Thai DE ready use: ปัญญาประดิษฐ์ในการดูแลโรคเบาหวาน (Artificial intelligence in diabetes care)

ผศ. นพ. สุรณัฐ เจริญศรี
อนุสาขาวิชาต่อมไร้ท่อและเมแทบอลิซึม สาขาวิชาอายุรศาสตร์
คณะแพทยศาสตร์ มหาวิทยาลัยขอนแก่น

สมาคมผู้ให้ความรู้โรคเบาหวาน
วารสารแสงเทียน The Diabetes Educator Newsletter : ปีที่ 27 ฉบับที่ 2 เมษายน – มิถุนายน 2568

โรคเบาหวานเป็นปัญหาทางสาธารณสุขที่สำคัญทั้งในประเทศไทยและทุกภูมิภาคทั่วโลก¹ ปัจจัยสำคัญที่ทำให้ผู้ป่วยโรคเบาหวานมีจำนวนเพิ่มขึ้น ได้แก่ พฤติกรรมการบริโภคอาหารที่ให้พลังงานสูงและวิถีชีวิต แบบเน้นนั่งอยู่กับที่ในสังคมปัจจุบัน อย่างไรก็ตาม การเพิ่มขึ้นของจำนวนผู้ป่วยดังกล่าวไม่ได้สอดคล้องกับความพร้อมของระบบบริการสุขภาพและทรัพยากรทางการแพทย์ที่ยังคงมีจำกัด โดยเฉพาะในประเทศที่มีรายได้น้อยซึ่งมีผู้ป่วยโรคเบาหวานที่ได้รับการดูแลตามมาตรฐานแนวทางเวชปฏิบัติเพียงร้อยละ 10² ด้วยเหตุนี้ การนำเครื่องมือที่ช่วยสนับสนุนการดูแลผู้ป่วยเบาหวานอย่างครบวงจรมาใช้จึงมีความสำคัญ

ในช่วง 5 ปีที่ผ่านมา เทคโนโลยีสุขภาพดิจิทัลโดยเฉพาะอย่างยิ่ง “ปัญญาประดิษฐ์” หรือ artificial intelligence (AI) ได้เข้ามามีบทบาทอย่างมากในการดำเนินชีวิตประจำวันของบุคคลทั่วไป และเนื่องจากปัญญาประดิษฐ์มีความสามารถในการประมวลผลข้อมูลขนาดใหญ่และเรียนรู้รูปแบบที่ซับซ้อนจากข้อมูลสุขภาพ จึงเป็นเทคโนโลยีที่สามารถพัฒนาและยกระดับคุณภาพการดูแลผู้ป่วยโรคเบาหวาน ตั้งแต่การคัดกรอง การวินิจฉัยการประเมินความเสี่ยง การรักษา ไปจนถึงการจัดการภาวะแทรกซ้อนได้อย่างเป็นระบบและมีประสิทธิภาพ³ (รูปที่ 1)

รูปที่ 1 การบูรณาการปัญญาประดิษฐ์เข้าสู่กระบวนการดูแลรักษาโรคเบาหวานอย่างครบวงจร เพื่อพัฒนาคุณภาพการดูแลโรคเบาหวาน ตั้งแต่การคัดกรอง การวินิจฉัย การประเมินความเสี่ยง การรักษาไปจนถึงการจัดการภาวะแทรกซ้อน

