Using decision trees classification to improve the efficiency of oncology drugs inventory control in National Cancer Institute of Thailand

Abstract

Due to lack of data linking to prescribing information and use the same drug reserve policy for all medications. Therefore, the reserves exceeded the demand. The purposes of this research were 1) to create a model for categorizing cancer drugs using decision tree classification. 2) to bring the model to simulate the situation retrospectively. In order to have enough medicines for service and to reduce the value of drug inventory. The sample of this research were National Cancer Institute daily use of cancer drugs from october 1, 2012 to september 30, 2019. Experimental design was evaluation research. The research instruments were data collection form from the Hospital Information System (HIS). Data analysis was performed with descriptive statistics and chi-square tests. using the program PSPP. Identifying drug use patterns using machine learning techniques using WEKA (Waikato Environment for Knowledge Analysis) version 3.8.6. Manage data and simulate situations using Microsoft Excel. The results of this research were as follow: 1. A decision tree classification method was chosen in WEKA program, algorithm J48, and parameters were adjusted. To simplify decision trees and increase the accuracy. The optimal decision tree is J48 [ binarySplits = TRUE, reducedErrorPruning = TRUE, minNumObj = 10, numFolds = 50 ] the tree size of 35 nodes yields 95.93 percent accuracy. 2. Use the decision trees obtained to create a conditional model to classify drug use patterns to simulate the situation retrospectively. It was found that the simulation had lower average inventory value and average days of stock compared to the actual situation without lack of medication. Service rate was 100 percent.

จากปัญหาการขาดการเชื่อมโยงข้อมูลและการใช้นโยบายในการสำรองยาเพียงนโยบายเดียวกับยาทุกรายการ ส่งผลให้เกิดการสำรองยามากเกินความจำเป็นขึ้น จึงเกิดแนวคิดที่จะนำอุปสงค์ที่แท้จริงจากความต้องการใช้ยาของผู้ป่วยมาทำการจำแนกรูปแบบการใช้ และกำหนดนโยบายในการสำรองยาใหม่ เพื่อปรับปรุงประสิทธิภาพในการบริหารเวชภัณฑ์ให้ดีขึ้น การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อ 1) สร้างตัวแบบในการจำแนกประเภทยารักษาโรคมะเร็งด้วยวิธีการจำแนกข้อมูลด้วยต้นไม้ตัดสินใจ 2) นำตัวแบบที่ได้ไปจำลองสถานการณ์ กำหนดนโยบายในการบริหารคลัง สำรองยาย้อนหลัง ให้มียาเพียงพอต่อการให้บริการและลดมูลค่าสำรองยาคงคลังลง กลุ่มตัวอย่างที่ใช้ในการวิจัยเป็นข้อมูลการใช้ยารักษาโรคมะเร็งในสถาบันมะเร็งแห่งชาติทุกวัน ตั้งแต่วันที่ 1 ตุลาคม 2555 ถึงวันที่ 30 กันยายน 2562 เป็นการวิจัยเชิงประเมินผล (evaluation research) เครื่องมือที่ใช้ในการวิจัย คือ แบบฟอร์มการเก็บข้อมูลการใช้ยารักษาโรคมะเร็งในสถาบันมะเร็งแห่งชาติรายวันจากระบบ Hospital Information System (HIS) ของโรงพยาบาล ทำการวิเคราะห์ข้อมูลด้วยสถิติพรรณนาและการทดสอบไคสแควร์ (chi-square test) โดยใช้โปรแกรม PSPP และนำชุดข้อมูลมาจำแนกรูปแบบการใช้ยาด้วยเทคนิคการเรียนรู้ของเครื่อง (machine learning) โดยใช้โปรแกรม WEKA (Waikato Environment for Knowledge Analysis) เวอร์ชั่น 3.8.6 จัดการข้อมูลและจำลองสถานการณ์โดยใช้โปรแกรม Microsoft Excel ผลการวิจัย พบว่า 1. เลือกใช้วิธีการจำแนกข้อมูลด้วยต้นไม้ตัดสินใจในโปรแกรม WEKA อัลกอริทึม J48 และมีการปรับพารามิเตอร์ เพื่อลดความซับซ้อนของต้นไม้ตัดสินใจ และเพิ่มค่าความถูกต้อง (accuracy) จนได้ต้นไม้ตัดสินใจที่เหมาะสมที่สุด คือ J48 [ binarySplits = TRUE, reducedErrorPruning = TRUE, minNumObj = 10, numFolds = 50 ] ขนาดต้นไม้ 35 โหนด ให้ค่าความถูกต้อง (accuracy) อยู่ที่ร้อยละ 95.93 2. นำต้นไม้ตัดสินใจที่ได้มาสร้างตัวแบบเงื่อนไขเพื่อจำแนกรูปแบบการใช้ยากับชุดข้อมูลสำหรับทดสอบสมมติฐาน และจำลองสถานการณ์การสำรองยาย้อนหลัง พบว่าสถานการณ์จำลอง มีมูลค่าการสำรองยาคงคลังเฉลี่ย (average inventory value) และจำนวนวันสำรองยาคงคลังเฉลี่ย (average days of stock) ลดลง เมื่อเทียบกับสถานการณ์จริง โดยที่ไม่มียาขาดเลย ระดับการให้บริการ (service rate) ร้อยละ 100