English การทำนายโอกาสนอนโรงพยาบาลในผู้ป่วยที่มารับบริการห้องฉุกเฉิน ณ จุดคัดแยก โรงพยาบาลลำปาง
คำสำคัญ:
นอนโรงพยาบาล, สมการ, สถิติ, ความแออัด, กฏการตัดสินใจทางคลินิกบทคัดย่อ
การทำนายโอกาสนอนโรงพยาบาลในผู้ป่วยที่มารับบริการห้องฉุกเฉิน ณ จุดคัดแยก โรงพยาบาลลำปาง
นพ.นพดล สี่สุวรรณ พ.บ , ดร.นพ.ธานินทร์ โลเกศกระวี, นพ. ศุภชัย ลวณะสกล, นพ.ชยันตร์ธร ปทุมานนท์
ความเป็นมา: ปัญหาผู้ป่วยล้นห้องฉุกเฉิน (ED overcrowding) เป็นปัญหาสำคัญ ซึ่งบ่อยครั้งเกิดจากความไม่แน่นอนในการตัดสินใจของแพทย์ว่าจะรับผู้ป่วยนอนโรงพยาบาลหรือให้กลับบ้าน ส่งผลให้เกิดการส่งตรวจ
ทางห้องปฏิบัติการที่ไม่จำเป็นและเกิดความล่าช้า
วัตถุประสงค์: สร้าง model การทำนายโอกาสนอนโรงพยาบาล ในผู้ป่วยที่มารับบริการ ณ จุดคัดแยก โรงพยาบาลลำปาง
วิธีการศึกษา: ออกแบบงานวิจัยเป็น Clinical Prediction Rules เก็บข้อมูลแบบretrospective cohort study โดยใช้ตัวแปรทั้งหมดที่ input ผ่านโปรแกรม smart ER ตั้งแต่กรกฎาคม 2564 ถึงมกราคม 2565
แบ่งผู้ป่วยเป็น 2 กลุ่ม ได้แก่ admit และ discharge ใช้สถิติ Uni- และ Multi-variable logistic regression analysis นำเสนอค่า Discrimination ด้วย AUROC, ทดสอบความเที่ยง ด้วย Calibration plot, วิเคราะห์ Internal validation ด้วย Bootstrapping method, สร้าง Risk curve เพื่อหาจุดตัดที่สมดุล จากนั้นแบ่งกลุ่มทำนายเป็น 3 กลุ่ม ได้แก่ Admit, Consult, Discharge ตามลำดับ วิเคราะห์ Decision curve analysis (DCA) สร้าง application และบรรจุลงในโปรแกรม smart ER เพื่อวิเคราะห์แบบ real time
ผลการศึกษา: ผู้ป่วย 36,762 ราย คัดออก 17,344 เหลือผู้ป่วยจำนวน 19,418 ราย ที่สามารถนำมาวิเคราะห์แบบ complete case analysis ปัจจัยทำนายการนอนโรงพยาบาล ได้แก่ อายุ ระดับความฉุกเฉิน สัญญาณชีพ รูปแบบการมาโรงพยาบาล อาการสำคัญตาม CBD (criteria-based dispatch) เป็นต้น
Admission model ให้ค่า AUROC ที่ 0.8934 (95% CI, 0.8890-0.8980); Calibration plot ให้กราฟทำนาย (predicted) ค่อนข้างเป็นเส้นเดียวกันกับค่าจริง (observed); ทดสอบ Internal validation ด้วย Bootstrapping method ให้ค่า C-statistic เท่ากับ 0.8920 (95% CI, 0.888-0.895); หาจุดตัด Risk curve ที่สมดุล ซึ่งให้ค่า over admission 3.8% และ over discharge 3.7% ตามลำดับ (<5%)
สรุป: Admission model ให้ค่า AUROC และความเที่ยงที่สูงมาก การแบ่งจุดตัดเป็น 3 กลุ่มน่าจะนำไปใช้ประโยชน์ได้จริง
คำสำคัญ: นอนโรงพยาบาล, กฏการตัดสินใจทางคลินิก, สมการ, สถิติ, ความแออัด
เอกสารอ้างอิง
Department of Medical Services, Ministry of Public Health. MOPH ED Triage [Internet]. 2019 [cited 2023 Nov 10]. Available from: https://www.dms.go.th/backend//Content/Content_File/Population_Health/Attach/25621021104459AM_44.pdf?contentId=18326
Hoot N, Aronsky D. Systematic review of emergency department crowding: causes, effects, and solutions. Ann Emerg Med. 2008;52:126-36.
Asplin B, Magid D, Rhodes K, Solberg L, Lurie N. A conceptual model of emergency department crowding. Ann Emerg Med. 2003;42:173-80.
Schull M, