An Intelligent Web-Based Expert System for Diabetes Diagnosis Using Rule-Based Logic and Forward Chaining

គម្រោងអភិវឌ្ឍន៍ប្រព័ន្ធជំនាញ Expert System តាមទម្រង់ Web-based ដើម្បីវាយតម្លៃហានិភ័យជំងឺទឹកនោមផ្អែមជាលក្ខណៈដំបូង ដោយប្រើប្រាស់បច្ចេកវិទ្យា Python Flask និង PostgreSQL ។

១. សេចក្តីផ្តើម និងបញ្ហាប្រឈម

បច្ចុប្បន្ននេះ ជំងឺទឹកនោមផ្អែម (Diabetes Mellitus) គឺជាជំងឺរ៉ាំរ៉ៃមួយដែលកំពុងកើនឡើងយ៉ាងឆាប់រហ័សនៅទូទាំងពិភពលោក រួមទាំងប្រទេសកម្ពុជាផងដែរ

។ ការធ្វើរោគវិនិច្ឆ័យជំងឺនេះទាមទារឱ្យមានវេជ្ជបណ្ឌិតជំនាញ និងការធ្វើតេស្តមន្ទីរពិសោធន៍ ដែលបង្កការលំបាកយ៉ាងខ្លាំង ជាពិសេសសម្រាប់ប្រជាជននៅតំបន់ជនបទដែលមានការខ្វះខាតអ្នកជំនាញ

។ ការយឺតយ៉ាវក្នុងការវិនិច្ឆ័យអាចបណ្តាលឱ្យមានផលវិបាកធ្ងន់ធ្ងរដូចជា ជំងឺបេះដូង ខូចតម្រងនោម និងបញ្ហាសរសៃប្រសាទ

។ ដើម្បីដោះស្រាយបញ្ហានេះ ក្រុមនិស្សិតផ្នែកកុំព្យូទ័រវិទ្យានៃសាកលវិទ្យាល័យន័រតុន បានរៀបចំគម្រោងអភិវឌ្ឍន៍ប្រព័ន្ធជំនាញ (Expert System) តាមទម្រង់ Web-based ដើម្បីជួយវាយតម្លៃហានិភ័យជំងឺទឹកនោមផ្អែមជាលក្ខណៈដំបូង

។

២. ដំណើរការនៃប្រព័ន្ធ និងគោលបំណងសំខាន់ៗ

ជំនួសឱ្យការប្រើប្រាស់ Machine Learning ឬ Deep Learning ស្មុគស្មាញ ប្រព័ន្ធនេះប្រើប្រាស់វិធីសាស្ត្របញ្ញាសិប្បនិម្មិតបែបប្រពៃណីគឺ Rule-Based Expert System

។

បច្ចេកទេសវិនិច្ឆ័យ៖ ប្រព័ន្ធនេះប្រើប្រាស់ Inference Engine ប្រភេទ Forward Chaining ដើម្បីទាញយកសេចក្តីសន្និដ្ឋាន។
ដំណើរការទិន្នន័យ៖ ប្រព័ន្ធធ្វើការផ្គូផ្គងរោគសញ្ញាដែលអ្នកប្រើប្រាស់បានបញ្ចូល (Facts) ជាមួយនិងកម្រងច្បាប់វេជ្ជសាស្ត្រ (Rules) ដែលមាននៅក្នុង Knowledge Base ដើម្បីធ្វើការវិនិច្ឆ័យ។
ការបង្ហាញលទ្ធផល៖ ប្រព័ន្ធនឹងវាយតម្លៃកម្រិតហានិភ័យជាលក្ខណៈដំបូង (Low Risk, Medium Risk, High Risk) និងផ្តល់នូវសេចក្តីណែនាំអប់រំអំពីជំងឺទឹកនោមផ្អែម។
គោលដៅភាពត្រឹមត្រូវ៖ គម្រោងនេះរំពឹងថានឹងធានាបាននូវភាពត្រឹមត្រូវនៃការវិនិច្ឆ័យយ៉ាងហោចណាស់ ៨០% នៅក្នុងដំណាក់កាលធ្វើតេស្តសាកល្បង។

៣. បច្ចេកវិទ្យា និងស្ថាបត្យកម្មប្រព័ន្ធ (Technology Stack & Architecture)

ប្រព័ន្ធនេះត្រូវបានរចនាឡើងដោយផ្អែកលើស្ថាបត្យកម្ម Client-Server និងអនុវត្តតាមលំនាំ MVC (Model-View-Controller) ដើម្បីងាយស្រួលក្នុងការថែទាំ និងបំបែកមុខងារឱ្យបានច្បាស់លាស់

៖

Backend & Core Logic: ប្រើប្រាស់ភាសា Python ជាមួយ Flask Micro-framework ដែលស័ក្តិសមបំផុតសម្រាប់ការបង្កើត Inference Engine និង Rule-Based Logic។
Database (មូលដ្ឋានទិន្នន័យ): ប្រើប្រាស់ PostgreSQL (និង SQLite3) ដើម្បីរក្សាទុកទិន្នន័យអ្នកប្រើប្រាស់ រោគសញ្ញា (Facts) និងច្បាប់វិនិច្ឆ័យ (Rules)។
Frontend & UI: ចំណុចប្រទាក់អ្នកប្រើប្រាស់ត្រូវបានរចនាដោយប្រើប្រាស់ React និង Tailwind CSS ដើម្បីធានាឱ្យមានភាពងាយស្រួលប្រើប្រាស់ និង Responsive លើគ្រប់ Browser។
Tools & Security: ប្រើប្រាស់ SQLAlchemy ជា ORM សម្រាប់គ្រប់គ្រងទិន្នន័យ ព្រមទាំងប្រើ Flask-WTF និង Flask-Login សម្រាប់គ្រប់គ្រង Form និងប្រព័ន្ធសុវត្ថិភាព Authentication របស់អ្នកប្រើប្រាស់។

៤. តួនាទីអ្នកប្រើប្រាស់ក្នុងប្រព័ន្ធ (Users & Roles)

ដើម្បីធានាបាននូវសុវត្ថិភាព និងភាពត្រឹមត្រូវនៃទិន្នន័យវេជ្ជសាស្ត្រ ប្រព័ន្ធនេះត្រូវបានបែងចែកជា ៣ តួនាទីសំខាន់ៗ

៖

អ្នកប្រើប្រាស់ទូទៅ (End User): អាចបញ្ចូលរោគសញ្ញា ព័ត៌មានសុខភាពមូលដ្ឋាន ទទួលបានលទ្ធផលវិនិច្ឆ័យដំបូង និងអានព័ត៌មានណែនាំ ប៉ុន្តែមិនមានសិទ្ធិកែប្រែទិន្នន័យប្រព័ន្ធឡើយ។
អ្នកជំនាញ (Knowledge Base / Staff): ជាអ្នកទទួលខុសត្រូវផ្ទាល់លើផ្នែកវេជ្ជសាស្ត្រ ដែលមានសិទ្ធិក្នុងការបង្កើត កែប្រែ និងលុប Facts (រោគសញ្ញា) និង Rules (IF-THEN) នៅក្នុង Knowledge Base ឱ្យស្របតាមស្តង់ដារវេជ្ជសាស្ត្របច្ចុប្បន្ន។
អ្នកគ្រប់គ្រងប្រព័ន្ធ (Admin): ទទួលខុសត្រូវក្នុងការគ្រប់គ្រងគណនីអ្នកប្រើប្រាស់ កំណត់សិទ្ធិ (Role Management) និងត្រួតពិនិត្យរបាយការណ៍រួមរបស់ប្រព័ន្ធ។

