การประเมินศักยภาพของ ChatGPT ในการพยากรณ์การเสียชีวิตของผู้ป่วยติดเชื้อในกระแสเลือดในห้องฉุกเฉินโรงพยาบาลวารินชำราบ จังหวัดอุบลราชธานี
Article Sidebar
Main Article Content
บทคัดย่อ
หลักการและเหตุผล: ภาวะติดเชื้อในกระแสเลือด (Sepsis) เป็นภาวะฉุกเฉินที่มีอัตราการเสียชีวิตสูง อย่างไรก็ตามข้อมูลเกี่ยวกับศักยภาพของ ChatGPT ในการพยากรณ์การเสียชีวิตของผู้ป่วย sepsis ในบริบทเวชปฏิบัติจริงของประเทศไทยยังมีจำกัด
วัตถุประสงค์: เพื่อประเมินศักยภาพของ ChatGPT ในการพยากรณ์การเสียชีวิตภายใน 7 วัน และ 28 วันของผู้ป่วยภาวะติดเชื้อในกระแสเลือดที่เข้ารับการรักษาในห้องฉุกเฉิน
วิธีการศึกษา: การศึกษาครั้งนี้เป็น prospective study ในผู้ป่วยภาวะติดเชื้อในกระแสเลือดที่เข้ารับการรักษา ณ ห้องฉุกเฉิน โรงพยาบาลวารินชำราบ จังหวัดอุบลราชธานี ระหว่างวันที่ 1 มกราคม ถึง 31 พฤษภาคม พ.ศ. 2569 จำนวน 272 ราย ข้อมูลทางคลินิกวันแรกถูกนำเข้าสู่ ChatGPT (GPT-4) ผ่าน structured prompt เพื่อพยากรณ์ความเสี่ยงการเสียชีวิตภายใน 7 วันและ 28 วัน
ผลการศึกษา: จากผู้ป่วยทั้งหมด 272 ราย พบผู้เสียชีวิตภายใน 7 วัน จำนวน 12 ราย (ร้อยละ 4.4) และเมื่อครบ 28 วัน มีผู้เสียชีวิตสะสมรวม 26 ราย (ร้อยละ 9.6) ผู้ป่วยที่เสียชีวิตมีอายุเฉลี่ยสูงกว่า มีโรคร่วมมากกว่า และมีความรุนแรงของโรคมากกว่าอย่างมีนัยสำคัญทางสถิติ โดยพบภาวะ septic shock ความดันโลหิต systolic ต่ำ อัตราการหายใจสูง ค่าออกซิเจนปลายนิ้วต่ำ การใช้ยากระตุ้นความดันโลหิต และการได้รับสารน้ำภายใน 1 ชั่วโมงแรกมากกว่ากลุ่มรอดชีวิต (p<0.05) ChatGPT สามารถพยากรณ์การเสียชีวิตภายใน 7 วันได้ด้วย sensitivity ร้อยละ 83.3 specificity ร้อยละ 53.5 PPV ร้อยละ 7.6 และ NPV ร้อยละ 98.6 โดยมีค่า AUROC เท่ากับ 0.684 (95% CI: 0.57–0.79) สำหรับการพยากรณ์การเสียชีวิตภายใน 28 วัน พบ sensitivity ร้อยละ 73.1 specificity ร้อยละ 56.1 PPV ร้อยละ 15.0 และ NPV ร้อยละ 95.2 โดยมีค่า AUROC เท่ากับ 0.646 (95% CI: 0.55–0.73)
สรุป: ChatGPT มีความสามารถในการจำแนกผู้ป่วยที่เสียชีวิตและรอดชีวิตได้ โดยมีค่า AUROC เท่ากับ 0.684 สำหรับการพยากรณ์การเสียชีวิตภายใน 7 วัน และ 0.646 สำหรับการเสียชีวิตภายใน 28 วัน
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
วิมลรัตน์ เสนาะเสียง. การพัฒนาระบบการดูแลผู้ป่วยติดเชื้อในกระแสเลือด (SEPSIS) โรงพยาบาลสมเด็จ. วารสารการศึกษาสุขภาพและการจัดการสิ่งแวดล้อม 2566;8(3):661–667.
