ปัจจัยทำนายความต้องการใช้เครื่องช่วยหายใจในผู้ป่วยวิกฤตศัลยกรรม
คำสำคัญ:
ความต้องการใช้เครื่องช่วยหายใจ, ผู้ป่วยวิกฤตศัลยกรรม, / ปัจจัยทำนาย, หอผู้ป่วย วิกฤต, ทฤษฎีการปรับตัวของรอยบทคัดย่อ
วัตถุประสงค์ของการวิจัย: เพื่อศึกษาอำนาจการทำนายของชนิดการผ่าตัด ระดับความรู้สึกตัวการวินิจฉัยโรคหลัก และจำนวนโรคร่วมต่อความต้องการใช้เครื่องช่วยหายใจในผู้ป่วยวิกฤตศัลยกรรม
การออกแบบการวิจัย: การศึกษาย้อนหลังเชิงทำนาย แบบภาคตัดขวาง
วิธีดำเนินการวิจัย: กลุ่มตัวอย่างจำนวน 111 คนเป็นผู้ป่วยอายุเท่ากับ 18 ปีและมากกว่า ได้รับการผ่าตัดด้วยวิธีระงับความรู้สึกแบบทั่วร่างกาย และเข้ารับการรักษาต่อในหอผู้ป่วยวิกฤต ใช้ทฤษฎีการปรับตัวของรอยเป็นกรอบแนวคิดในการศึกษาผู้วิจัยเก็บข้อมูลแบบย้อนหลังโดยทบทวนแฟ้มประวัติการรักษาของผู้ป่วย เครื่องมือที่ใช้ในการวิจัยประกอบด้วยแบบบันทึกข้อมูลส่วนบุคคล ข้อมูลทางคลินิก และแบบบันทึกปัจจัยที่สนใจศึกษา วิเคราะห์อำนาจการทำนายด้วยสถิติถดถอยทวิโลจิสติกแบบใส่ข้อมูลเข้าพร้อมกัน
ผลการวิจัย: กลุ่มตัวอย่างมีอายุเฉลี่ย 59.8 ปี (SD=17.4) เป็นเพศชายร้อยละ 64.9 พบว่า เฉพาะชนิดการผ่าตัดและระดับความรู้สึกตัวสามารถทำนายความต้องการใช้เครื่องช่วยหายใจได้อย่างมีนัยสำคัญทางสถิติโดยผู้ป่วยที่ได้รับการผ่าตัดแบบฉุกเฉินมีโอกาสเสี่ยงที่จะพบความต้องการใช้เครื่องช่วยหายใจนานกว่า 48 ชั่วโมง มากกว่าถึง 2.94 เท่า เปรียบเทียบกับผู้ป่วยที่ได้รับการผ่าตัดแบบนัดหมาย (OR=2.939; 95%CI=1.002-8.621, p=.05) และผู้ป่วยที่มีระดับความรู้สึกตัวไม่ดี (Glasgow coma
score: GCS ≤ 8) มีโอกาสเสี่ยงที่จะพบความต้องการใช้เครื่องช่วยหายใจนานกว่า 48 ชั่วโมง มากกว่าผู้ป่วย ที่มีระดับความรู้สึกตัวดีถึงปานกลาง (GCS > 8) 4.77 เท่า (OR=4.771; 95%CI=1.641-13.868, p<.01) โดยแบบจำลองการทำนายสามารถอธิบายความแปรปรวนได้ร้อยละ 21.6 (Nagelkerke R2=.216)
ข้อเสนอแนะ: ผู้ป่วยวิกฤตศัลยกรรมที่ได้รับการผ่าตัดแบบฉุกเฉินและมีระดับความรู้สึกตัวไม่ดี มีโอกาสเสี่ยงที่จะมีความต้องการใช้เครื่องช่วยหายใจหลังผ่าตัดในหอผู้ป่วยวิกฤตนานกว่า 48 ชั่วโมงมากกว่าผู้ป่วยกลุ่มอื่น ระบบหายใจอาจปรับตัวได้อย่างไม่มีประสิทธิภาพในความพยายามที่จะรักษาสมดุลด้านออกซิเจน อธิบายได้ด้วยทฤษฎีการปรับตัวของรอยพยาบาลผู้ดูแลผู้ป่วยวิกฤตควรวางแผนประเมินปัจจัยที่มีอิทธิพลเหล่านี้ เพื่อให้การบำบัดการพยาบาลที่ส่งเสริมการปรับตัวด้านออกซิเจนอย่างมีประสิทธิภาพลดความต้องการใช้เครื่องช่วยหายใจ และช่วยป้องกันภาวะแทรกซ้อนของระบบหายใจในผู้ป่วยกลุ่มนี้
Downloads
เอกสารอ้างอิง
Kongsayreepong S, Chittawatanarat K, Thawitsri T, Chatmongkolchart S, Morakul S, Wacharasint P, et
al. A multi-center Thai university-based surgical intensive care units study (THAI-SICU study): outcome of ICU care and adverse events. J Med Assoc Thai 2016;99(Suppl6):S1-14.
