Please use this identifier to cite or link to this item: http://ithesis-ir.su.ac.th/dspace/handle/123456789/4902
Full metadata record
DC FieldValueLanguage
dc.contributorSutthipun SURIYAen
dc.contributorสุทธิพันธ์ สุริยะth
dc.contributor.advisorLAWAN SRATTHAPHUTen
dc.contributor.advisorลาวัลย์ ศรัทธาพุทธth
dc.contributor.otherSilpakorn Universityen
dc.date.accessioned2024-02-29T04:02:42Z-
dc.date.available2024-02-29T04:02:42Z-
dc.date.created2020
dc.date.issued10/7/2020
dc.identifier.urihttp://ithesis-ir.su.ac.th/dspace/handle/123456789/4902-
dc.description.abstractThe purpose of this study were 1) to create an effective prediction model for classification of suicidal behavior in substance abusers based on socio-demographic data and clinical data and 2) identify risk and protective factors for suicidal behaviors. A cross-sectional study was conducted on 824 participants , who were in treatment for substance use disorders at the Princess Mother National Institute on Drug Abuse Treatment in Pathum thani, Thailand. A total of 824 participants recruited were consisting of 276 suicidal behavior patients (33.50 %) and 548 non-suicidal behavior patients (66.50%).             The results of the model development using the artificial neural network technique was found that the artificial neural network model with hidden layer 80, learning rate 0.3, momentum 0.9 and training time 500 demonstrated an accuracy of 74.4, sensitivity of 74.4, specificity of 72.5 and an area under the curve (AUC) of 0.655 was appropriate for screening suicide behavior in substance abusers because it had the highest accuracy (74.4) and sensitivity (74.4). On the other hand, the artificial neural network model with hidden layer 50, learning rate 0.3, momentum 0.3 and training time 400 presented the greatest specificity (100.0). Therefore, it indicated that this model was suitable for confirming suicide behavior in substance abusers. Factors that increase the likelihood of suicidal behavior include alcohol addiction, moderate to high risk alcohol drinking, moderate to high nicotine dependence, high Fagerstrom test for nicotine score, mild to high depression disorders and high PHQ-9 score ,while the protective factors include good relationship between parents and low risk alcohol drinking.en
dc.description.abstractเพื่อสร้างแบบจำลองที่มีประสิทธิภาพในการทำนายเพื่อจำแนกประเภทผู้ป่วยที่มีพฤติกรรมการฆ่าตัวตายในผู้ป่วยที่ใช้สารเสพติดจากข้อมูลลักษณะประชากรและสังคมของผู้ป่วย และข้อมูลทางคลินิก และหาปัจจัยที่ส่งผลให้ผู้ป่วยที่ใช้สารเสพติดมีพฤติกรรมการฆ่าตัวตาย โดยศึกษากลุ่มตัวอย่างผู้ป่วยที่เข้ารับการบำบัดสารเสพติด ณ. สถาบันบำบัดรักษาและฟื้นฟูผู้ติดยาเสพติดแห่งชาติบรมราชชนนี จังหวัดปทุมธานี จำนวน 824 คน