ปัจจัยที่สัมพันธ์ต่อการเสียชีวิตของผู้ป่วยโควิด-19 กรณีศึกษาโรงพยาบาลระยอง
คำสำคัญ:
ปัจจัยที่สัมพันธ์ต่อการเสียชีวิต , โรคโควิด-19 , การวิเคราะห์การถดถอยลอจิสติก , ต้นไม้ตัดสินใจ , โครงข่ายประสาทเทียมแบบหลายลำดับชั้นบทคัดย่อ
บทนำ : การแพร่ระบาดของโรคติดเชื้อไวรัสโคโรนา 2019 (COVID-19) ถือเป็นวิกฤตด้านสาธารณสุขที่ส่งผลกระทบอย่างรุนแรงทั่วโลก รวมถึงประเทศไทยที่มีจำนวนผู้ติดเชื้อเพิ่มขึ้นอย่างต่อเนื่อง ส่งผลให้ระบบบริการสาธารณสุขเผชิญกับข้อจำกัด ทั้งในด้านจำนวนเตียง ทรัพยากรทางการแพทย์ และแนวทางการรักษาที่เปลี่ยนแปลงตามสถานการณ์ การคัดกรองและประเมินความเสี่ยงของผู้ป่วยจึงเป็นขั้นตอนสำคัญในการจัดลำดับความสำคัญเพื่อการดูแลรักษาที่เหมาะสม อย่างไรก็ตาม ข้อมูลที่ใช้อ้างอิงส่วนใหญ่มาจากต่างประเทศ ซึ่งอาจไม่สะท้อนบริบทของประเทศไทยได้อย่างถูกต้อง
วัตถุประสงค์ : เพื่อวิเคราะห์ปัจจัยที่สัมพันธ์กับการเสียชีวิตของผู้ป่วย COVID-19 โดยใช้ตัวแบบที่เหมาะสมสำหรับการทำนายโอกาสเสียชีวิต
วิธีดำเนินการวิจัย : เป็นการวิจัยเชิงปริมาณโดยอาศัยข้อมูลผู้ป่วยโรคโควิด-19 ที่เข้ารับการรักษาในโรงพยาบาลระยอง และจำหน่ายออกจากโรงพยาบาลตั้งแต่วันที่ 1 เมษายน พ.ศ. 2564 ถึงวันที่ 31 มกราคม พ.ศ. 2565 จากฐานข้อมูลผู้ป่วยในระบบสารสนเทศโรงพยาบาล ปัจจัยที่ศึกษาแบ่งเป็น 3 กลุ่ม ได้แก่ (1) คุณลักษณะส่วนบุคคล (เช่น เพศ อายุ สัญชาติ ดัชนีมวลกาย) (2) อาการแรกรับ (เช่น ผลเอกซเรย์ทรวงอก ความดัน อัตราหายใจ และระดับออกซิเจนในเลือด) และ (3) ปัจจัยด้านการรักษา (เช่น การใช้ยา การใช้เครื่องช่วยหายใจ โรคประจำตัว และโรคแทรกซ้อน) การวิเคราะห์ข้อมูลโดยอาศัยสถิติเชิงพรรณนาและวิธีจำแนกกลุ่ม 3 วิธี ประกอบด้วย การวิเคราะห์การถดถอยลอจิสติกทวิภาค ต้นไม้ตัดสินใจ และโครงข่ายประสาทเทียมแบบหลายลำดับชั้น
ผลการวิจัย : ตัวแบบโครงข่ายประสาทเทียมแบบหลายลำดับชั้นที่มีชั้นซ่อน 3 ชั้น ใช้ฟังก์ชัน ReLU และ Sigmoid เป็นวิธีที่ให้ประสิทธิภาพในการทำนายดีที่สุดด้วยค่าความแม่นเท่ากับ 0.95 โดยปัจจัยสำคัญที่มีอิทธิพลต่อการเสียชีวิตของผู้ป่วยโควิด-19 ได้แก่ การใช้เครื่องช่วยหายใจแบบใส่ท่อช่วยหายใจ การป่วยเป็นโรคไต อายุ จำนวนวันนับตั้งแต่วันตรวจพบเชื้อจนถึงวันจำหน่ายการรักษา และยาไฮโดรคอร์ติโซน