การทำนายและการป้องกันโรคเบาหวาน

การทำนายการเกิดโรคเบาหวานมีจุดประสงค์ เพื่อประเมินบุคคลที่มีความเสี่ยงสูงต่อการเกิดโรคเบาหวาน ซึ่งจะช่วยให้สามารถวางแผนการป้องกันและให้คำแนะนำทางสุขภาพได้ตั้งแต่ระยะก่อนเกิดโรค ในอดีตมีการใช้โมเดลทางสถิติ เช่น logistic regression และ Cox proportional hazard เพื่อทำนายความเสี่ยงของบุคคลในการเป็นโรคเบาหวานในช่วง 5 – 10 ปีข้างหน้า⁴ อย่างไรก็ตาม โมเดลปัญญาประดิษฐ์ของ machine learning และ deep learning ได้เข้ามาเพิ่มขีดความสามารถในการประมวลผลข้อมูลจำนวนมากและซับซ้อนได้อย่างมีประสิทธิภาพยิ่งขึ้น โดย machine learning เป็นเทคนิคที่ช่วยให้ระบบสามารถเรียนรู้จากข้อมูลขนาดใหญ่อย่างรวดเร็วและสามารถพัฒนาประสิทธิภาพของตนเองแบบอัตโนมัติโดยไม่จำเป็นต้องมีโปรแกรมกำหนดคำสั่งไว้^5,6 เช่น machine learning สามารถเรียนรู้ข้อมูลสุขภาพของผู้ป่วยหลายแสนราย และสามารถพัฒนาศักยภาพ การเรียนรู้ของตนเองเพื่อหาความสัมพันธ์ระหว่างพฤติกรรม ปัจจัยเสี่ยง และการเกิดโรคเบาหวานได้ส่วน deep learning เป็นเทคนิคขั้นสูงของ machine learning ที่มีโครงสร้างการเรียนรู้เลียนแบบการทำงานของสมองมนุษย์ โดยใช้โครงข่ายประสาทเทียมหลายชั้น (artificial neural networks) ในการประมวลผลภาพและภาษาโดยการดึงคุณลักษณะ (feature extraction) และจดจำรูปแบบ (pattern recognition) เพื่อเรียนรู้ข้อมูลในโครงสร้างที่หลากหลายและซับซ้อนมากขึ้น เช่น ภาพถ่ายผลการตรวจวินิจฉัย หรือสัญญาณจากอุปกรณ์ชีวภาพ⁷ โดย deep learning สามารถเรียนรู้และตัดสินใจได้ด้วยตนเองว่าการคาดการณ์นั้น มีความแม่นยำหรือไม่ ตัวอย่างการประยุกต์ใช้ปัญญาประดิษฐ์ดังกล่าว ได้แก่ โมเดล machine learning ที่ใช้ข้อมูล จากเวชระเบียนอิเล็กทรอนิกส์ (electronic health records) สามารถทำนายการเกิดโรคเบาหวานในอนาคตได้อย่างแม่นยำ โดยมีค่าพื้นที่ใต้โค้ง receiver operating curve (AUROC) อยู่ระหว่าง 0.78 – 0.80^8,9 และโมเดล deep learning ที่วิเคราะห์ภาพจอประสาทตา (retinal fundus images) ร่วมกับข้อมูลทางคลินิกอื่น ๆ ของบุคคลสามารถทำนายความเสี่ยงของโรคเบาหวานชนิดที่ 2 ได้อย่างแม่นยำ โดยมี AUROC สูงถึง 0.85 – 0.93¹⁰ นอกจากนี้ปัญญาประดิษฐ์ยังสามารถวิเคราะห์และให้คำแนะนำในการจัดการปัจจัยเสี่ยงที่ปรับเปลี่ยนได้ (modifiable risk factors) เช่น ความดันโลหิตสูง ไขมันในเลือดผิดปกติ ภาวะน้ำหนักเกินการสูบบุหรี่ และพฤติกรรมการรับประทานอาหาร โดยระบบจะวิเคราะห์จากข้อมูลจำนวนมากเพื่อออกแบบแนวทางการป้องกันโรคที่เหมาะสมเฉพาะบุคคล¹¹ ซึ่งช่วยเพิ่มโอกาสในการป้องกันโรคเบาหวานและสามารถใช้เป็นเครื่องมือสนับสนุนการสร้างนโยบายสำหรับการป้องกันโรคเบาหวานเฉพาะบุคคลได้ในวงกว้าง

