การศึกษาสภาพปัจจุบัน ปัญหา และความต้องการในการใช้เครื่องมือช่วยวินิจฉัย อายุกระดูกและติดตามการเจริญเติบโตในเด็กไทย

รติกร  ไชยศิวามงคล; นิภาพร  เตวัฒนรัตน์; วิไลรัตน์  เถาวัลย์ดี; วิชุดา  ไชยศิวามงคล; ชนกานต์  พูลผล; ฉัตรปรินท์ ปานสุขรดา; ศรัณย์  ไพศาลศรีสมสุข; ภาณวิชญ์  หาญพินิจศักดิ; ขวัญข้าว  ตั้งประเสริฐ; พิชญา  วิรัชโชติเสถียร

ผู้แต่ง

รติกร ไชยศิวามงคล คณะแพทยศาสตร์ มหาวิทยาลัยขอนแก่น
นิภาพร เตวัฒนรัตน์ คณะแพทยศาสตร์ มหาวิทยาลัยขอนแก่น
วิไลรัตน์ เถาวัลย์ดี คณะแพทยศาสตร์ มหาวิทยาลัยขอนแก่น
วิชุดา ไชยศิวามงคล Faculty of Science, Khon Kaen University
ชนกานต์ พูลผล คณะวิทยาศาสตร์ มหาวิทยาลัยขอนแก่น
ฉัตรปรินท์ ปานสุขรดา คณะวิทยาศาสตร์ มหาวิทยาลัยขอนแก่น
ศรัณย์ ไพศาลศรีสมสุข คณะวิศวกรรมศาสตร์ มหาวิทยาลัยขอนแก่น
ภาณวิชญ์ หาญพินิจศักดิ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยขอนแก่น
ขวัญข้าว ตั้งประเสริฐ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยขอนแก่น
พิชญา วิรัชโชติเสถียร คณะวิทยาศาสตร์ มหาวิทยาลัยขอนแก่น

คำสำคัญ:

การประเมินอายุกระดูก , การเจริญเติบโต , การเจริญเติบโตทุติยภูมิ , เครื่องมือช่วยวินิจฉัย

บทคัดย่อ

บทนำ : การประเมินอายุกระดูกมีความสำคัญต่อการวินิจฉัยและติดตามการเจริญเติบโตของเด็ก แม้ว่าวิธีกรูลิชแอนด์ไพล์ (GP) จะใช้กันแพร่หลาย แต่ก็มีข้อจำกัดด้านความแม่นยำและความแปรปรวน ในขณะที่ต่างประเทศใช้ปัญญาประดิษฐ์ (AI) เพื่อเพิ่มประสิทธิภาพการประเมิน ประเทศไทยยังขาดข้อมูลด้านสภาพปัจจุบัน ปัญหา และความต้องการในการนำ AI มาใช้ในบริบทนี้

วัตถุประสงค์ : เพื่อศึกษาสภาพปัจจุบัน ปัญหา และความต้องการในการใช้เครื่องมือช่วยวินิจฉัยอายุกระดูกและติดตามการเจริญเติบโต

วิธีดำเนินการวิจัย: เป็นการวิจัยเชิงคุณภาพ โดยการศึกษาเอกสารและสัมภาษณ์เชิงลึกในกลุ่มผู้ใช้งาน 2 กลุ่ม ได้แก่ แพทย์ 6 คน (กุมารแพทย์ 3 คน, แพทย์ด้านรังสี 3 คน) และกลุ่มผู้ปกครองที่เกี่ยวข้องอีก 6 คน ณ โรงพยาบาลศรีนครินทร์ มหาวิทยาลัยขอนแก่น จากนั้นนำข้อมูลทั้งหมดมาวิเคราะห์เชิงเนื้อหา

ผลการศึกษา : สภาพปัจจุบัน: แพทย์ผู้ให้ข้อมูลทั้งหมดใช้วิธี GP เนื่องจากสะดวกและรวดเร็ว ปัญหา: วิธี GP มีข้อจำกัดด้านความแปรปรวนระหว่างผู้ประเมินเพราะต้องอาศัยประสบการณ์ของแพทย์ในบางช่วงอายุ ขณะที่ AI ของต่างประเทศมีค่าใช้จ่ายสูงและยังไม่แพร่หลายในไทย อีกทั้งผู้ปกครองยังขาดความรู้ในการสังเกตพัฒนาการเข้าสู่วัยรุ่นก่อนวัย ทำให้การตรวจพบความผิดปกติล่าช้า ความต้องการ: แพทย์เห็นความจำเป็นในการพัฒนา AI ที่เหมาะสมกับบริบทเด็กไทย เพื่อเพิ่มความแม่นยำและลดความแปรปรวนในการประเมิน และเสนอให้พัฒนาเป็นแอปพลิเคชันสำหรับแพทย์และผู้ปกครอง ที่สามารถประเมินอายุกระดูก คาดการณ์ความสูงสุดท้าย และติดตามการเจริญเติบโตทุติยภูมิได้อย่างต่อเนื่อง ซึ่งสอดคล้องกับความต้องการของผู้ปกครอง

สรุป : ปัจจุบันแพทย์นิยมใช้วิธี GP แต่ยังมีความซับซ้อนและความแปรปรวนสูง แนวทางที่มีศักยภาพและตอบโจทย์ความต้องการของทั้งแพทย์และผู้ปกครอง คือ การพัฒนา AI เพื่อประเมินอายุกระดูก ควบคู่กับการพัฒนาแอปพลิเคชันที่สะดวกและเหมาะสม เพื่อรองรับการติดตามการเจริญเติบโตได้อย่างต่อเนื่องในบริบทของเด็กไทย

เอกสารอ้างอิง

Cavallo F, Mohn A, Chiarelli F, Giannini C. Evaluation of bone age in children: a mini-review. Front Pediatr 2021.

