បញ្ហា (The Problem)៖ ការធ្វើរោគវិនិច្ឆ័យជំងឺផាកឃីនសាន់ (Parkinson's Disease - PD) បច្ចុប្បន្នពឹងផ្អែកលើការសង្កេតរោគសញ្ញាចលនាដោយផ្ទាល់ភ្នែកពីសំណាក់គ្រូពេទ្យ ដែលច្រើនតែមានភាពមិនច្បាស់លាស់ ងាយធ្វើរោគវិនិច្ឆ័យខុស និងជាទូទៅរកឃើញនៅពេលដែលជំងឺឈានដល់ដំណាក់កាលធ្ងន់ធ្ងរទៅហើយ។ ការស្រាវជ្រាវនេះស្វែងរកវិធីសាស្ត្រថ្មីដែលវាយតម្លៃប្រកបដោយសត្យានុម័ត (Objective) និងអាចរកឃើញជំងឺនេះតាំងពីដំណាក់កាលដំបូងតាមរយៈការវាយអក្សរ។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានតាមដាន និងប្រមូលទិន្នន័យនៃការវាយអក្សរលើក្តារចុចកុំព្យូទ័ររបស់អ្នកចូលរួម ដោយប្រើប្រាស់កម្មវិធីកុំព្យូទ័រដើម្បីទាញយកលក្ខណៈពិសេសនៃការចុច និងប្រើប្រាស់ម៉ូដែលម៉ាស៊ីនរៀន (Machine Learning) ដើម្បីធ្វើចំណាត់ថ្នាក់ស្ថានភាពជំងឺ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Machine Learning Analysis of Keystroke Dynamics ការវិភាគម៉ាស៊ីនរៀនលើសក្ដានុពលនៃការវាយអក្សរ (សំណើស្រាវជ្រាវ) |
មិនត្រូវការឧបករណ៍ពេទ្យពិសេស អាចធ្វើតេស្តនៅផ្ទះបាន និងផ្តល់លទ្ធផលសត្យានុម័តតាំងពីដំណាក់កាលដំបូង ដោយរកឃើញលឿនជាងមុនដល់ទៅ ៥ ឆ្នាំ។ | តម្រូវឱ្យអ្នកជំងឺវាយអក្សរយ៉ាងហោចណាស់ ២០០០ តួអក្សរដើម្បីមានទិន្នន័យគ្រប់គ្រាន់ និងអាស្រ័យលើទម្លាប់នៃការប្រើប្រាស់កុំព្យូទ័រជាប្រចាំ។ | ភាពរសើប (Sensitivity) ៨៦% និងភាពជាក់លាក់ (Specificity) ៩៨% ជាមួយនឹងអត្រា AUC ០.៩៦។ |
| Non-specialist Clinicians (GP) Diagnosis ការធ្វើរោគវិនិច្ឆ័យដោយគ្រូពេទ្យទូទៅកម្រិតមូលដ្ឋាន |
ជានីតិវិធីស្តង់ដារដែលមានស្រាប់នៅតាមមណ្ឌលសុខភាព ឬមន្ទីរពេទ្យនានា ដោយសង្កេតលើរោគសញ្ញាជាក់ស្តែង។ | ពឹងផ្អែកលើការសង្កេតដោយផ្ទាល់ភ្នែករបស់អ្នកពិនិត្យ ងាយនឹងធ្វើរោគវិនិច្ឆ័យខុស និងពិបាករកឃើញជំងឺនៅដំណាក់កាលដំបូង។ | ភាពរសើបត្រឹមតែ ៧៤% និងភាពជាក់លាក់ត្រឹមតែ ៧៩%។ |
| Specialists (Neurologists) Diagnosis ការធ្វើរោគវិនិច្ឆ័យដោយគ្រូពេទ្យឯកទេសប្រព័ន្ធសរសៃប្រសាទ |
មានភាពសុក្រឹតខ្ពស់ក្នុងការរកឃើញសញ្ញាជំងឺ (Sensitivity) ដោយសារអ្នកជំនាញមានបទពិសោធន៍យូរឆ្នាំ។ | មានអត្រានៃការធ្វើរោគវិនិច្ឆ័យខុសថាមានជំងឺ (False Positives) ច្រើន ដោយមានភាពជាក់លាក់ទាប (Low Specificity)។ | ភាពរសើប ៩៣% ប៉ុន្តែភាពជាក់លាក់ទាបត្រឹមតែ ៦៥%។ |