การคัดกรองโรคเบาหวาน

• โมเดลที่ใช้ข้อมูลขนาดใหญ่จากแบบสอบถามสุขภาพและชีวลักษณะ (biometrics) เช่น เพศ อายุ ความดันโลหิต น้ำหนัก ส่วนสูง¹³
• การประยุกต์ใช้ภาพถ่ายใบหน้าหรือลิ้นร่วมกับเทคนิคการวิเคราะห์ภาพขั้นสูงและ machine learning เพื่อประเมินความเสี่ยงในการเป็นเบาหวาน^14,15
• การใช้เสียงที่บันทึกได้ผ่านสมาร์ตโฟน เนื่องจากเสียงพูดของผู้ป่วยเบาหวานมีการเปลี่ยนแปลงในระดับที่สามารถตรวจจับได้ด้วยการวิเคราะห์คุณลักษณะของเสียง เช่น ความถี่เสียง (pitch) ความดัง (intensity) การสั่นสะเทือนของเสียง (shimmer) เป็นต้น^16,17
• การใช้ photoplethysmography ซึ่งเป็นเครื่องมือที่สามารถวัดการเปลี่ยนแปลงของการไหลเวียนของเลือดในร่างกายผ่านผิวหนัง โดยอาศัยการปล่อยแสงและตรวจจับการสะท้อนกลับ¹⁸
• การใช้ภาพถ่ายจอประสาทตา ซึ่งสามารถวิเคราะห์ผ่าน deep learning เพื่อคัดกรองโรคเบาหวานได้โดยไม่จำเป็นต้องใช้ข้อมูลน้ำตาลในเลือด¹⁰

การจำแนกชนิดของโรคเบาหวาน

ปัญญาประดิษฐ์สามารถช่วยจำแนกชนิดของโรคเบาหวาน (type of diabetes) ซึ่งอาจเป็นประโยชน์ในสถานพยาบาลที่ไม่สามารถตรวจแอนติบอดีหรือการทำงานของตับอ่อนได้^{19, 20} นอกจากนี้ ยังมีการใช้เทคนิค clustering หรือการจัดกลุ่มผู้ป่วยโดยไม่อ้างอิงข้อมูลกำกับล่วงหน้า (unsupervised learning) เพื่อจำแนกผู้ป่วยออกเป็นกลุ่มย่อยตามลักษณะทางคลินิก ที่คล้ายคลึงกัน โดยไม่จำเป็นต้องมีการระบุชนิดของโรคไว้ล่วงหน้า ซึ่งสามารถจำแนกกลุ่มย่อยของผู้ป่วยเบาหวานตามลักษณะทางคลินิก เช่น อายุ ดัชนีมวลกาย (body mass index; BMI) HbA1c การทำงานของเบต้าเซลล์ และภาวะดื้อต่ออินซูลิน²¹ และช่วยให้สามารถออกแบบแนวทางการดูแลรักษาที่เหมาะสมกับผู้ป่วยแต่ละคน

