បញ្ហា (The Problem)៖ ការគ្រប់គ្រងជំងឺទឹកនោមផ្អែមប្រភេទទី១ (T1D) គឺជាបញ្ហាប្រឈមដ៏ស្មុគស្មាញដោយសារកត្តាប្រែប្រួលដូចជារបបអាហារ និងលំហាត់ប្រាណ ដែលវិធីសាស្ត្រកែតម្រូវអាំងស៊ុយលីនបែបប្រតិកម្មតប (Reactive adjustments) ជាទូទៅមិនមានប្រសិទ្ធភាពគ្រប់គ្រាន់នោះទេ។
វិធីសាស្ត្រ (The Methodology)៖ គម្រោងនេះប្រើប្រាស់វិធីសាស្ត្ររៀនពង្រឹងក្រៅបណ្តាញ (Offline RL) តាមរយៈទម្រង់ Decision Transformer ដើម្បីរៀនពីគោលការណ៍ផ្តល់កម្រិតអាំងស៊ុយលីនផ្ទាល់ខ្លួន ដោយផ្អែកលើទិន្នន័យប្រវត្តិសេនស័រចម្រុះ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Decision Transformer (Small Batch, High Learning Rate) ម៉ូដែល Decision Transformer (ទំហំបាច់តូច អត្រារៀនសូត្រខ្ពស់) |
មានកំហុសបង្វឹក (Training loss) ទាប ហើយអាចចម្លងសកម្មភាពពីប្រវត្តិទិន្នន័យដើមបានយ៉ាងល្អឥតខ្ចោះ។ | មិនអាចបង្កើតគោលការណ៍កែតម្រូវថ្មី ឬប្រសើរជាងមុនបានទេ ដោយគ្រាន់តែធ្វើត្រាប់តាមសកម្មភាពខុសឆ្គងពីអតីតកាលរបស់មនុស្ស (Behavioral cloning)។ | ចម្លងទិន្នន័យដើម ១០០% ដោយមិនមានសកម្មភាពបុរេសកម្ម (Proactive actions) ក្នុងការកែតម្រូវជាតិស្ករឡើយ។ |
| Decision Transformer (Large Batch, Low Learning Rate) ម៉ូដែល Decision Transformer (ទំហំបាច់ធំ អត្រារៀនសូត្រទាប) |
អាចរៀនបាននូវគោលការណ៍បុរេសកម្ម (Proactive policy) ដោយចេះណែនាំការចាក់អាំងស៊ុយលីនកែតម្រូវបានទាន់ពេលវេលាមុនពេលជាតិស្ករឡើងខ្ពស់។ | ទាមទារការកែតម្រូវប៉ារ៉ាម៉ែត្រ (Hyperparameter tuning) យ៉ាងប្រុងប្រយ័ត្នដើម្បីសម្រេចបានលទ្ធផលនេះ។ | ម៉ូដែលបានណែនាំការចាក់អាំងស៊ុយលីនកែតម្រូវនៅពេលជាតិស្ករកំពុងកើនឡើង ខណៈដែលទិន្នន័យប្រវត្តិដើមមិនមានសកម្មភាពនេះទេ។ |
| Decision Transformer (Unweighted Loss) ម៉ូដែល Decision Transformer (មិនមានការថ្លឹងទម្ងន់ទិន្នន័យ) |
ងាយស្រួលក្នុងការអនុវត្តកូដដោយមិនបាច់គណនាទម្ងន់នៃទិន្នន័យនីមួយៗ។ | ដោយសារទិន្នន័យភាគច្រើនគឺ 'មិនមានសកម្មភាព' ម៉ូដែលរៀនទស្សន៍ទាយតែលទ្ធផល 'មិនចាក់អាំងស៊ុយលីន' ជានិច្ច ដែលមិនមានប្រយោជន៍ក្នុងការកែតម្រូវជាតិស្ករ។ | ម៉ូដែលបរាជ័យទាំងស្រុងដោយទស្សន៍ទាយតែសកម្មភាព 0 insulin (គ្មានអាំងស៊ុយលីន) គ្រប់ពេលទាំងអស់។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារមិនបានបញ្ជាក់លម្អិតអំពីតម្លៃធនធានកុំព្យូទ័រនោះទេ ប៉ុន្តែដោយសារវាប្រើប្រាស់ស្ថាបត្យកម្មរៀនស៊ីជម្រៅ វាតម្រូវឱ្យមានកម្លាំងគណនា និងទិន្នន័យចម្រុះជាចាំបាច់។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យពីមនុស្សតែម្នាក់គត់ (Single-subject dataset) ដែលជាទិន្នន័យរបស់អ្នកស្រាវជ្រាវផ្ទាល់។ នេះធ្វើឱ្យម៉ូដែលមានភាពផ្ទាល់ខ្លួនខ្ពស់ (Highly personalized) ប៉ុន្តែមិនអាចទាញជាទូទៅ (Not generalizable) សម្រាប់អ្នកជំងឺផ្សេងទៀតដែលមានអាយុ របបអាហារ ឬសកម្មភាពរាងកាយខុសគ្នាឡើយ។ សម្រាប់ប្រទេសកម្ពុជា ការខ្វះខាតទិន្នន័យប្រវត្តិវេជ្ជសាស្ត្រចម្រុះបែបនេះ គឺជាឧបសគ្គដ៏ធំក្នុងការកសាងម៉ូដែលឆ្លាតវៃ។
ទោះបីជាឧបករណ៍សេនស័រវាស់ជាតិស្ករបន្តបន្ទាប់ (CGM) និងស្នប់អាំងស៊ុយលីនស្វ័យប្រវត្តិមានតម្លៃថ្លៃ និងមិនទាន់ទូលំទូលាយនៅកម្ពុជាក៏ដោយ វិធីសាស្ត្រសិក្សានេះអាចជាគំរូដ៏ល្អសម្រាប់ការអភិវឌ្ឍប្រព័ន្ធថែទាំសុខភាពឆ្លាតវៃ។
សរុបមក ការអនុវត្តផ្ទាល់នៅកម្ពុជាអាចមានការលំបាកភ្លាមៗដោយសារកង្វះឧបករណ៍វេជ្ជសាស្ត្រទំនើប ប៉ុន្តែគំនិតនៃការវិភាគទិន្នន័យសុខភាពច្រើនប្រភព (Multi-modal) ដើម្បីផ្តល់ការណែនាំជាមុន (Proactive recommendations) គឺជាទិសដៅស្រាវជ្រាវដ៏មានសក្តានុពល។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Offline Reinforcement Learning | គឺជាសាខាមួយនៃការរៀនម៉ាស៊ីន (Machine Learning) ដែលម៉ូដែលរៀនពីរបៀបធ្វើសេចក្តីសម្រេចចិត្តដោយពឹងផ្អែកទាំងស្រុងលើទិន្នន័យប្រវត្តិសាស្ត្រចាស់ៗ (Historical data) ដោយមិនមានការសាកល្បងដោយផ្ទាល់ក្នុងមជ្ឈដ្ឋានពិត (No real-time trial-and-error) ដើម្បីធានាសុវត្ថិភាពដល់អ្នកជំងឺ។ | ដូចជាការរៀនបើកបរដោយគ្រាន់តែមើលវីដេអូកាមេរ៉ាសុវត្ថិភាពរបស់អ្នកបើកបរផ្សេងទៀត ដោយមិនដែលបានកាន់ចង្កូតឡានដោយផ្ទាល់។ |
| Decision Transformer | ជាស្ថាបត្យកម្មបញ្ញាសិប្បនិម្មិត (AI Architecture) ដែលបំប្លែងបញ្ហានៃការរៀនពង្រឹង (RL) ទៅជាការទស្សន៍ទាយលំដាប់លំដោយនៃទិន្នន័យ (Sequence modeling) ប្រៀបដូចជាការព្យាករណ៍ពាក្យបន្ទាប់នៅក្នុងភាសាដែរ ប៉ុន្តែទីនេះវាទស្សន៍ទាយសកម្មភាពបន្ទាប់ (ឧ. ការចាក់ថ្នាំ) ដើម្បីសម្រេចគោលដៅ។ | ដូចជាសិស្សម្នាក់ដែលអានប្រយោគមិនទាន់ចប់ ហើយអាចទាយដឹងថាពាក្យបន្ទាប់គួរជាអ្វីដើម្បីឱ្យប្រយោគនោះមានន័យពេញលេញ។ |
