NobleBlocks

Research indexThesis

การจบคเชอมโยงขอมลรหสยาไทยและสากลโดยอตโนมต

สมบัติเจริญ

1 Jan 2025

DOI10.58837/chula.is.2025.374

Paywalled

The full text is at the publisher

You can read the abstract here, or open it at the publisher.

Read at the publisher

Abstract

งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาและประเมินระบบจับคู่รหัสยาไทยตามมาตรฐาน Thai Medicines Terminology (TMT) เข้ากับมาตรฐานสากล RxNorm/RxNorm Extension โดยอัตโนมัติ เพื่อสนับสนุนการแปลงข้อมูลยาเข้าสู่โครงสร้างมาตรฐานสำหรับการวิจัยและการแลกเปลี่ยนข้อมูลสุขภาพ งานวิจัยใช้แนวทางผสมผสานระหว่างแบบจำลองภาษาเชิงชีวการแพทย์ SapBERT และ Graph Neural Network (GNN) ในรูปแบบ Late Fusion โดยสร้าง knowledge graph จากลำดับชั้นของ TMT, ความสัมพันธ์ของ RxNorm/RxNorm Extension และ anchor edges ที่ได้จากความคล้ายคลึงเชิงความหมายของชื่อยา การฝึกโมเดลใช้ positive pairs จาก graph edges จำนวนประมาณ 691,623 คู่ ร่วมกับ random negative sampling และ sibling penalty จาก precomputed sibling map โดยไม่นำ verified TMT-RxNorm mappings มาใช้เป็นคู่เฉลยในการฝึกโมเดลโดยตรงการประเมินผลใช้ verified mappings จำนวน 2,749 คู่เป็น external ground truth และกัน held-out test set จำนวน 277 คู่สำหรับคำนวณ Hits@K และ MRR@100 ผลการทดลองพบว่า SapBERT-only และ Late Fusion ให้ประสิทธิภาพสูงในกลุ่มยาเดี่ยว โดยมี Hits@1 เท่ากับ 85.8% และ MRR@100 เท่ากับ 0.886 ขณะที่กลุ่มยาผสมมี Hits@1 เท่ากับ 41.8% สะท้อนความท้าทายจากลำดับชื่อยาและความซับซ้อนของส่วนประกอบ เมื่อวิเคราะห์เฉพาะรายการที่ไม่มีความคลุมเครือเชิงคลินิก ความแม่นยำของกลุ่มยาเดี่ยวสูงถึง 97.3%นอกจากนี้ ระบบถูกนำไปทดสอบกับรายการยาจากโรงพยาบาลจุฬาลงกรณ์ สภากาชาดไทย จำนวน 8,365 รายการ และจัดระดับความเชื่อมั่นเป็น HIGH, MED และ LOW เพื่อช่วยจัดลำดับการตรวจสอบโดยเภสัชกร ผลการสุ่มตรวจกลุ่ม HIGH confidence จำนวน 35 รายการโดยเภสัชกรพบว่า precision ในระดับสารสำคัญและความแรงยาเท่ากับ 97.1% ผลการศึกษาชี้ให้เห็นว่า semantic signal จากชื่อยามีบทบาทสำคัญต่อการจับคู่รหัสยา ขณะที่ข้อมูลโครงสร้างจากกราฟช่วยเสริมบริบทและรองรับการวิเคราะห์ในกรณีที่ชื่อยามีความกำกวมหรือข้อมูลไม่สมบูรณ์

Discussion

More

Suggest a correction or report