การดูแลรักษาผู้ป่วยโรคเบาหวานแบบองค์รวม

• การให้ความรู้ด้านสุขภาพ
  ปัญญาประดิษฐ์สามารถนำมาประยุกต์เป็นเครื่องมือในการให้ความรู้และสนับสนุนการจัดการโรคเบาหวานด้วยตนเอง (Diabetes Self-Management Education: DSME) อย่างมีประสิทธิภาพได้ในหลายมิติ เช่น การพัฒนาเป็นแอปพลิเคชันบนสมาร์ตโฟนที่สามารถประเมินระดับความรู้ของผู้ป่วย และให้คำแนะนำหรือเนื้อหาที่เหมาะสมกับความต้องการเฉพาะบุคคล ระบบแนะนำการรับประทานอาหารเฉพาะบุคคลซึ่งสามารถวิเคราะห์ภาพอาหารที่ถ่ายจากกล้องสมาร์ตโฟน²² ร่วมกับเรียนรู้พฤติกรรมการบริโภคและผลตรวจเลือดของผู้ป่วยแต่ละรายเพื่อแนะนำการรับประทานอาหารอย่างเหมาะสม²³ รวมถึงโปรแกรมออกกำลังกายที่สามารถปรับตามสภาพแวดล้อมและข้อจำกัดของผู้ป่วยแต่ละราย²⁴ นอกจากนี้ ปัญญาประดิษฐ์ยังสามารถใช้เทคโนโลยีด้านการประมวลผลภาษาธรรมชาติ (Natural Language Processing: NLP) ซึ่งช่วยให้คอมพิวเตอร์เข้าใจภาษามนุษย์ และต่อยอดสู่โมเดลภาษาขนาดใหญ่ (Large Language Models: LLM) ซึ่งสามารถโต้ตอบกับผู้ใช้งานได้อย่างเป็นธรรมชาติ ให้คำแนะนำด้านสุขภาพที่เหมาะสมกับผู้ป่วยแต่ละรายและเพิ่มโอกาสในการควบคุมระดับน้ำตาลในเลือดให้ดียิ่งขึ้น²⁵
• การติดตามและพยากรณ์ระดับน้ำตาลในเลือด
  ปัญญาประดิษฐ์สามารถใช้ข้อมูลจาก Continuous Glucose Monitoring (CGM) เพื่อพยากรณ์ระดับน้ำตาลในอนาคต หรือแจ้งเตือนล่วงหน้าเมื่อมีแนวโน้มเกิดภาวะน้ำตาลต่ำหรือสูง²⁶ เช่น การแจ้งเตือนภาวะน้ำตาลต่ำล่วงหน้าได้ถึง 1 ชั่วโมง เป็นต้น
• การให้ยาและการปรับขนาดยาลดระดับน้ำตาลในเลือด
  การให้ยาลดระดับน้ำตาลโดยเฉพาะอย่างยิ่งอินซูลินมักมีความซับซ้อนและเสี่ยงต่อการเกิดผลข้างเคียง เช่น ภาวะน้ำตาลต่ำปัญญาประดิษฐ์จึงถูกนำมาใช้เป็นเครื่องมือในการปรับขนาดยาอย่างเหมาะสม เช่น การคำนวณขนาดอินซูลินในปั๊มอินซูลินแบบระบบปิด (closed-loop system) โดยใช้ข้อมูลจาก CGM²⁷ และระบบช่วยตัดสินใจแบบ decision tree ให้แพทย์ปรับยาลดระดับน้ำตาลในเลือดสำหรับผู้ป่วยโรคเบาหวานชนิดที่ 2 โดยอ้างอิงจากข้อมูลผู้ป่วยจริงและประวัติการรักษาในอดีต²⁸ การทำนายการเกิดภาวะแทรกซ้อนของโรคเบาหวาน
  การใช้ปัญญาประดิษฐ์ในการทำนายและคัดกรองภาวะแทรกซ้อนของโรคเบาหวานช่วยให้สามารถระบุผู้ป่วยที่มีความเสี่ยงสูงต่อการเกิดภาวะแทรกซ้อนได้ตั้งแต่ระยะแรก ทำให้สามารถวางแผนการดูแลอย่างเหมาะสม โดยมีการใช้ข้อมูลจากเวชระเบียนอิเล็กทรอนิกส์ ภาพจอประสาทตา และข้อมูลทางชีวภาพในการพัฒนาโมเดลที่มีความแม่นยำสูง เช่น การทำนายภาวะไตเสื่อมเรื้อรัง เบาหวานขึ้นตา เท้าเบาหวาน และเส้นประสาทส่วนปลายเสื่อม³