สรุป : ปัจจัยที่สัมพันธ์เชิงบวกกับการเสียชีวิต ได้แก่ อายุ โรคประจำตัว เช่น เบาหวาน ความดันโลหิตสูง ระดับออกซิเจนในเลือดต่ำ และการได้รับการรักษาล่าช้า โดยเฉพาะในผู้ป่วยที่ต้องใช้เครื่องช่วยหายใจ ผลการศึกษาสามารถใช้พัฒนาแนวทางคัดกรองและดูแลผู้ป่วยกลุ่มเสี่ยงสูง
เอกสารอ้างอิง
กรมควบคุมโรค. สถานการณ์โรคติดเชื้อไวรัสโคโรนา 2019 (COVID-19) มาตรการสาธารณสุข และปัญหาอุปสรรคการป้องกันควบคุมโรคในผู้เดินทาง; [อินเทอร์เน็ต]. 2564 [เข้าถึง วันที่ 18 สิงหาคม 2564]. เข้าถึงได้จาก: https://ddc.moph.go.th/uploads/files/2017420210 820025238.pdf.
คณะแพทยศาสตร์โรงพยาบาลรามาธิบดี มหาวิทยาลัยมหิดล. ความรู้พื้นฐาน COVID-19 ตอนที่ 1; [อินเทอร์เน็ต]. 2563 [เข้าถึง วันที่ 20 กันยายน 2564]. เข้าถึงได้จาก: https://www.rama.mahidol.ac.th/ceb/News/20 20/Covid-19.
กรมควบคุมโรค. รายงานสถานการณ์โรคติดเชื้อไวรัสโคโรนา 2019 ฉบับที่ 58 วันที่ 1 มีนาคม 2563; [อินเทอร์เน็ต]. 2563 [เข้าถึง วันที่ 18 สิงหาคม 2564]. เข้าถึงได้จาก: https://ddc.moph.go.th/viralpneumonia/file/situation/situation-no58-010363.pdf.
กรมควบคุมโรค. สถานการณ์โรคติดเชื้อไวรัสโคโรนา 2019 (COVID-19) มาตรการสาธารณสุข และปัญหาอุปสรรคการป้องกันควบคุมโรคในผู้เดินทาง วันที่ 14 มกราคม 2564; [อินเทอร์เน็ต]. 2564 [เข้าถึง วันที่ 31 สิงหาคม 2564]. เข้าถึงได้จาก: https://ddc.moph.go.th/uploads/ckeditor2//files/ 1)%20วิเคราะห์สถานการณ์%20covid%20(15%20มค64cp).pdf.
คณะกรรมการโรคติดต่อจังหวัดระยอง. แถลงการณ์จังหวัดระยอง ฉบับที่ 1 เรื่อง สถานการณ์ โรคติดเชื้อไวรัสโคโรนา 2019 (COVID-19) ในพื้นที่จังหวัดระยอง วันที่ 19 มีนาคม 2563.
สาธิต ปิตุเตชะ. ผู้ป่วยโควิด-19 เพศชาย อายุ 45 ปี เสียชีวิต 1 ราย ที่ระยอง; [อินเทอร์เน็ต]. 2563 [เข้าถึง วันที่ 31 สิงหาคม 2564]. เข้าถึงได้จาก:https://www.facebook.com/perma link.php?story_fbid=3648069868612657&id=119568378129508.
โรงพยาบาลวิชัยเวช อินเตอร์เนชั่นแนล หนองแขม. โควิดสายพันธุ์โอไมครอนคืออะไร น่ากลัวแค่ไหน; [อินเทอร์เน็ต]. 2564 [เข้าถึง วันที่ 31 สิงหาคม 2564]. เข้าถึงได้จาก : http s://vichaivej-nongkhaem.com/healthinfo /โควิดโอไมครอน/.