จำแนกเป็นผู้ป่วยที่มีพฤติกรรมการฆ่าตัวตาย 276 คน (ร้อยละ 33.50) และผู้ป่วยที่ไม่มีพฤติกรรมการฆ่าตัวตาย 548 คน (ร้อยละ 66.50) ผลการพัฒนาแบบจำลองด้วยเทคนิค Artificial neural network เพื่อจำแนกประเภทผู้ป่วยที่มีพฤติกรรมการฆ่าตัวตายในผู้ป่วยที่ใช้สารเสพติด พบว่าแบบจำลองที่มีค่าพารามิเตอร์ hidden layer 80, learning rate 0.3, momentum 0.9 และ training time 500 มีความถูกต้องร้อยละ 74.4  มีค่าความไวร้อยละ 74.4 มีค่าความจำเพาะร้อยละ 72.5  และมีค่าพื้นที่ใต้กราฟ ROC 0.655  เหมาะสำหรับคัดกรองผู้ป่วยที่มีพฤติกรรมการฆ่าตัวตายออกจากผู้ป่วยที่ไม่มีพฤติกรรมการฆ่าตัวตาย เนื่องจากให้ค่าความถูกต้อง และค่าความไวสูงที่สุด แต่แบบจำลอง Artificial neural network ที่มีค่าพารามิเตอร์ hidden layer 50, learning rate 0.3, momentum 0.3 และ training time 400 ให้ค่าความจำเพาะมากที่สุด  ดังนั้นแบบจำลองนี้จึงมีความเหมาะสมสำหรับยืนยันการทำนายผลพฤติกรรมการฆ่าตัวตาย ปัจจัยที่เพิ่มโอกาสในการเกิดพฤติกรรมการฆ่าตัวตาย ในผู้ป่วยติดสารเสพติด ได้แก่ การเสพติดสารกลุ่มแอลกอฮอล์ พฤติกรรมการดื่มแอลกอฮอล์ในระดับปานกลางถึงสูง เสพติดสารนิโคตินในระดับความรุนแรงปานกลางถึงสูง ผลคะแนน Fagerstrom test for nicotine สูง มีภาวะโรคซึมเศร้าตั้งแต่ระดับเล็กน้อยถึงรุนแรง และคะแนน PHQ-9 สูง ในขณะที่ปัจจัยที่ลดโอกาสในการเกิดพฤติกรรมการฆ่าตัวตาย ในผู้ป่วยติดสารเสพติด ได้แก่ ความสัมพันธ์ระหว่างบิดาและมารดาที่อยู่กันอย่างราบรื่น และพฤติกรรมการดื่มแอลกอฮอล์ความเสี่ยงต่ำth
dc.language.isoth
dc.publisherSilpakorn University
dc.rightsSilpakorn University
dc.subjectพฤติกรรมการฆ่าตัวตายth
dc.subjectการใช้สารเสพติดth
dc.subjectโครงข่ายประสาทเทียมth
dc.subjectSUICIDAL BEHAVIORen
dc.subjectSUBSTANCE ABUSEen
dc.subjectARTIFICIAL NEURAL NETWORKen
dc.subject.classificationChemical Engineeringen
dc.subject.classificationHuman health and social work activitiesen
dc.subject.classificationBasic / broad general programmesen
dc.titlePREDICTION OF SUICIDAL BEHAVIOR AMONG SUBSTANCE ABUSERS USING ARTIFICIAL NEURAL NETWORK : A CASE STUDY OF PRINCESS MOTHER NATIONAL INSTITUTE ON DRUG ABUSE TREATMENTen
dc.titleการทำนายพฤติกรรมการฆ่าตัวตายในผู้ป่วยใช้สารเสพติดด้วยโครงข่ายประสาทเทียม กรณีศึกษาสถาบันบำบัดรักษาและฟื้นฟูผู้ติดยาเสพติดแห่งชาติบรมราชชนนีth
dc.typeThesisen
dc.typeวิทยานิพนธ์th
dc.contributor.coadvisorLAWAN SRATTHAPHUTen
dc.contributor.coadvisorลาวัลย์ ศรัทธาพุทธth
dc.contributor.emailadvisorSRATTHAPHUT_S@su.ac.th
dc.contributor.emailcoadvisorSRATTHAPHUT_S@su.ac.th
dc.description.degreenameMaster of Pharmacy (M.Pharm)en
dc.description.degreenameเภสัชศาสตรมหาบัณฑิต (ภ.ม.)th
dc.description.degreelevelMaster's Degreeen
dc.description.degreelevelปริญญาโทth
dc.description.degreedisciplineen
dc.description.degreedisciplineth
Appears in Collections:Pharmacy

Files in This Item:
File Description SizeFormat 
60363308.pdf8.07 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.