การใช้การวิเคราะห์เชิงทำนายสำหรับการระบุสถานะการจำหน่ายและการรอดชีวิตในผู้ป่วยภาวะติดเชื้อและผู้ป่วยภาวะช็อกจากเหตุพิษติดเชื้อบนพื้นฐานของปัจจัย การผ่าตัดและการทำหัตถการทางการแพทย์
คำสำคัญ:
ภาวะติดเชื้อในกระแสเลือด, ภาวะช็อก, การทำเหมืองข้อมูลบทคัดย่อ
ภาวะติดเชื้อในกระแสเลือด และภาวะช็อกเป็นปัญหาสุขภาพที่ทำให้เกิดอัตราการเสียชีวิตที่สูงขึ้นของผู้ป่วยทั้งในประเทศไทยและทั่วโลกสูงถึงร้อยละ 62-74 รายต่อปี เช่นเดียวกับโรงพยาบาลราชบุรีที่เป็นโรงพยาบาลรัฐขนาดใหญ่ในภาคกลางของประเทศไทย ซึ่งพบจำนวนผู้ป่วยที่มีภาวะดังกล่าวเฉลี่ยปีละ 1,339 ราย งานวิจัยนี้จึงนำเสนอการประยุกต์วิธีการเหมืองข้อมูลเพื่อสร้างแบบจำลองเพื่อทำนายการรอดชีวิต และการระบุสถานะการจำหน่ายของผู้ป่วยภาวะติดเชื้อในกระแสเลือดและภาวะช็อก ขอบเขตของงานวิจัยนี้คือข้อมูลคนไข้ในโรงพยาบาลราชบุรีตั้งแต่ปี พ.ศ. 2555-2559 วิธีการทำนาย 5 วิธี ได้แก่ วิธีนาอีฟเบย์ วิธีถดถอยโลจิสติก วิธีการเรียนรู้เชิงลึก วิธีต้นไม้ตัดสินใจ และวิธีเกรเดียนท์บูตทรีส์ ได้ถูกนำมาทดลองเปรียบเทียบประสิทธิภาพและความเหมาะสมในการนำไปใช้ ผลการทดลองพบว่าถึงแม้ว่าเกรเดียนท์บูตทรีส์จะมีค่าประสิทธิภาพสูงที่สุดแต่วิธีต้นไม้ตัดสินใจจะถูกเลือกเป็นวิธีที่เหมาะสมที่สุดเนื่องด้วยความเข้าใจง่ายของแบบจำลองที่จะนำไปสื่อสารให้ผู้เชี่ยวชาญต่อไปและค่าประสิทธิภาพก็ไม่ได้ต่ำกว่าวิธีเกรเดียนท์บูตทรีส์มาก สุดท้ายนี้กฎการตัดสินใจนี้จะสามารถนำไปอำนวยความสะดวกและสนับสนุนการตัดสินใจทางการแพทย์ต่อไปได้
เอกสารอ้างอิง
2. Sepsis and Organ Failure Definitions and Guidelines. Critical Care Medicine. 1993; 21(10):1612-1613.
3. Torio CM, Andrews RM. National Inpatient Hospital Costs: The Most Expensive Conditions by Payer, 2011. HCUP Statistical Brief #160. 2013.
4. Pipatwesh K. Factors affecting the mortality rate of sepsis patients in Uttaradit Hospital. Thai Journal of Tuberculosis Chest Diseases and Critical Care. 2008; 29:135-144. Thai.
5. Chuesakoolvanich K. Septic death in adults at Surin Hospital: an investigation of real-life clinical practice vs. empirical guidelines. J Med Assoc Thai. 2007; 90:2039-2046. Thai.
6. The National Healthcare Quality Report, 2005. AHRQ. 2005.
7. Vogel TR, Dombrovskiy VY, Carson JL, Graham AM, Lowry SF. Postoperative Sepsis in the United States. Annals of Surgery. 2010; 252(6):1065–1071.
8. Su L-X, Meng K, Zhang X, Wang H-J, Yan P, Jia Y-H, et al. Diagnosing Ventilator-Associated Pneumonia in Critically Ill Patients With Sepsis. American Journal of Critical Care. 2012; 21(6):110–119.
9. Patel SB, Yadav PK, Shukla DP. Predict the Diagnosis of Heart Disease Patients Using Classification Mining Techniques. IOSR Journal of Agriculture and Veterinary Science. 2013; 4(2):61–64.
10. Han J, Pei J, Kamber M. Data Mining: Concepts and Techniques. 3rd ed. San Francisco: Elsevier Science & Technology; 2017.
11. Palaniappan S, Awang R. Intelligent heart disease prediction system using data mining techniques. IJCSNS International Journal of Computer Science and Network Security. 2008; 8(8):343-350
12. Jonggasikit NN. A Decision Support System for Analyzing the Risk of Two Chronic Diseases: Diabetes Mellitus and Hypertension. Industrial Technology Lampang Rajabhat University Journal. 2016; 9:11-19. Thai.
13. Shearer C. The CRISP-DM Model: The New Blueprint for Data Mining. Journal of Data Warehousing. 2000; 5(4).
14. Rajchaburi Hospital. History of Rajchaburi Hospital [Internet]. History of Rajchaburi Hospital; 2016 [cited 2018 Apr 15]. Available from: http://bit.do/rajburihospital. Thai.
15. Kitsirikul B. Research of Sub-Project No.7 Report. Data mining algorithm. 2003. Thai
16. Hosmer DW, Lemeshow S, Sturdivant RX. Applied logistic regression. 3rd ed. Hoboken: Wiley; 2013.
17. Deng L, Yu D. Deep learning: methods and applications. Boston: Now; 2014.
18. Wongprachanukul N. A proper method for decision tree pruning in scientific data mining. Nakornratchasima, Suranaree University of Technology; 2005. 118p. Thai.
19. Windeatt T, Ardeshir G. Boosted Tree Ensembles for Solving Multiclass Problems. Multiple Classifier Systems Lecture Notes in Computer Science. 2002; 2364: 42–51.
20. Fogel D. An introduction to simulated evolutionary optimization. IEEE Transactions on Neural Networks. 1994; 5(1):3–14.
21. Devijver PA, Kittler J. Pattern recognition: a statistical approach. Prentice-Hall, London; 1982.
22. Brodersen J, Schwartz LM, Heneghan C, O'Sullivan JW, Aronson JK, Woloshin S. Overdiagnosis: what it is and what it isn't. BMJ Evid Based Med. 2018; 23(1):1–3.
23. Delong ER, Delong DM, Clarke-Pearson DL. Comparing the Areas under Two or More Correlated Receiver Operating Characteristic Curves: A Nonparametric Approach. Biometrics. 1988; 44(3):837–45.
24. Simon H. Neural networks: A comprehensive foundation. 2nd ed. New Delhi: Prentice-Hall of India; 2008.