| Behavioral Cloning | គឺជាបាតុភូតមួយដែលម៉ូដែលរៀនត្រឹមតែចម្លងសកម្មភាពពីទិន្នន័យមនុស្សទាំងស្រុង (ទាំងខុសទាំងត្រូវ) ដោយមិនចេះវិភាគរកកំហុស ឬបង្កើតយុទ្ធសាស្ត្រថ្មីដែលប្រសើរជាងទិន្នន័យដើមនោះទេ។ | ដូចជាសិស្សដែលលួចចម្លងចម្លើយប្រឡងពីមិត្តភក្តិទាំងស្រុង សូម្បីតែកន្លែងខុសក៏ចម្លងតាមដែរ ដោយមិនបានគិតរកចម្លើយដែលត្រឹមត្រូវដោយខ្លួនឯង។ |
| Return-to-go (RTG) | គឺជាផលបូកនៃរង្វាន់ (Rewards) សរុបនាពេលអនាគតដែលម៉ូដែលរំពឹងថានឹងទទួលបាន ចាប់ពីចំណុចពេលវេលាបច្ចុប្បន្នរហូតដល់ចប់វគ្គ។ វាជួយប្រាប់ម៉ូដែលថាតើការសម្រេចចិត្តបច្ចុប្បន្ននឹងផ្តល់ផលចំណេញរយៈពេលវែងកម្រិតណា។ | ដូចជាការគិតគូរពីប្រាក់ចំណេញសរុបដែលអ្នកនឹងទទួលបានពីការវិនិយោគថ្ងៃនេះ រហូតដល់ថ្ងៃចូលនិវត្តន៍។ |
| Open-loop evaluation | ជាវិធីសាស្ត្រវាយតម្លៃម៉ូដែលដោយប្រើទិន្នន័យប្រវត្តិថេរ ទីដែលការសម្រេចចិត្តរបស់ម៉ូដែលមិនមានឥទ្ធិពលផ្លាស់ប្តូរស្ថានភាពទិន្នន័យនៅជំហានបន្ទាប់ឡើយ ព្រោះទិន្នន័យនោះបានកើតឡើងនិងថតទុករួចទៅហើយ។ | ដូចជាការស្រែកប្រាប់កីឡាករក្នុងទូរទស្សន៍ឱ្យទាត់បាល់ ទោះបីជាអ្នកប្រាប់ត្រូវឬខុស ក៏វាមិនអាចផ្លាស់ប្តូរលទ្ធផលនៃការប្រកួតដែលបានថតទុកនោះដែរ។ |
| Closed-loop evaluation | ជាការសាកល្បងម៉ូដែលក្នុងបរិស្ថានដែលអាចមានអន្តរកម្ម (ដូចជាកម្មវិធីក្លែងធ្វើ - Simulator) ដែលរាល់សកម្មភាពរបស់ម៉ូដែលនឹងជះឥទ្ធិពលផ្ទាល់ទៅលើស្ថានភាពអ្នកជំងឺនៅជំហានបន្ទាប់ ធ្វើឱ្យយើងដឹងពីលទ្ធផលជាក់ស្តែងពិតប្រាកដ។ | ដូចជាការលេងវីដេអូហ្គេមផ្ទាល់ ដែលរាល់ពេលអ្នកចុចបញ្ជា តួអង្គក្នុងហ្គេមនឹងរើបម្រះ ហើយសាច់រឿងនឹងប្រែប្រួលតាមសកម្មភាពរបស់អ្នក។ |
| Insulin on Board (IOB) | គឺជាបរិមាណនៃអាំងស៊ុយលីនសកម្មដែលនៅសេសសល់ និងកំពុងធ្វើការក្នុងរាងកាយ បន្ទាប់ពីការចាក់លើកមុនៗ។ គណិតគូរពី IOB ជួយការពារកុំឱ្យមានការចាក់អាំងស៊ុយលីនផ្ទួនៗគ្នាដែលធ្វើឱ្យជាតិស្ករធ្លាក់ចុះខ្លាំងពេក។ | ដូចជាការគិតគូរពីបរិមាណទឹកដែលនៅដក់ក្នុងដីបន្ទាប់ពីស្រោចរួច មុននឹងសម្រេចចិត្តថាតើគួរស្រោចទឹកបន្ថែមទៀតឬអត់ ដើម្បីកុំឱ្យរុក្ខជាតិរលួយឫស។ |
| Time-in-Range | ជារង្វាស់ភាគរយនៃពេលវេលាដែលកម្រិតជាតិស្ករក្នុងឈាមរបស់អ្នកជំងឺស្ថិតនៅក្នុងចន្លោះគោលដៅដែលមានសុវត្ថិភាព (ឧ. ៧០-១៨០ mg/dL)។ ក្នុងការសិក្សានេះ ម៉ូដែលទទួលបានវាជារង្វាន់ (Reward) ពេលធ្វើបានល្អ។ | ដូចជាការវាស់វែងថាតើអ្នកបើកបរអាចរក្សាល្បឿនរថយន្តរបស់ខ្លួនក្នុងចន្លោះ ៦០ ទៅ ៨០ គីឡូម៉ែត្រក្នុងមួយម៉ោង បានរយៈពេលប៉ុន្មានភាគរយនៃការធ្វើដំណើរទាំងមូលដោយមិនបើកលឿនពេក ឬយឺតពេក។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
