ปัจจัยการทำนายการใช้บริการห้องฉุกเฉินในผู้ป่วยโรคมะเร็งระยะท้าย : การพัฒนาโมเดลแมชชีนเลิร์นนิ่งและความเที่ยงตรงภายใน

บทคัดย่อ

บทคัดย่อ

ที่มา: ในปี พ.ศ. 2565 ประชากรประมาณ 20 ล้านคนทั่วโลกป่วยด้วยโรคมะเร็ง และ ถูกคาดการณ์ว่าจะเพิ่มขึ้นเป็น 28.4 ล้านคน ในปี พ.ศ. 2583 ซึ่งผู้ป่วยมะเร็งระยะท้ายทั่วโลกต้องเผชิญกับความทุกข์ทรมานในหลากหลายมิติ ในขณะที่ระบบการดูแลสุขภาพแบบแยกส่วนนำมาสู่ค่าใช้จ่ายในการดูแลสุขภาพที่สูงและผลลัพธ์ที่ไม่พึงประสงค์ ปัจจุบันเครื่องมือในการช่วยตัดสินใจในการส่งต่อผู้ป่วยเพื่อให้ได้รับการดูแลแบบประคับประคองในปัจจุบันมุ่งเน้นที่การทำนายพยากรณ์โรค มากกว่าการทำนายความต้องการใช้บริการสุขภาพ การศึกษานี้มีวัตถุประสงค์เพื่อพัฒนาและตรวจสอบความเที่ยงตรงภายในของโมเดลแมชชีนเลิร์นนิ่ง เพื่อทำนายการใช้บริการห้องฉุกเฉิน โดยมีเป้าหมายท้ายที่สุดเพื่อสร้างเครื่องมือทางคลินิคเพื่อสนับสนุนการดูแลเชิงรุก และ บูรณาการการดูแลแบบประคับประคองตั้งแต่ช่วงต้นที่ได้รับการวินิจฉัย

วัสดุและวิธีการ: การศึกษาแบบย้อนหลัง ร่วมกับการพัฒนาโมเดลแมชชีนเลิร์นนิ่ง โดยวิเคราะห์ข้อมูลจากเวชระเบียนอิเล็กทรอนิกส์ของผู้ป่วยมะเร็งระยะท้ายที่ได้รับการส่งปรึกษาการดูแลแบบประคับประคองที่โรงพยาบาลปทุมธานี ระหว่าง มกราคม พ.ศ. 2567 ถึง มิถุนายน พ.ศ. 2568 โดยการศึกษานี้ได้มีการนำโมเดลการถดถอยโลจิสติกส์ มาเข้าสู่กระบวนการพัฒนาโมเดลแมชชีนเลิร์นนิ่ง เพื่อทำนายการใช้บริการห้องฉุกเฉิน รายงานผลการศึกษาด้วย พื้นที่ใต้กราฟลักษณะการทำงานของตัวรับ ความแม่นยำ ตัวชี้วัดความสอดคล้องของความน่าจะเป็นที่ทำนายกับผลลัพธ์จริง และการวิเคราะห์เส้นโค้งการตัดสินใจ

ผลการศึกษา: จากการคัดเลือกตัวแปรแบบถอยหลัง พบตัวแปรทำนายที่ส่งผลต่อการใช้บริการห้องฉุกเฉินใน 3 เดือนข้างหน้า ได้แก่ ผู้สูงอายุ, ทุพโภชนาการ, มีอาการหายใจเหนื่อย, นอนโรงพยาบาลใน 3 เดือนที่ผ่านมา, ความสามารถในการช่วยเหลือตนเอง, ได้รับยาแก้ปวดกลุ่มมอร์ฟีน, การบันทึกการวางแผนการดูแลล่วงหน้า โดยโมเดลซึ่งได้รับการตรวจสอบความเที่ยงตรงภายใน แสดงความสามารถในการจำแนก และ ความแม่นยำระดับปานกลาง ร่วมกับความจำเพาะและความสอดคล้องระหว่างค่าความเสี่ยงที่ทำนายและเหตุการณ์จริงที่สูง อย่างไรก็ตามโมเดลที่พัฒนาขึ้นมีความไวที่ต่ำ บ่งบอกว่าเหมาะต่อการยืนยันเข้า มากกว่า การตัดออก การวิเคราะห์เส้นโค้งการตัดสินใจแสดงถึงผลประโยชน์สุทธิเหนือกลยุทธ์การนำไปใช้กับผู้ป่วยทุกราย และ การไม่นำไปใช้เลย ที่เกณฑ์ มากกว่าร้อยละ 10 ของความน่าจะเป็นที่หากผู้ป่วยเป็นโรคจริงจะทำให้การรักษาคุ้มค่าระหว่างความเสี่ยงและประโยชน์

สรุป: เครื่องมือนี้เหมาะต่อการยืนยันผู้ป่วยที่มีความเสี่ยงสูง เครื่องมือในการทำนายนี้ช่วยส่งเสริมการดูแลเชิงรุกโดยเฉพาะการวางแผนการดูแลล่วงหน้าในส่วนของแผนฉุกเฉิน ในผู้ป่วยที่มีความเสี่ยงสูงที่อาจจะมาใช้บริการห้องฉุกเฉิน อย่างไรก็ตามการศึกษานี้ยังต้องได้รับการพัฒนาต่อเนื่องจากเป็นการศึกษาที่สถานที่เดียวและยังมีความไวที่ต่ำ นอกจากนี้ยังต้องการการทดสอบความเที่ยงตรงภายนอกและประเมินผลกระทบต่อประชากรจริง

คำสำคัญ: การดูแลแบบประคับประคอง แมชชีนเลิร์นนิ่ง การใช้บริการสุขภาพ คะแนนสมรรถนะสำหรับผู้ป่วยระยะประคับประคอง การวางแผนการดูแลล่วงหน้า