แบบจำลองปัญญาประดิษฐ์ทำนายปริมาณเลือดออกหลังผ่าตัดหัวใจโรงพยาบาลสมุทรสาคร

ณัฐพงศ์  รั้วมั่น

ผู้แต่ง

ณัฐพงศ์ รั้วมั่น โรงพยาบาลสมุทรสาคร

คำสำคัญ:

การผ่าตัดหัวใจแบบเปิด, ปัญญาประดิษฐ์

บทคัดย่อ

วัตถุประสงค์: เพื่อพัฒนาและเปรียบเทียบประสิทธิภาพของแบบจำลองปัญญาประดิษฐ์ในการทำนายปริมาณเลือดหลังผ่าตัดหัวใจแบบเปิดภายใน 4 ชั่วโมงแรก และทำนายความเสี่ยงของการเกิดภาวะเลือดออกมากกว่า 400 มิลลิลิตร และประเมินศักยภาพในการประยุกต์ใช้เป็นเครื่องมือตัดสินใจทางคลินิก

วิธีการศึกษา: การศึกษาเชิงพรรณนาย้อนหลังในผู้ป่วยผ่าตัดหัวใจแบบเปิด จำนวน 530 ราย ที่โรงพยาบาลสมุทรสาคร ระหว่างวันที่ 1 มกราคม พ.ศ. 2562 ถึง 30 เมษายน พ.ศ. 2568 ใช้ข้อมูลทางคลินิกก่อน, ระหว่าง, และหลังผ่าตัด พัฒนาแบบจำลองการเรียนรู้แบบมีผู้สอน ได้แก่ RandomForest, HistGradientBoosting, และ XGBoost เพื่อทำนายทั้งการเกิดภาวะเลือดออกมากกว่า 400 มิลลิลิตร ใน 4 ชั่วโมง (เชิงประเภท) และปริมาณเลือดออกแบบต่อเนื่อง (เชิงปริมาณ) โดยการเขียนโคดโปรแกรมภาษา ไพธอน ในการพัฒนาแบบจำลองได้ใช้วิธี 3-fold cross-validation เพื่อปรับแต่งพารามิเตอร์แบบจำลองและประเมินประสิทธิภาพของแบบจำลองด้วยวิธี 5-fold cross-validation ด้วย precision, recall, F1-score, accuracy, area under the receiver operator characteristic curve (ROC AUC), mean absolute error (MAE), root mean square error (RMSE), และ coefficient of determination (R²)

ผลการศึกษา: ผู้ป่วยที่เลือดออกหลังผ่าตัดมากกว่า 400 มิลลิลิตร ใน 4 ชั่วโมง มีเกล็ดเลือดก่อนผ่าตัดต่ำกว่า ระยะเวลาการหนีบหลอดเลือดแดงใหญ่ ระยะเวลาการใช้เครื่องหัวใจและปอดเทียมนานกว่า และชนิดการผ่าตัดแตกต่างอย่างมีนัยสำคัญ (χ² = 9.43; p = .02) โดยการผ่าตัดบายพาสเส้นเลือดหัวใจ (CABG) ร่วมกับลิ้นหัวใจพบได้บ่อยกว่า ส่วนแบบจำลอง XGBoost ให้ประสิทธิภาพดีที่สุดในการพยากรณ์เชิงประเภท โดยมีค่า precision 0.783, recall 0.684, F1-score 0.728, accuracy 0.909, และ ROC AUC 0.923 แสดงถึงความสามารถในการจำแนกผู้ป่วยกลุ่มเสี่ยงได้ดี สำหรับการพยากรณ์เชิงปริมาณ XGBoost ให้ค่า MAE 85.17 มิลลิลิตร, RMSE 119.80 มิลลิลิตร, และ R² 0.620 โดยผลการทำนายมีความสอดคล้องกับค่าจริง แม้พบแนวโน้มประเมินต่ำกว่าค่าจริงในช่วงที่มีการเสียเลือดสูงมาก

สรุป: แบบจำลอง XGBoost มีศักยภาพในการใช้เป็นเครื่องมือช่วยประเมินความเสี่ยงและปริมาณเลือดออกหลังผ่าตัดหัวใจ ซึ่งอาจช่วยสนับสนุนการวางแผนจัดการเลือดและการตัดสินใจทางคลินิกเกี่ยวกับการเตรียมเลือดได้อย่างเหมาะสม

เอกสารอ้างอิง

Klein AA, Collier T, Yeates J, Miles LF, Fletcher SN, Evans C, et al. The ACTA PORT-score for predicting perioperative risk of blood transfusion for adult cardiac surgery. Br J Anaesth. 2017;119(3):394–401. doi: 10.1093/bja/aex205.

Cunha CBCD, Lima TA, Ferraz DLM, Silva ITC, Santiago MKD, Sena GR, et al. Predicting the need for blood transfusions in cardiac surgery: A comparison between machine learning algorithms and established risk scores in the Brazilian Population. Braz J Cardiovasc Surg. 2024;39(2):e20230212. doi: 10.21470/1678-9741-2023-0212.

Liu S, Zhou R, Xia XQ, Ren H, Wang LY, Sang RR, et al. Machine learning models to predict red blood cell transfusion in patients undergoing mitral valve surgery. Ann Transl Med. 2021;9(7):530. doi: 10.21037/atm-20-7375.

Boyko Y, Rasmussen SB, Bartoszko J, van Klei WA, McCluskey S, Karkouti K, et al. Blood transfusion and acute kidney injury after cardiac surgery: A retrospective observational study. Can J Anaesth. 2025;72(10):1534–43. doi: 10.1007/s12630-025-03036-9.

Meybohm P, Richards T, Isbister J, Hofmann A, Shander A, Goodnough LT, et al. Patient blood management bundles to facilitate implementation. Transfus Med Rev. 2017;31(1):62–71. doi: 10.1016/j.tmrv.2016.05.012.

Karkouti K, O'Farrell R, Yau TM, Beattie WS. Prediction of massive blood transfusion in cardiac surgery. Can J Anaesth. 2006;53(8):781–94. doi: 10.1007/BF03022795.

Hanley JA, McNeil BJ. A method of comparing the areas under receiver operating characteristic curves derived from the same cases. Radiology. 1983;148(3):839–43. doi: 10.1148/radiology.148.3.6878708.

Paparella D, Yau TM, Young E. Cardiopulmonary bypass induced inflammation: pathophysiology and treatment. An update. Eur J Cardiothorac Surg. 2002;21(2):232–44. doi: 10.1016/s1010-7940(01)01099-5.

Kim HJ, Kim JE, Lee JY, Lee SH, Jung JS, Son HS. Perioperative red blood cell transfusion is associated with adverse cardiovascular outcomes in heart valve surgery. Anesth Analg. 2023;137(1):153–61. doi: 10.1213/ANE.0000000000006245.

Patel NN, Avlonitis VS, Jones HE, Reeves BC, Sterne JAC, Murphy GJ. Indications for red blood cell transfusion in cardiac surgery: A systematic review and meta-analysis. Lancet Haematol. 2015;2(12):e543–53. doi: 10.1016/S2352-3026(15)00198-2.