อุปสรรคของการประยุกต์ใช้ปัญญาประดิษฐ์ในคลินิก

• คุณภาพของข้อมูลที่ใช้ในการฝึก (Data training quality)
  หากข้อมูลที่ใช้ในการฝึกระบบมีความคลาดเคลื่อนไม่น่าเชื่อถือหรือมาจากกลุ่มตัวอย่างที่ไม่หลากหลาย อาจทำให้เกิดการวิเคราะห์ผิดพลาดหรือแสดงอคติ (bias) ต่อกลุ่มประชากรบางกลุ่มส่งผลกระทบต่อคุณภาพการดูแลรักษา
• การออกแบบแอปพลิเคชั่นที่ไม่เอื้อต่อการใช้งาน (Poor application design)
  ระบบบางอย่างอาจมีความซับซ้อนหรือไม่สอดคล้องกับกระบวนการปฏิบัติงานจริงในคลินิก ทำให้ผู้ป่วยหรือบุคลากรทางการแพทย์รู้สึกยุ่งยากหรือไม่สะดวก และอาจเลือกที่จะไม่ใช้งานในระยะยาว²⁹
• ขาดการเชื่อมต่อแบบบูรณาการกับระบบสุขภาพ (Lack of clinical integration)
  แม้ปัญญาประดิษฐ์จะมีศักยภาพสูง แต่หากไม่สามารถเชื่อมต่อกับระบบเวชระเบียนอิเล็กทรอนิกส์(Electronic medical record: EMR) หรือกระบวนการปฏิบัติงานของทีมแพทย์ได้ ก็จะเป็นอุปสรรคในการนำมาใช้จริง
• ความเป็นส่วนตัว (Privacy)
  การใช้ข้อมูลส่วนบุคคลจำนวนมาก เช่น พฤติกรรมสุขภาพ หรือข้อมูลพันธุกรรม จำเป็นต้องมีมาตรการรักษาความปลอดภัยและความลับของข้อมูลอย่างเข้มงวด อาทิ การเข้ารหัสข้อมูล หรือการใช้เทคโนโลยีที่ไม่ต้องส่งข้อมูลออกจากอุปกรณ์ของผู้ใช้งาน³⁰
• ข้อจำกัดทางกฎหมายและจริยธรรม (Regulatory and Ethical Issues)
  ในปัจจุบันยังไม่มีแนวทางหรือกฎหมายที่ชัดเจนเกี่ยวกับความรับผิดชอบเมื่อเกิดข้อผิดพลาดจากการใช้ปัญญาประดิษฐ์ในการดูแลผู้ป่วย เช่น หากระบบแนะนำการใช้ยาแล้วเกิดอันตรายกับผู้ป่วยนั้น ใครควรเป็นผู้รับผิดชอบ เป็นต้น

สรุป

ปัญญาประดิษฐ์เป็นเครื่องมือที่มีศักยภาพในการยกระดับการดูแลผู้ป่วยเบาหวานอย่างรอบด้าน ทั้งในแง่ของความแม่นยำ ความรวดเร็ว การเข้าถึงประชากรได้อย่างกว้างขวางและความสามารถในการปรับการดูแลให้เหมาะสมกับแต่ละบุคคล ซึ่งช่วยส่งเสริมให้ทั้งแพทย์และผู้ป่วยสามารถร่วมกันบริหารจัดการโรคได้อย่างมีประสิทธิภาพมากยิ่งขึ้น อย่างไรก็ตาม การนำปัญญาประดิษฐ์มาใช้จริงยังต้องเผชิญกับความท้าทายหลายด้าน เช่น คุณภาพข้อมูล ความเป็นส่วนตัว และการบูรณาการในระบบสุขภาพ ซึ่งจำเป็นต้องอาศัยความร่วมมือจากหลายฝ่ายเพื่อก่อให้เกิดประโยชน์อย่างแท้จริงจากการใช้ปัญญาประดิษฐ์ในระบบบริการสุขภาพของประเทศไทย