| Finger-attached sensors (e.g., Kinesia) ការប្រើប្រាស់ឧបករណ៍សេនស័របំពាក់លើម្រាមដៃ |
មានភាពសុក្រឹតខ្ពស់ខ្លាំងក្នុងការចាប់យកសញ្ញាញ័រ ឬចលនា និងផ្តល់ទិន្នន័យចលនាលម្អិតបានល្អបំផុត។ | ត្រូវការឧបករណ៍ថ្លៃ ចំណាយខ្ពស់ តម្រូវឱ្យមានការជួបផ្ទាល់ជាមួយអ្នកជំងឺ និងត្រូវមានការត្រួតពិនិត្យពីគ្រូពេទ្យជំនាញ។ | ភាពរសើប ៩៣% និងភាពជាក់លាក់ ៩២%។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការស្រាវជ្រាវនេះប្រើប្រាស់ធនធានតិចតួចបំផុត ដោយមិនតម្រូវឱ្យមានឧបករណ៍វេជ្ជសាស្ត្រថ្លៃៗនោះទេ ប៉ុន្តែវាទាមទារកុំព្យូទ័រធម្មតា និងការរៀបចំហេដ្ឋារចនាសម្ព័ន្ធទិន្នន័យសម្រាប់ប្រមូលនិងវិភាគ។
ការសិក្សានេះត្រូវបានធ្វើឡើងទៅលើអ្នកចូលរួមចំនួន ៤៦៤ នាក់ មកពីសហរដ្ឋអាមេរិក កាណាដា អូស្ត្រាលី និងអង់គ្លេស ដោយផ្តោតតែលើការវាយអក្សរជាភាសាអង់គ្លេស។ នេះជាចំណុចប្រុងប្រយ័ត្នខ្ពស់សម្រាប់ប្រទេសកម្ពុជា ពីព្រោះក្តារចុចភាសាខ្មែរ (Khmer Unicode) មានភាពស្មុគស្មាញជាង (ការប្រើជើងអក្សរ ស្រៈលើក្រោម និងគ្រាប់ចុច Shift ញឹកញាប់) ដែលអាចធ្វើឱ្យសក្ដានុពលនៃចង្វាក់ម្រាមដៃ (Hold times និង Latency) មានលក្ខណៈខុសប្លែកពីភាសាអង់គ្លេសទាំងស្រុង។
ទោះបីជាមានភាពខុសគ្នានៃភាសានិងរបៀបវាយអក្សរក៏ដោយ គោលគំនិតនៃវិធីសាស្ត្រនេះមានសក្ដានុពលខ្ពស់ណាស់ក្នុងការជួយសម្រួលវិស័យសុខាភិបាលនៅកម្ពុជា។
សរុបមក វាគឺជាដំណោះស្រាយបែបឌីជីថលមួយដែលមានតម្លៃថោក និងអាចជួយសង្គ្រោះជីវិតអ្នកជំងឺផាកឃីនសាន់នៅកម្ពុជាបានច្រើនតាមរយៈការរកឃើញជំងឺតាំងពីដំណាក់កាលដំបូង បើទោះបីជាវាទាមទារការសិក្សាបន្ថែមលើចង្វាក់នៃការវាយអក្សរខ្មែរក៏ដោយ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Keystroke dynamics | គឺជាការសិក្សានិងវិភាគពីចង្វាក់ ល្បឿន និងរបៀបដែលបុគ្គលម្នាក់ៗវាយអក្សរនៅលើក្តារចុចកុំព្យូទ័រ ដើម្បីទាញយកលក្ខណៈសម្គាល់ពិសេសរបស់ពួកគេ។ | ដូចជាទម្លាប់នៃការដើររបស់មនុស្សម្នាក់ៗដែរ ការវាយអក្សរក៏មានចង្វាក់ និងទម្ងន់ដៃខុសៗគ្នាដែលអាចសម្គាល់ថាជាអ្នកណាបាន។ |
