ผู้ป่วยในหอผู้ป่วยวิกฤต (ICU) มีความหลากหลายสูงทั้งด้านความรุนแรงของโรค ภาวะแทรกซ้อน และการตอบสนองต่อการรักษา การใช้เพียงตัวชี้วัดเดี่ยว เช่น APACHE II อาจไม่สามารถสะท้อน “รูปแบบผู้ป่วย” (Patient Phenotype) ได้ครบถ้วน แนวคิดการจัดกลุ่มผู้ป่วย (Patient Phenotyping) ด้วยเทคนิค Machine Learning แบบไม่กำกับ (Unsupervised Learning) สามารถช่วยค้นหารูปแบบกลุ่มผู้ป่วยที่มีลักษณะคล้ายกันโดยไม่ต้องกำหนดป้ายกำกับล่วงหน้า และอาจช่วยให้เข้าใจความแตกต่างของความเสี่ยงการเสียชีวิตระหว่างกลุ่มได้อย่างเป็นระบบ โครงงานนี้จึงพัฒนา Clustering Analysis เพื่อศึกษา ลักษณะเฉพาะของแต่ละกลุ่มผู้ป่วย ความสัมพันธ์ระหว่าง Cluster กับอัตราการเสียชีวิตในระยะสั้นและระยะยาว