1. GBD 2021 Diabetes Collaborators. Global, regional, and national burden of diabetes from 1990 to 2021, with projections of prevalence to 2050: a systematic analysis for the Global Burden of Disease Study 2021. Lancet. 2023 Jul 15;402(10397):203–34.
2. Flood D, Seiglie JA, Dunn M, Tschida S, Theilmann M, Marcus ME, et al. The state of diabetes treatment coverage in 55 low-income and middle-income countries: a cross-sectional study of nationally representative, individual-level data in 680 102 adults. Lancet Healthy Longev. 2021 Jun;2(6):e340–51.
3. Guan Z, Li H, Liu R, Cai C, Liu Y, Li J, et al. Artificial intelligence in diabetes management: Advancements,opportunities, and challenges. Cell Rep Med. 2023 Oct 17;4(10):101213.
4. Abbasi A, Peelen LM, Corpeleijn E, van der Schouw YT, Stolk RP, Spijkerman AMW, et al. Prediction models for risk of developing type 2 diabetes: systematic literature search and independent external validation study. BMJ. 2012 Sep 18;345:e5900.
5. Habehh H, Gohel S. Machine Learning in Healthcare. Curr Genomics. 2021 Dec 16;22(4):291–300.
6. Kufel J, Bargiel-Laczek K, Kocot S, Kozlik M, Bartnikowska W, Janik M, et al. What Is Machine Learning, Artificial Neural Networks and Deep Learning?-Examples of Practical Applications in Medicine. Diagnostics (Basel). 2023 Aug 3;13(15):2582.
7. LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015 May 28;521(7553):436–44.
8. Choi BG, Rha SW, Kim SW, Kang JH, Park JY, Noh YK. Machine Learning for the Prediction of New-Onset Diabetes Mellitus during 5-Year Follow-up in Non-Diabetic Patients with Cardiovascular Risks. Yonsei Med J. 2019 Feb;60(2):191–9.
9. Ravaut M, Harish V, Sadeghi H, Leung KK, Volkovs M, Kornas K, et al. Development and Validation of a Machine Learning Model Using Administrative Health Data to Predict Onset of Type 2 Diabetes. JAMA Netw Open. 2021 May 3;4(5):e2111315.
10. Zhang K, Liu X, Xu J, Yuan J, Cai W, Chen T, et al. Deep-learning models for the detection and incidence prediction of chronic kidney disease and type 2 diabetes from retinal fundus images. Nat Biomed Eng. 2021 Jun;5(6):533–45.
11. Wang C, Li L, Wang L, Ping Z, Flory MT, Wang G, et al. Evaluating the risk of type 2 diabetes mellitus using artificial neural network: an effective classification approach. Diabetes Res Clin Pract. 2013 Apr;100(1):111–8.
12. Abhari S, Niakan Kalhori SR, Ebrahimi M, Hasannejadasl H, Garavand A. Artificial Intelligence Applications in Type 2 Diabetes Mellitus Care: Focus on Machine Learning Methods. Healthc Inform Res. 2019 Oct;25(4):248–61.
13. Tapak L, Mahjub H, Hamidi O, Poorolajal J. Real-data comparison of data mining methods in prediction of diabetes in iran. Healthc Inform Res. 2013 Sep;19(3):177–85.
14. Shu T, Zhang B, Yan Tang Y. An extensive analysis of various texture feature extractors to detect Diabetes Mellitus using facial specific regions. Comput Biol Med. 2017 Apr 1;83:69–83.
15. Li J, Yuan P, Hu X, Huang J, Cui L, Cui J, et al. A tongue features fusion approach to predicting prediabetes and diabetes with machine learning. J Biomed Inform. 2021 Mar;115:103693.
16. Kaufman JM, Thommandram A, Fossat Y. Acoustic Analysis and Prediction of Type 2 Diabetes Mellitus Using Smartphone-Recorded Voice Segments. Mayo Clinic Proceedings: Digital Health. 2023 Dec 1;1(4):534–44.
