งานวิจัยนี้ได้มีแนวคิดที่จะนำเอาสมบัติเฉพาะทางของแสงความยาวคลื่นใกล้อินฟาเรดที่กระดูกสามารถดูดกลืนได้ มาใช้ในการหาค่าความสัมพันธ์เปรียบเทียบกับค่ามวลกระดูก หรือ BMD ที่วัดได้จากวิธีมาตรฐาน โดยมีวัตถุประสงค์เพื่อพัฒนาต่อยอดเทคโนโลยีให้สามารถออกแบบและสร้างเครื่องมือต้นแบบในการคัดกรองภาวะโรคกระดูกพรุนอย่างง่าย ที่มีขนาดกระทัดรัด สามารถพกพาและใช้งานได้ง่าย นอกจากนั้นยังไม่มีการใช้รังสีที่จะก่อให้เกิดอันตรายทั้งผู้ใช้และบุคลากรทางการแพทย์ ซึ่งได้ทำการศึกษาการใช้แสงความยาวคลื่นเฉพาะทางที่สามารถดูดกลืนโดยกระดูกได้ นำมาทดสอบเพื่อหาความสัมพันธ์กับค่ามวลกระดูก หรือ BMD ที่ได้จากการวัดด้วยเครื่องเอกซเรย์ชนิด Dexa ในโรงพยาบาล และนำข้อมูลที่ได้มาผ่านการเรียนรู้ด้วยปัญญาประดิษฐ์โดยทดสอบกับโมเดลประเภทต่างๆทั้ง regression model, classification model โดยเลือกศึกษาอัลกอริทึมทั้งหมด 4 แบบ และทำการใส่ค่าพารามิเตอร์ต่างๆเพื่อประเมินประสิทธิภาพของความสามารถในการเพิ่มความแม่นยำของโมเดล และทำการออกแบบสร้างเครื่องคัดกรองภาวะโรคกระดูกพรุนต้นแบบจำนวน 5 เครื่อง พร้อมทั้งทำการทดสอบความสามารถในการวัด ในห้องปฏิบัติการ ในอาสาสมัคร และในผู้ป่วยมากกว่า 200 คน ผลลัพธ์ที่ได้นั้นสามารถนำข้อมูลที่ได้จากเครื่องคัดกรอง และข้อมูลอื่นๆที่เกี่ยวข้อง เช่น อายุ น้ำหนัก เพศ ของผู้ป่วย มาใช้ในการพัฒนาการเรียนรู้ของเครื่องมือโดยอาศัยหลักการ machine learning พบว่าค่าที่ได้จากเครื่องคัดกรองผู้ป่วยโรคกระดูกพรุนจะลดลงตามอายุที่เพิ่มมากยิ่งขึ้นและมีความสัมพันธ์กับ BMD ที่กำหนดโดยเครื่อง DXA การใช้ ML model เข้ามาช่วยในการทำนายโรคกระดูกพรุนขั้นรุนแรงมีประสิทธิภาพดีเป็นไปตามเกณฑ์การเลือกปฏิบัติสูงตามเกณฑ์การคัดกรองโรคกระดูกพรุน โดยใน Ridge model นั้น ได้ค่า AUC สูงถึง 0.852 แสดงถึงความแม่นยำในการคัดกรองที่ดี ซึ่งโดยหลักการแล้วทำให้สรุปได้ว่า ได้ทราบว่าค่าทางแสงที่ได้จากเครื่องคัดกรองนั้นมีความสัมพันธ์กับค่า BMD และการใช้ machine learning ก็ช่วยทำให้ประสิทธิภาพในการคัดกรองภาวะการเป็นโรคกระดูกพรุนนั้นดีขึ้นอย่างเห็นได้ชัดคำสำคัญ : มวลกระดูก, กระดูกพรุน, เครื่องคัดกรอง, ปัญญาประดิษฐ์<br><br>The present research has proposed to apply a specific character of near infrared light spectrum which can be absorbed by bone to find a correlation with BMD obtained from the conventional method for bone measurement. Aims of this research is to apply this optical bone densitometry method (OBD) to design and fabricate the prototype of osteoporosis screening machine, which are simple, compact, portable and user friendly. This technique does not utilize any radiation, then it is safe for both patient and medical staff. Specific wavelength of LEDs which can be absorbed by bone were selected, and the correlation between the light intensity obtained from the screening machine and BMD obtained from DEXA at the hospital were investigated. Obtained data then were analyzed by machine learning consisting of regression model, classification model with 4 algorithms. Other parameters such as sex, age, weight was added to the data in order to enhance the precision of machine. 5 prototyped has been fabricated. 220 participants were measured by Dual-energy X-ray absorptiometry and optical bone densitometry. The T-score determined by DXA was predicted by using the ML technique from optically measured BMD and demographic data such as age and weight. The diagnosing performance among the models was assessed by the area under the receiver operating characteristic curve (AUC). We compared the optically measured BMD with the age and DXA-determined BMD. Keywords: BMD, Screening machine, Osteoporosis, Machine Learning, Artificial Intelligence