ประสิทธิภาพของปัญญาประดิษฐ์ในการทำนายโอกาสนอนโรงพยาบาลของผู้ป่วยอุบัติเหตุ
การทำนายโอกาสนอนโรงพยาบาลของผู้ป่วยอุบัติเหตุ
คำสำคัญ:
ห้องฉุกเฉิน, ปัญญาประดิษฐ์, อุบัติเหตุ, การนอนโรงพยาบาลบทคัดย่อ
ปัญหาความแออัดในแผนกฉุกเฉินเป็นความท้าทายสำคัญที่โรงพยาบาลน่าน การศึกษาเชิงสังเกตย้อนหลังครั้งนี้มีวัตถุประสงค์เพื่อประเมินประสิทธิภาพของปัญญาประดิษฐ์ในการทำนายโอกาสการนอนโรงพยาบาลของผู้ป่วยอุบัติเหตุ โดยใช้ข้อมูลผู้ป่วยอุบัติเหตุที่บันทึกในฐานข้อมูลอิเล็กทรอนิกส์ของโรงพยาบาลในปี พ.ศ. 2565 ในการพัฒนาปัญญาประดิษฐ์ด้วยการเรียนรู้ของเครื่องประเภทต้นไม้ตัดสินใจและนำข้อมูลผู้ป่วยอุบัติเหตุระหว่างวันที่ 1 มกราคม พ.ศ. 2566 ถึงวันที่ 30 เมษายน พ.ศ. 2566 มาทดสอบประสิทธิภาพของโมเดลที่พัฒนา ประเมินผลการทำนายด้วยวิธีวิเคราะห์ความสับสน โมเดลสามารถทำนายผลได้ในผู้ป่วยอุบัติเหตุ 3,185 ราย โดยมีความถูกต้องโดยรวมร้อยละ 92.3 ความไวร้อยละ 89.8 และความจำเพาะร้อยละ 93.4 สำหรับผู้ป่วยบาดเจ็บวิกฤติ ผู้ป่วยบาดเจ็บรุนแรง ผู้ป่วยบาดเจ็บเล็กน้อยโมเดลสามารถทำนายได้ถูกต้องร้อยละ 100 ขณะที่ผู้ป่วยบาดเจ็บปานกลางมีความถูกต้องร้อยละ 91 สรุปได้ว่าปัญญาประดิษฐ์มีศักยภาพในการทำนายโอกาสการนอนโรงพยาบาลได้อย่างมีประสิทธิภาพ และสามารถนำไปใช้สนับสนุนการดูแลผู้ป่วยเพื่อลดปัญหาความแออัดในแผนกฉุกเฉินได้
เอกสารอ้างอิง
Ministry of Public Health, Department of Disease Control, Ministry of Public Health. Annu Rep 2021, Division of Injury Prevention. Bangkok, Thailand: Aksorn Graphic and Design Publishing; 2021. [cited 2023 Sep 3]. Available from: URL:https://ddc.moph.go.th/uploads/publish/1244420220310035829.pdf
Strategy and Planning Division, Ministry of Public Health. Public Health Stat 2021. Nonthaburi, Thailand: Strategy and Planning Division, Ministry of Public Health; 2021.
Potipadcha K, Pichedboonkia P. Factors related to the length of stay of critically ill patients more than 2 hours at the emergency department, Chiangrai Prachanukroh Hospital, Thailand. J Emerg Med Serv Thai 2022;2(1):37-46.
Kongcheep S, Arpanantikul M, Pinyopasakul W, Sherwood G. Thai nurses’ experiences of providing care in overcrowded emergency rooms in tertiary hospitals. Pac Rim Int J Nurs Res 2022;26(3):533–48.
Sittichanbuncha Y. Artificial intelligence (AI) and its use in healthcare and emergency medicine. J Emerg Med Serv Thai 2021;1(1):91-104.