17. Pinyopodjanard S, Suppakitjanusant P, Lomprew P, Kasemkosin N, Chailurkit L, Ongphiphadhanakul B. Instrumental Acoustic Voice Characteristics in Adults with Type 2 Diabetes. J Voice. 2021 Jan;35(1):116–21.
18. Avram R, Olgin JE, Kuhar P, Hughes JW, Marcus GM, Pletcher MJ, et al. A digital biomarker of diabetes from smartphone-based vascular signals. Nat Med. 2020 Oct;26(10):1576–82.
19. Maniruzzaman M, Kumar N, Menhazul Abedin M, Shaykhul Islam M, Suri HS, El-Baz AS, et al. Comparative approaches for classification of diabetes mellitus data: Machine learning paradigm. Comput Methods Programs Biomed. 2017 Dec;152:23–34.
20. Phongying M, Hiriote S. Diabetes Classification Using Machine Learning Techniques. Computation. 2023 May;11(5):96.
21. Ahlqvist E, Storm P, Käräjämäki A, Martinell M, Dorkhan M, Carlsson A, et al. Novel subgroups of adult-onset diabetes and their association with outcomes: a data-driven cluster analysis of six variables. Lancet Diabetes Endocrinol. 2018 May;6(5):361–9.
22. Fang S, Shao Z, Kerr DA, Boushey CJ, Zhu F. An End-to-End Image-Based Automatic Food Energy Estimation Technique Based on Learned Energy Distribution Images: Protocol and Methodology. Nutrients. 2019 Apr 18;11(4):877.
23. Zeevi D, Korem T, Zmora N, Israeli D, Rothschild D, Weinberger A, et al. Personalized Nutrition by Prediction of Glycemic Responses. Cell. 2015 Nov 19;163(5):1079–94.
24. Sun T, Xu Y, Xie H, Ma Z, Wang Y. Intelligent Personalized Exercise Prescription Based on an eHealth Promotion System to Improve Health Outcomes of Middle-Aged and Older Adult Community Dwellers: Pretest-Posttest Study. J Med Internet Res. 2021 May 24;23(5):e28221.
25. Wang D, Liang J, Ye J, Li J, Li J, Zhang Q, et al. Enhancement of Large Language Models’ Performance in Diabetes Education: Retrieval-Augmented Generation Approach. J Med Internet Res. 2024 Jul 15;
26. Liu K, Li L, Ma Y, Jiang J, Liu Z, Ye Z, et al. Machine Learning Models for Blood Glucose Level Prediction in Patients With Diabetes Mellitus: Systematic Review and Network Meta-Analysis. JMIR Med Inform. 2023 Nov 20;11:e47833.
27. Nimri R, Bratina N, Kordonouri O, Avbelj Stefanija M, Fath M, Biester T, et al. MD-Logic overnight type 1 diabetes control in home settings: A multicentre, multinational, single blind randomized trial. Diabetes Obes Metab. 2017 Apr;19(4):553–61.
28. Toussi M, Lamy JB, Le Toumelin P, Venot A. Using data mining techniques to explore physicians’ therapeutic decisions when clinical guidelines do not provide recommendations: methods and example for type 2 diabetes. BMC Med Inform Decis Mak. 2009 Jun 10;9:28.
29. Sarkar U, Gourley GI, Lyles CR, Tieu L, Clarity C, Newmark L, et al. Usability of Commercially Available Mobile Applications for Diverse Patients. J Gen Intern Med. 2016 Dec;31(12):1417–26.
30. Warnat-Herresthal S, Schultze H, Shastry KL, Manamohan S, Mukherjee S, Garg V, et al. Swarm Learning for decentralized and confidential clinical machine learning. Nature. 2021 Jun;594(7862):265–70.

ขอขอบคุณ
สมาคมผู้ให้ความรู้โรคเบาหวาน พ.ศ. 2541 : https://thaide.org/
วารสารแสงเทียน The Diabetes Educator Newsletter :
https://drive.google.com/file/d/1yLyRuaOe2MfCjQnSy6iIFU5vDoXou2xX/view