Miskovic A, Lumb AB. Postoperative pulmonary complications. Br J Anaesth 2017;118(3):317-34. 3. Xu Y, Lai C, Xu G, Meng W, Zhang J, Hou H, et al. Risk factors of ventilator-associated pneumonia in elderly patients receiving mechanical ventilation. Clin Interv Aging 2019;14:1027-38.
Wu D, Wu C, Zhang S, Zhong Y. Risk factors of ventilator-associated pneumonia in critically ill patients. Front Pharmacol 2019;10:482. doi:10. 3389/fphar.2019.00482.
Li Y, Liu C, Xiao W, Song T, Wang S. Incidence, risk factors, and outcomes of ventilator-associated pneumonia in traumatic brain injury: a meta-analysis. Neurocrit Care 2020;32(1):272-85.
Gupta S, Fernandes RJ, Rao JS, Dhanpal R. Perioperative risk factors for pulmonary complications after noncardiac surgery. J Anaesthesiol Clin Pharmacol 2020;36(1):88-93.
Piotto RF, Ferreira FB, Colósimo FC, Silva GS, Sousa AG, Braile DM, et al. Independent predictors of prolonged mechanical ventilation after coronary artery bypass surgery. Rev Bras Cir Cardiovasc 2012;27:520–8.
Roy C. The Roy adaptation model. 3rd ed. Upper Saddle River (NJ): Pearson; 2009.
Ursavas FE, Karayurt O, Iseri O. Nursing approach based on Roy adaptation model in a patient undergoing
breast conserving surgery for breast cancer. J Breast Health 2014;10(3):134-40. doi:10.5152/ tjbh.2014.1910.
Carroll K, Frey-Moylan G. Nursing perspectives and knowledge with an acuity adaptable model. Nurs
Sci Q 2020;33(2):128-31. doi:10.1177/0894318419901283.
Lumb AB, Thomas CR. Nunn and Lumb’s applied respiratory physiology. 9th revised ed. eBook. London (UK): Elsevier Health Sciences; 2020.
West JB, Luks AM. West’s respiratory physiology: the essentials. 11th ed. Philadelphia: Wolters Kluwer; 2020.
Jung YT, Kim MJ, Lee JG, Lee SH. Predictors of early weaning failure from mechanical ventilation in critically ill patients after emergency gastrointestinal surgery: a retrospective study. Medicine 2018; 97(40):e12741. doi:10.1097/MD.00000000 00012741.
Hooda B, Chouhan RS, Rath GP, Lamsal R, Bithal PK. Incidence and predictors of postoperative pulmonary complications in patients undergoing craniotomy and excision of posterior fossa tumor. J Anaesthesiol Clin Pharmacol 2019;35(2):254-60.
Canet J, Gallart L, Gomar C, Paluzie G, Vallès J, Castillo J, et al. Prediction of postoperative pulmonary
complications in a population-based surgical cohort. Anesthesiology 2010;113(6):1338-50.
Othman HA, Gamil NM, Elgazzar AE, Fouad TA. Ventilator associated pneumonia, incidence and risk
factors in emergency intensive care unit Zagazig university hospitals. Egypt J Chest Dis Tuberc 2017;66(4):703-8.
Jin Y, Xie G, Wang H, Jin L, Li J, Cheng B, et al. Incidence and risk factors of postoperative pulmonary complications in non-cardiac Chinese patients: a multicenter observational study in university hospitals.
Biomed Res Int 2015;2015:265165. doi:10. 1155/2015/265165.
Woothisarn Y, Watthanachi T, Tareepian N, Soontornjamorn P. Factors associated with weaning-times
in a medical ward. Journal of Nursing and Health Care 2016;34(4):89-96. (in Thai)
Thanajronpath S, Wonganan U, Sirikul S, Kanchanabothsaya C, KlinKajorn U. The development of program and the effectiveness of weaning ventilator protocol on success of weaning and duration of mechanical ventilator in patients with traumatic brain injury. Journal of Nursing and Health Care 2015; 33(2):83-91. (in Thai)
Chayaput P, Utriyaprasit K, Bootcheewan S, Thosingha O. Coping and health problems of caregivers of
survivors with traumatic brain injury. Aquichan 2014; 14(2):170-83.
Faul F, Erdfelder E, Buchner A, Lang AG. Statistical power analyses using G*Power 3.1: tests for correlation
and regression analyses. Behav Res Methods 2009; 41(4):1149-60. doi:10.3758/BRM.41.4.1149.
Pituch KA, Stevens JP. Applied multivariate statistics for the social sciences: analyses with SAS and IBM’s
SPSS. 6th ed. New York: Routledge; 2016.
Mahmood K, Eldeirawi K, Wahidi MM. Association of gender with outcomes in critically ill patients. Crit
Care 2012;16(3):R92. doi:10.1186/cc11355