โรงพยาบาลพริ้นซ์ สุวรรณภูมิ. เรื่องควรรู้ เกี่ยวกับเชื้อไวรัสโควิด-19 สายพันธุ์โอไมครอน (Omicron); [อินเทอร์เน็ต]. 2564 [เข้าถึง วันที่ 31 สิงหาคม 2564]. เข้าถึงได้จาก: https://www.princsuvarnabhumi.com/conte nt-omicron/.
กรมควบคุมโรค. รายงานสถานการณ์โรคติดเชื้อไวรัสโคโรนา 2019 ฉบับที่ 724 วันที่ 27 ธันวาคม 2564; [อินเทอร์เน็ต]. 2564 [เข้าถึง วันที่ 31 ธันวาคม 2564]. เข้าถึงได้จาก: https://ddc.moph.go.th/viralpneumonia/file/situation/situation-no724-271264.pdf.
กรมการแพทย์. แนวทางเวชปฏิบัติ การวินิจฉัย ดูแลรักษา และป้องกันการติดเชื้อในโรงพยาบาล กรณีโรคติดเชื้อไวรัสโคโรนา 2019 (COVID-19) สำหรับแพทย์และบุคลากรสาธารณสุข ฉบับปรับปรุง วันที่ 22 เมษายน 2565; [อินเทอร์เน็ต]. 2564 [เข้าถึง วันที่ 30 เมษายน 2565]. เข้าถึงได้จาก : https:// covid19.dms.go.th/backend/Content/Content_File/Covid_Health/Attach/25650422162203PM_CPG_COVID-19_n_v.22_ 20220422.pdf.
Das AK, Mishra S, and Gopalan SS.. Predicting CoVID-19 community mortality risk using machine learning and development of an online prognostic tool. PeerJ 2020; 8: e10083.
Sánchez-Montañés M, Rodríguez-Belenguer P, Serrano-López AJ, Soria-Olivas E, Alakhdar-Mohmara Y. Machine learning for mortality analysis in patients with COVID-19. Int J Environ Res Public Health 2020; 17(22): 8386.
Ferreira AT, Fernandes C, Vieira J, Portela F. Pervasive intelligent models to predict the outcome of COVID-19 patients. Future Internet 2021; 13(4): 102.
Muhammad LJ, Algehyne EA, Usman SS, Ahmad A, Chakraborty C, Mohammed IA. Supervised machine learning models for prediction of COVID-19 infection using epidemiology dataset. SN Comput Sci 2021; 2(1): 1-13.
Li X, Ge P, Zhu J, Li H, Graham J, Singer A, Richman PS, Duong TQ. Deep learning prediction of likelihood of ICU admission and mortality in COVID-19 patients using clinical variables. PeerJ. 2020; 8: e10337.
Agbelusi O, Olayemi OC. Prediction of mortality rate of COVID-19 patients using machine learning techniques in nigeria. Int J Comput Sci Softw Eng 2020; 9(5): 30-34.
Khan IU, Aslam N, Aljabri M, Aljameel, SS, Kamaleldin MMA, Alshamrani FM, Chrouf SMB. Computational intelligence-based model for mortality rate prediction in COVID-19 patients. Int J Environ Res Public Health 2021; 18(12): 6429.
Pourhomayoun M, Shakibi M. Predicting mortality risk in patients with COVID-19 using machine learning to help medical decision-making. Smart Health 2021; 20: 100178.
Moulaei K, Shanbehzadeh M, Mohammadi-Taghiabad Z, Kazemi-Arpanahi H. Comparing machine learning algorithms for predicting COVID-19 mortality. BMC Med Inform Decis Mak 2022; 22(1): 1-12.
Stevens J. Applied multivariate statistics for the social sciences. 3rd ed. Mahwah (NJ): Lawrence Erlbaum Associates; 1996.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2025 วารสารโรงพยาบาลธรรมศาสตร์เฉลิมพระเกียรติ
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
