ระบบการให้คะแนนทำนายการเสียชีวิตในระยะแรกของผู้ป่วยวัณโรค: การทบทวนการนำไปใช้ทางคลินิก
DOI:
https://doi.org/10.14456/taj.2025.10คำสำคัญ:
วัณโรค, การเสียชีวิตระยะแรก, ระบบคะแนนทำนายความเสี่ยง, การทบทวนการนำไปใช้ทางคลินิกบทคัดย่อ
การเสียชีวิตในระยะแรกของการรักษาวัณโรคยังคงเป็นปัญหาสาธารณสุขที่สำคัญระดับโลก โดยพบอัตราการเสียชีวิตสูงถึงร้อยละ 50 ในช่วง 2-3 เดือนแรกของการรักษา การพัฒนาระบบการให้คะแนนทำนายความเสี่ยงจึงมีความสำคัญอย่างยิ่งในการคัดกรองและวางแผนการดูแลรักษา การศึกษานี้มีวัตถุประสงค์เพื่อวิเคราะห์ระบบการให้คะแนนที่ใช้ในปัจจุบัน โดยศึกษาองค์ประกอบและตัวแปรสำคัญในการพยากรณ์โรค ประเมินประสิทธิภาพและข้อจำกัดในทางคลินิก ตลอดจนปัจจัยที่ส่งผลต่อความสำเร็จในการนำไปประยุกต์ใช้สำหรับหน่วยบริการสาธารณสุขในระดับต่างๆ การศึกษาใช้วิธีการทบทวนวรรณกรรมและเอกสารที่เกี่ยวข้อง ที่เกี่ยวกับการนำไปใช้ทางคลินิก ผลการศึกษาพบว่า กระบวนการระบบคะแนนพื้นฐานที่ใช้ตัวแปรทางคลินิกประมาณ 5-8 ตัวแปร สู่ระบบที่มีความซับซ้อน ซึ่งบูรณาการตัวแปรทางคลินิก ผลการตรวจทางห้องปฏิบัติการ และปัจจัยทางประชากรศาสตร์และสังคม รวมถึงการพัฒนาระบบเฉพาะสำหรับผู้ป่วยที่มีความเสี่ยงสูงต่อการเสียชีวิตโดยระบบที่พัฒนาขึ้นมีค่าความแม่นยำในการทำนาย (area under the curve, AUC) อยู่ระหว่าง 0.81-0.89 และสามารถลดอัตราการเสียชีวิตในช่วง 2 เดือนแรกได้ร้อยละ 30-40 แม้จะพบข้อจำกัดด้านความแม่นยำในประชากรที่มีความแตกต่างและความซับซ้อนในการประยุกต์ใช้ แต่แนวโน้มการพัฒนาที่มุ่งเน้นการใช้ปัญญาประดิษฐ์และเทคโนโลยีใหม่ ควบคู่กับการพัฒนาระบบที่มีความยืดหยุ่น จะช่วยเพิ่มประสิทธิภาพการทำนายและความเหมาะสมกับบริบทที่แตกต่างกัน
Downloads
เอกสารอ้างอิง
Lange C, Aaby P, Behr MA, Donald PR, Kaufmann SHE, Netea MG, et al. 100 years of Mycobacterium bovis bacille Calmette-Guerin. Lancet Infect Dis. 2022;22(1):e2-12.
Division of Tuberculosis, Department of Disease Control, Ministry of Public Health Thailand. Tuberculosis situation and control program performance in Thailand, 2019-2023 [Internet]. 2024 [cited 2025 Jan 8]. Available from: https://www.tbthailand.org/download/Manual/รายงานการดำเนินงานวัณโรคของประเทศไทย%20ปี%20พ.pdf (in Thai)
GBD Tuberculosis Collaborators. Global, regional, and national burden of tuberculosis, 1990-2016: results from the global burden of diseases, injuries, and risk factors 2016 study. Lancet Infect Dis. 2018;18(12):1329-49.
Moolphate S, Aung MN, Nampaisan O, Nedsuwan S, Kantipong P, Suriyon N, et al. Time of highest tuberculosis death risk and associated factors: an observation of 12 years in Northern Thailand. Int J Gen Med. 2011;4:181-91.