| Bradykinesia | ជារោគសញ្ញាចម្បងមួយនៃជំងឺផាកឃីនសាន់ ដែលធ្វើឱ្យចលនារបស់រាងកាយមានភាពយឺតយ៉ាវ ខ្វះភាពរលូន និងពិបាកក្នុងការផ្តើមធ្វើចលនាអ្វីមួយ។ | ដូចជាការបើកបរឡានដែលម៉ាស៊ីនដើរយឺត ខកខានមិនព្រមទៅមុខលឿនតាមការជាន់ហ្គែរ។ |
| Rest tremor | អាការៈញ័រនៃអវយវៈ (ដូចជាដៃ) ដែលកើតឡើងនៅពេលដែលសាច់ដុំសម្រាក មិនមានធ្វើចលនា ឬមិនបានទ្រទ្រង់ទម្ងន់អ្វីមួយ ហើយវាច្រើនតែជារោគសញ្ញានៃជំងឺផាកឃីនសាន់។ | ដូចជាទូរស័ព្ទដែលញ័រនៅពេលដាក់ស្ងៀមលើតុ ប៉ុន្តែបាត់ញ័រនៅពេលយើងចាប់កាន់វាឡើង។ |
| Ensemble classifier | ជាវិធីសាស្ត្រក្នុងម៉ាស៊ីនរៀនដែលច្របាច់បញ្ចូលម៉ូដែលវិភាគតូចៗជាច្រើនចូលគ្នា ដើម្បីធ្វើការទស្សន៍ទាយឬសម្រេចចិត្តរួមគ្នា ដែលផ្តល់លទ្ធផលត្រឹមត្រូវជាងការប្រើម៉ូដែលតែមួយ។ | ដូចជាការសួរសំណួរដដែលទៅកាន់គ្រូពេទ្យជំនាញ៥នាក់ ដើម្បីយកចម្លើយដែលភាគច្រើនយល់ស្របគ្នា ជាជាងជឿលើគ្រូពេទ្យតែម្នាក់។ |
| Bayesian Networks | ជាប្រព័ន្ធម៉ូដែលគណិតវិទ្យានិងស្ថិតិ ដែលតំណាងឱ្យទំនាក់ទំនងនៃប្រូបាប៊ីលីតេរវាងរោគសញ្ញាផ្សេងៗ ដើម្បីទស្សន៍ទាយពីឱកាសនៃការកើតជំងឺណាមួយដោយផ្អែកលើភស្តុតាងដែលមានស្រាប់។ | ដូចជាអ្នកស៊ើបអង្កេតដែលប្រើប្រាស់តម្រុយជាច្រើនផ្សំចូលគ្នា ដើម្បីទាញសេចក្តីសន្និដ្ឋានថាតើជនសង្ស័យពិតជាបានប្រព្រឹត្តបទល្មើសមែនឬអត់។ |
| Hold time | គឺជារយៈពេលដែលគិតចាប់ពីពេលដែលម្រាមដៃសង្កត់លើគ្រាប់ចុចកុំព្យូទ័ររហូតដល់ពេលដែលម្រាមដៃដកចេញពីគ្រាប់ចុចនោះវិញ។ | ដូចជារយៈពេលដែលអ្នកចុចកណ្តឹងទ្វារផ្ទះឱ្យរោទ៍ មុនពេលអ្នកដកដៃចេញ។ |
| False positives | ជាលទ្ធផលនៃការធ្វើតេស្តដែលបង្ហាញថាអ្នកជំងឺមានរោគសញ្ញា ទាំងដែលតាមការពិតបុគ្គលនោះមិនមានជំងឺនេះទាល់តែសោះ (ការធ្វើរោគវិនិច្ឆ័យខុសថាមានរោគ)។ | ដូចជាសំឡេងរោទ៍ប្រកាសអាសន្នភ្លើងឆេះ ដែលរោទ៍ឡើងដោយសារផ្សែងធូបបន្តិចបន្តួច ទាំងដែលគ្មានភ្លើងឆេះពិតប្រាកដ។ |
| Area under the curve (AUC) | ជារង្វាស់ស្ថិតិដែលប្រើដើម្បីវាយតម្លៃពីប្រសិទ្ធភាពនៃម៉ូដែលចំណាត់ថ្នាក់ ថាតើវាមានភាពសុក្រឹតកម្រិតណាក្នុងការបែងចែកយ៉ាងត្រឹមត្រូវរវាងក្រុមអ្នកមានជំងឺ និងអ្នកគ្មានជំងឺ។ | ដូចជាពិន្ទុប្រឡងសរុបរបស់សិស្សម្នាក់ ដែលបញ្ជាក់ថាសិស្សនោះរៀនពូកែប៉ុណ្ណាក្នុងការញែកខុសនិងត្រូវ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