៥. វិធីសាស្ត្រអភិវឌ្ឍន៍ និងវិសាលភាពគម្រោង

គម្រោងនេះជ្រើសរើសប្រើប្រាស់វិធីសាស្ត្រ Agile (Iterative Model) ដែលបែងចែកការអភិវឌ្ឍជា ៤ Sprints សំខាន់ៗ (ពីការវិភាគ រហូតដល់ការធ្វើតេស្តចុងក្រោយ) ព្រោះវាអនុញ្ញាតឱ្យក្រុមការងារងាយស្រួលក្នុងការកែសម្រួល ឬបន្ថែម Rules ថ្មីៗនៅពេលទទួលបានចំណេះដឹងវេជ្ជសាស្ត្របន្ថែម

។

ថ្វីត្បិតតែប្រព័ន្ធនេះផ្តល់អត្ថប្រយោជន៍ខ្ពស់ក្នុងការកាត់បន្ថយពេលវេលា និងការចំណាយលើការវាយតម្លៃដំបូង ប៉ុន្តែវិសាលភាពនៃគម្រោងនេះមិនមានបំណងជំនួសការធ្វើរោគវិនិច្ឆ័យផ្លូវការរបស់វេជ្ជបណ្ឌិត ឬការបញ្ចូលលទ្ធផលតេស្តឈាមមន្ទីរពិសោធន៍ឡើយ។ ផ្ទុយទៅវិញ វាដើរតួជាឧបករណ៍ជំនួយការសម្រេចចិត្តដ៏មានសក្តានុពលមួយ (Decision-Support System) ដែលជួយលើកកម្ពស់ការយល់ដឹង និងការប្រុងប្រយ័ត្នអំពីជំងឺទឹកនោមផ្អែមដល់ប្រជាជននៅក្នុងសហគមន៍។

៦. Demo Link

https://diabetes-expert-system-v2.vercel.app

៧. ឯកសារយោង

[1] B. M. Mohaisen and S. S. Abu-Naser, "Expert System Design and Implementation for Medical Diagnostic Applications," International Journal of Academic Engineering Research (IJAER), vol. 9, no. 8, pp. 85-94, Aug. 2025.

[2] S. Sundararajan, M. Srinath, and V. Mohan, "DESDIAB - Diagnostic an Expert System for Diabetes," International Journal of Computer Applications, vol. 186, no. 74, pp. 24-30, Mar. 2025.

[3] S. J. Albadrasawi, M. M. Almzainy, J. M. Altayeb, H. Eleyan, and S. S. Abu-Naser, "Development and Evaluation of an Expert System for Diagnosing Kidney Diseases," International Journal of Academic Engineering Research (IJAER), vol. 7, no. 6, pp. 16-22, Jun. 2023.

[4] E. E. Onuiri, V. U. Ndukwe, N. Igwe, and S. C. Olise, "Simulation of an Expert System for Diabetes Diagnosis," International Journal of Advanced Computing, vol. 48, no. 1, pp. 1614-1622, 2021.

[5] S. Sundararajan, M. Srinath, and V. Mohan, "DESDIAB - Diagnostic an Expert System for Diabetes," International Journal of Computer Applications, vol. 186, no. 74, p. 29, Mar. 2025.

[6] Z. A. Varzaneh and S. Hosseini, "An Intelligent Fuzzy System for Diabetes Disease Detection using Harris Hawks Optimization," Journal of Artificial Intelligence and Data Mining (JAIDM), vol. 11, no. 2, pp. 187-194, 2023.

[7] R. Mondal and P. Srivastava, "Design and Development of an Intelligent System to Assess Kidney Performances of Persons Suffering from Diabetes," International Transaction Journal of Engineering, Management, & Applied Sciences & Technologies, vol. 12, no. 3, pp. 1-10, 2021.

[8] M. A. Awodun, "A Fuzzy Rule-Based Expert System for Diagnosing Diabetes," International Journal of Advanced Research in IT and Engineering (IJARIE), vol. 2, no. 3, pp. 1-13, 2021.

[9] K. Schwaber and J. Sutherland, The Scrum Guide: The Definitive Guide to Scrum: The Rules of the Game, 2020. [Online]. Available: ScrumGuides.org.

[10] X. Huang et al., "A Generic Knowledge Based Medical Diagnosis Expert System," arXiv preprint arXiv:2110.04439, Oct. 2021.