Volkmann T, Moonan PK, Miramontes R, Oeltmann JE. Excess alcohol use and death among tuberculosis patients in the United States, 1997-2012. J Tuberc Res. 2016;4(1):18-22.
Kantipong P, Murakami K, Moolphate S, Aung MN, Yamada N. Causes of mortality among tuberculosis and HIV co-infected patients in Chiang Rai, Northern Thailand. HIV AIDS (Auckl). 2012;4:159-68.
Bastos HN, Osorio NS, Castro AG, Ramos A, Carvalho T, Meira L, et al. A prediction rule to stratify mortality risk of patients with pulmonary tuberculosis. PLoS One. 2016;11(9):e0162797.
Charoensakulchai S, Limsakul M, Saengungsumalee I, Usawachoke S, Udomdech A, Pongsaboripat A, et al. Characteristics of poor tuberculosis treatment outcomes among patients with pulmonary tuberculosis in community hospitals of Thailand. Am J Trop Med Hyg. 2020;102(3):553-61.
MacPherson P, Houben RM, Glynn JR, Corbett EL, Kranzer K. Pre-treatment loss to follow-up in tuberculosis patients in low- and lower-middle-income countries and high-burden countries: a systematic review and meta-analysis. Bull World Health Organ. 2014;92(2):126-38.
Charoensakulchai S, Lertpheantum C, Aksornpusitpong C, Trakulsuk P, Sakboonyarat B, Rangsin R, et al. Six-year trend and risk factors of unsuccessful pulmonary tuberculosis treatment outcomes in Thai Community Hospital. BMC Res Notes. 2021;14(1):89.
Chinpong K, Thavornwattana K, Armatrmontree P, Chienwichai P, Lawpoolsri S, Silachamroon U, et al. Spatiotemporal epidemiology of tuberculosis in Thailand from 2011 to 2020. Biology (Basel). 2022;11(5):755.
de Almeida CPB, Ziegelmann PK, Couban R, Wang L, Busse JW, Silva DR. Predictors of in-hospital mortality among patients with pulmonary tuberculosis: a systematic review and meta-analysis. Sci Rep. 2018;8(1):7230.
Manabe YC, Worodria W, van Leth F, Mayanja-Kizza H, Traore AN, Ferro J, et al. Prevention of early mortality by presumptive tuberculosis therapy study: an open label, randomized controlled trial. Am J Trop Med Hyg. 2016;95(6):1265-71.
World Health Organization. Guideline: nutritional care and support for patients with tuberculosis [Internet]. 2013 [cited 2025 May 24]. Available from: https://www.who.int/publications/i/item/9789241506410
Shrestha S, Kendall EA, Chang R, Joseph R, Kasaie P, Gillini L, et al. Achieving a "step change" in the tuberculosis epidemic through comprehensive community-wide intervention: a model-based analysis. BMC Med. 2021;19(1):244.
Nguyen DT, Jenkins HE, Graviss EA. Prognostic score to predict mortality during TB treatment in TB/HIV co-infected patients. PLoS One. 2018;13(4):e0196022.
Xu X, Zhu H, Cai L, Zhu X, Wang H, Liu L, et al. Malnutrition is associated with an increased risk of death in hospitalized patients with active pulmonary tuberculosis: a propensity score matched retrospective cohort study. Infect Drug Resist. 2022;15:6155-64.
Gandhi NR, Andrews JR, Brust JC, Montreuil R, Weissman D, Heo M, et al. Risk factors for mortality among MDR- and XDR-TB patients in a high HIV prevalence setting. Int J Tuberc Lung Dis. 2012;16(1):90-7.
Rashidi HH, Khan IH, Dang LT, Albahra S, Ratan U, Chadderwala N, et al. Prediction of tuberculosis using an automated machine learning platform for models trained on synthetic data. J Pathol Inform. 2022;13:10.
You N, Pan H, Zeng Y, Lu P, Zhu L, Lu W, et al. A risk score for prediction of poor treatment outcomes among tuberculosis patients with diagnosed diabetes mellitus from eastern China. Sci Rep. 2021;11:11219.
Saunders MJ, Wingfield T, Tovar MA, Baldwin MR, Datta S, Zevallos K, et al. A score to predict and stratify risk of tuberculosis in adult contacts of tuberculosis index cases: a prospective derivation and external validation cohort study. Lancet Infect Dis. 2017;17(11):1117.