Jongaramrueng N, Tangsiricharoen S. Factors associated with the mortality rate in trauma patients in the Luntom EMS Center, Queen Savang Vadhana Memorial Hospital. J Prapokklao Hosp Clin Med Educ Cent 2022;39(1):53–62.
Lentsck MH, Oliveira RR de, Corona LP, Mathias TA de F. Risk factors for death of trauma patients admitted to an intensive care unit. Rev Lat Am Enfermagem [serial on the internet]. 2020 [cited 2023 Sep 3];28:1-12. Available from: URL:https://www.scielo.br/j/rlae/a/rZxwfSxYGfjCGMLH7YQw7nn/?format=pdf&lang=en
Lee JT, Hsieh CC, Lin CH, Lin YJ, Kao CY. Prediction of hospitalization using artificial intelligence for urgent patients in the emergency department. Sci Rep [serial on the internet]. 2021 [cited 2023 Sep 5];11(1):1-8. Available from: URL:https://europepmc.org/article/MED/34593930#free-full-text
Graham M, Parikh P, Hirpara S, McCarthy MC, Haut E, Parikh P. Predicting discharge disposition in trauma patients: Development, validation, and generalization of a model using the National Trauma Data Bank. Am Surg 2020 ;86(12):1703–9.
Cameron A, Rodgers K, Ireland A, Jamdar R, McKay GA. A simple tool to predict admission at the time of triage. Emerg Med J 2015;32(3):174–9.
Brink A, Alsma J, Brink HS, de Gelder J, Lucke JA, Mooijaart SP, et al. Prediction admission in the older population in the emergency department: The CLEARED tool. Neth J Med 2020;78(6):357-67.
Elvira Martínez CM, Fernández C, González Del Castillo J, González Armengol JJ, Villarroel P, Martín Sánchez FJ. Modelo predictor de ingreso hospitalario a la llegada al servicio de urgencias [Prediction model for in-hospital admission in patients arriving in the emergency department]. An Sist Sanit Navar 2012;35(2):207-17.
Parker CA, Liu N, Wu SX, Shen Y, Lam SSW, Ong MEH. Predicting hospital admission at the emergency department triage: A novel prediction model. Am J Emerg Med 2019;37(8):1498-504.
Feretzakis G, Karlis G, Loupelis E, Kalles D, Chatzikyriakou R, Trakas N, et al. Using machine learning techniques to predict hospital admission at the emergency department. J Crit Care Med (Targu Mures) 2022;8(2):107-16.
De Hond A, Raven W, Schinkelshoek L, Gaakeer M, Ter Avest E, Sir O, et al. Machine learning for developing a prediction model of hospital admission of emergency department patients: Hype or hope? Int J Med Inform 2021;152:104496. doi: 10.1016/j.ijmedinf.2021.104496.
Graham B, Bond R, Quinn M, Mulvenna M. Using data mining to predict hospital admissions from the emergency department. IEEE Access 2018;6:10458-10469. doi: 10.1109/ACCESS.2018.2808843
Cusidó J, Comalrena J, Alavi H, Llunas L. Predicting hospital admissions to reduce crowding in the emergency departments. Appl Sci [serial on the internet]. 2022 [cited 2023 Sep 3];12(21):1-17. Available from: URL: https://upcommons.upc.edu/handle/2117/375678
Feretzakis G, Sakagianni A, Loupelis E, Karlis G, Kalles D, Tzelves L, et al. Predicting hospital admission for emergency department patients: A machine learning approach. Stud Health Technol Inform 2022;289:297-300. doi: 10.3233/SHTI210918.
Lucke JA, de Gelder J, Clarijs F, Heringhaus C, de Craen AJM, Fogteloo AJ, et al. Early prediction of hospital admission for emergency department patients: A comparison between patients younger or older than 70 years. Emerg Med J 2018;35(1):18-27.
ดาวน์โหลด
เผยแพร่แล้ว
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2025 ``โรงพยาบาลพุทธชินราช พิษณุโลก
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