Prokop-Piotrkowska M, Marszałek-Dziuba K, Moszczynska E, Szalecki M, Jurkiewicz E. Traditional and New Methods of Bone Age Assessment-An Overview. J Clin Res Pediatr Endocrinol. 2021;13(3):251-262.

Yaisilp P, Numsriskulrat N, Sahakitrungruang T. Clinical and epidemiological insights into early puberty in Thai girls: a 5-year study. Ann Pediatr Endocrinol Metab. 2025;30(1):17–24.

Michael DJ, Nelson AC. HANDX: a model-based system for automatic segmentation of bones from digital hand radiographs. IEEE transactions on medical imaging. 1989 Mar;8(1):64-9.

Visiana A/S. BoneXpert User Manual, Version 3.2. Copenhagen, Denmark; 2020. (Available from https://www.visiana.com/bonexpert)

Thodberg HH, Neuhof J, Ranke MB, Jenni OG, Martin DD. Validation of bone age methods by their ability to predict adult height. Horm Res Paediatr. 2010;74(1):15-22.

Greulich WW, Pyle SI. Radiographic atlas of skeletal development of the hand and wrist. Stanford University Press; 1959.

Tanner JM. Growth at Adolescence with a General Consideration on the Effects of Hereditary and Environmental Factors Upon Growth and Maturation from Birth to Maturity. Blackwell; 1966.

Tanner JM. Assessment of skeletal maturity and prediction of adult height: TW2 method. London: Academic Press; 1983. p. 50–106.

Tanner JM, Healy MJR, Goldstein H, Cameron N. Assessment of skeletal maturity and prediction of adult height: TW3 method. London: W.B. Saunders; 2001.

Buken B, Safak AA, Yazici B, Buken E, Mayda AS. Is the assessment of bone age by the Greulich-Pyle method reliable at forensic age estimation for Turkish children? Forensic Sci Int 2007; 173:146–153.

Ranjitkar S, Lin NH, Macdonald R, Taylor JA, Townsend GC. Stature and skeletal maturation of two cohorts of Australian children and young adults over the past two decades. Aust Orthod J 2006; 22:47–58.

Soudack M, Ben-Shlush A, Jacobson J, Raviv-Zilka L, Eshed I, Hamiel O. Bone age in the 21st century: Is Greulich and Pyle’s atlas accurate for Israeli children? Pediatr Radiol 2012; 42:343–348.

Lin NH, Ranjitkar S, Macdonald R, Hughes T, Taylor JA, Townsend GC. New growth references for assessment of stature and skeletal maturation in Australians. Aust Orthod J 2006; 22:1–10.

Zafar AM, Nadeem N, Husen Y, Ahmad MN. An appraisal of Greulich-Pyle atlas for skeletal age assessment in Pakistan. J Pak Med Assoc 2010; 60:552–555.

Goodfellow I, Bengio Y, Courville A, Bengio Y. Deep learning. Cambridge: MIT press; 2016 Nov 18.

Gross GW, Boone JM, Bishop DM. Pediatric skeletal age: determination with neural networks. Radiology 1995;195(3):689–695.

Radiological Society of North America (RSNA). (2017). RSNA Pediatric Bone Age Machine Learning Challenge 2017 [Internet]. Retrieved April 10, 2025, from https://www.rsna.org/rsnai/ai-image-challenge/rsna-pediatric-bone-age-challenge-2017

Cao F, et al. Digital hand atlas and web-based bone age assessment: System design and implementation. Comput Med Imaging Graph 2000;24(5):297–307.

Mehta C, Ayeesha B, Sotakanal A, Desai SD, Ganguly AD, Shetty V. Deep learning framework for automatic bone age assessment. In: 2021 43rd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC). 2021:3093–3096.

Maratova K, Zemkova D, Sedlak P, et al. A comprehensive validation study of the latest version of BoneXpert on a large cohort of Caucasian children and adolescents. Front Endocrinol (Lausanne). 2023;14: 1130580. Published 2023 Mar 24.

Larrazabal AJ, Nieto N, Peterson V, Milone DH, Ferrante E. Gender imbalance in medical imaging datasets produces biased classifiers for computer-aided diagnosis. Proceedings of the National Academy of Sciences. 2020 Jun 9;117(23):12592-4.

Seyyed-Kalantari, L., Liu, G., McDermott, M., Chen, I. Y., & Ghassemi, M. (2021). CheXclusion: Fairness gaps in deep chest X-ray classifiers. In Biocomputing 2021: Proceedings of the Pacific Symposium (pp. 232–243).

Seyyed-Kalantari L, Zhang H, McDermott MB, Chen IY, Ghassemi M. Underdiagnosis bias of artificial intelligence algorithms applied to chest radiographs in under-served patient populations. Nature medicine. 2021 Dec;27(12):2176-82.

Bayley N, Pinneau SR. Tables for predicting adult height from skeletal age: Revised for use with the Greulich-Pyle hand standards. J Pediatr. 1952;40(4):423–441.

Marceau K, Abar CC, Jackson KM. Parental Knowledge is a Contextual Amplifier of Associations of Pubertal Maturation and Substance Use. J Youth Adolesc. 2015;44(9):1720-1734.