต บริษัทประกันภัยมักประสบปัญหาในการคาดการณ์ความเสี่ยงของโรคหัวใจและหลอดเลือดในอนาคต ซึ่งทำให้การต่ออายุประกันสุขภาพและการดูแลเชิงป้องกันสำหรับผู้ที่มีความเสี่ยงเป็นไปได้ยาก ดังนั้น การระบุผู้ที่มีความเสี่ยงตั้งแต่เนิ่น ๆ จึงเป็นสิ่งสำคัญต่อการจัดการด้านประกันสุขภาพอย่างมีประสิทธิภาพ งานวิจัยนี้ประยุกต์ใช้โมเดลการเรียนรู้ของเครื่องแบบต้นไม้ (Tree-based Machine Learning Models) เพื่อทำนายความเสี่ยงของโรคหัวใจและหลอดเลือดในอนาคต โดยใช้ข้อมูลประชากร ประวัติการเคลมประกัน คุณภาพอากาศ และข้อมูลสรุปอาการเจ็บป่วย โมเดลที่ใช้ประกอบด้วย 4 แบบ ได้แก่ Decision Tree, Random Forest, Extreme Gradient Boosting (XGBoost) และ Light Gradient Boosting Machine (LightGBM) การทดสอบประสิทธิภาพของโมเดลได้เปรียบเทียบระหว่างการใช้เพียงอายุและเพศกับการใช้คุณลักษณะทั้งหมด ผลการทดลองพบว่า XGBoost ให้ผลลัพธ์ดีที่สุด โดยมีค่าความไว (Sensitivity) อยู่ระหว่าง 0.7 ถึง 0.758 และค่าความจำเพาะ (Specificity) อยู่ระหว่าง 0.496 ถึง 0.772.