Shih YJ, Ayles H, Lonnroth K, Claassens M, Lin HH. Development and validation of a prediction model for active tuberculosis case finding among HIV-negative/unknown populations. Sci Rep. 2019;9(1):6143.
Rakotosamimanana N, Richard V, Raharimanga V, Gicquel B, Doherty TM, Zumla A, et al. Biomarkers for risk of developing active tuberculosis in contacts of TB patients: a prospective cohort study. Eur Respir J. 2015;46(4):1095-103.
Chen J, Jiang Y, Li Z, Zhang M, Liu L, Li A, et al. Predictive machine learning models for anticipating loss to follow-up in tuberculosis patients throughout anti-TB treatment journey. Sci Rep. 2024;14(1):24685.
World Health Organization. WHO global lists of high burden countries for TB, multidrug/rifampicin-resistant TB (MDR/RR-TB) and TB/HIV, 2021-2025: background document [Internet]. 2021 [cited 2024 Feb 15]. Available from: https://cdn.who.int/media/docs/default-source/hq-tuberculosis/who_globalhbcliststb_2021-2025_backgrounddocument.pdf
Singla R, Raghu B, Gupta A, Caminero JA, Sethi P, Tayal D, et al. Risk factors for early mortality in patients with pulmonary tuberculosis admitted to the emergency room. Pulmonology. 2021;27(1):35-42.
Pefura-Yone EW, Balkissou AD, Poka-Mayap V, Fatime-Abaicho HK, Enono-Edende PT, Kengne AP. Development and validation of a prognostic score during tuberculosis treatment. BMC Infect Dis. 2017;17(1):251.
Nguyen DT, Graviss EA. Development and validation of a prognostic score to predict tuberculosis mortality. J Infect. 2018;77(4):283-90.
Wang Z, Guo Z, Wang W, Zhang Q, Song S, Xue Y, et al. Prediction of tuberculosis treatment outcomes using biochemical markers with machine learning. BMC Infect Dis. 2025;25(1):229.
Restrepo BI, Camerlin AJ, Rahbar MH, Wang W, Restrepo MA, Zarate I, et al. Cross-sectional assessment reveals high diabetes prevalence among newly-diagnosed tuberculosis cases. Bull World Health Organ. 2011;89(5):352-9.
Salvador VG, Undurraga EA, Escobar N, Garcia C, Vergara N, Balcells ME. Short- and long-term increased risk of all-cause mortality in a tuberculosis cohort attributed to SARS-CoV-2 infection: a time-dependent survival analysis in Chile. Lancet Reg Health Am. 2025;46:101119.
Solari L, Acuna-Villaorduna C, Soto A, Agapito J, Perez F, Samalvides F, et al. A clinical prediction rule for pulmonary tuberculosis in emergency departments. Int J Tuberc Lung Dis. 2008;12(6):619-24.
Baik Y, Rickman HM, Hanrahan CF, Mmolawa L, Kitonsa PJ, Sewelana T, et al. A clinical score for identifying active tuberculosis while awaiting microbiological results: development and validation of a multivariable prediction model in sub-Saharan Africa. PLoS Med. 2020;17(11):e1003420.
Wejse C, Gustafson P, Nielsen J, Gomes VF, Aaby P, Andersen PL, et al. TBscore: signs and symptoms from tuberculosis patients in a low-resource setting have predictive value and may be used to assess clinical course. Scand J Infect Dis. 2008;40(2):111-20.
Baluku JB, Apolot PS, Namanda B, Namiiro S, Katusabe S, Karungi D, et al. A predictive score for early in-patient tuberculosis mortality: A case-control study. J Clin Tuberc Other Mycobact Dis. 2024;37:100487.
Krishnamoorthy Y, Knudsen S, Rajaa S, Lakshminarayanan S, Senbagavalli PB, Ellner J, et al. Accuracy of Timika X-ray scoring system to predict the treatment outcomes among tuberculosis patients in India. Indian J Tuberc. 2022;69(4):476-81.
Nidoi J, Muttamba W, Walusimbi S, Imoko JF, Lochoro P, Ictho J, et al. Impact of socio-economic factors on Tuberculosis treatment outcomes in north-eastern Uganda: a mixed methods study. BMC Public Health. 2021;21(1):2167.