Rudd KE, Johnson SC, Agesa KM, Shackelford KA, Tsoi D, Kievlan DR, et al. Global, regional, and national sepsis incidence and mortality, 1990-2017: analysis for the Global Burden of Disease Study. Lancet 2020;395(10219):200-11. doi: 10.1016/S0140-6736(19)32989-7.
Evans L, Rhodes A, Alhazzani W, Antonelli M, Coopersmith CM, French C, et al. Surviving sepsis campaign: international guidelines for management of sepsis and septic shock 2021. Intensive Care Med 2021;47(11):1181-247. doi: 10.1007/s00134-021-06506-y.
Kądziołka I, Świstek R, Borowska K, Tyszecki P, Serednicki W. Validation of APACHE II and SAPS II scales at the intensive care unit along with assessment of SOFA scale at the admission as an isolated risk of death predictor. Anaesthesiol Intensive Ther 2019;51(2):107-11. doi: 10.5114/ait.2019.86275.
Tekin B, Kiliç J, Taşkin G, Solmaz İ, Tezel O, Başgöz BB. The Comparison of scoring systems: SOFA, APACHE-II, LODS, MODS, and SAPS-II in critically ill elderly sepsis patients. J Infect Dev Ctries 2024;18(1):122-30. doi: 10.3855/jidc.18526.
Bao C, Deng F, Zhao S. Machine-learning models for prediction of sepsis patients mortality.
Med Intensiva (Engl Ed) 2023;47(6):315-25. doi: 10.1016/j.medine.2022.06.024.
Zhang G, Shao F, Yuan W, Wu J, Qi X, Gao J, et al. Predicting sepsis in-hospital mortality with machine learning: a multi-center study using clinical and inflammatory biomarkers. Eur J Med Res 2024;29(1):156. doi: 10.1186/s40001-024-01756-0.
Lundberg S, Lee Su-In. A Unified Approach to Interpreting Model Predictions. [Internet]. [cited 2025 Nov 1]. Available from:URL: https://www.researchgate.net/publication/317062430_A_Unified_Approach_to_Interpreting_Model_Predictions.
Chung P, Fong CT, Walters AM, Aghaeepour N, Yetisgen M, O'Reilly-Shah VN. Large Language Model Capabilities in Perioperative Risk Prediction and Prognostication. JAMA Surg 2024;159(8):928-37. doi: 10.1001/jamasurg.2024.1621.
Oh N, Cha WC, Seo JH, Choi SG, Kim JM, Chung CR, et al. ChatGPT Predicts In-Hospital All-Cause Mortality for Sepsis: In-Context Learning with the Korean Sepsis Alliance Database. Healthc Inform Res 2024;30(3):266-76. doi: 10.4258/hir.2024.30.3.266.
Amacher SA, Arpagaus A, Sahmer C, Becker C, Gross S, Urben T, et al. Prediction of outcomes after cardiac arrest by a generative artificial intelligence model. Resusc Plus 2024;18:100587. doi: 10.1016/j.resplu.2024.100587.
Basaran AE, Güresir A, Knoch H, Vychopen M, Güresir E, Wach J. Beyond traditional prognostics: integrating RAG-enhanced AtlasGPT and ChatGPT 4.0 into aneurysmal subarachnoid hemorrhage outcome prediction. Neurosurg Rev 2025;48(1):40. doi: 10.1007/s10143-025-03194-w.
Singer M, Deutschman CS, Seymour CW, Shankar-Hari M, Annane D, Bauer M, et al.
The Third International Consensus Definitions for Sepsis and Septic Shock (Sepsis-3). JAMA 2016;315(8):801-10. doi: 10.1001/jama.2016.0287.
Haas R, McGill SC. Artificial Intelligence for the Prediction of Sepsis in Adults: CADTH Horizon Scan [Internet]. Ottawa (ON): Canadian Agency for Drugs and Technologies in Health; 2022 [cited 2026 May 15]. (CADTH Horizon Scans). Available from:URL https://www.ncbi.nlm.nih.gov/books/NBK596676/.
Liu Z, Shu W, Li T, Zhang X, Chong W. Interpretable machine learning for predicting sepsis risk in emergency triage patients. Sci Rep 2025;15(1):887. doi: 10.1038/s41598-025-85121-z.
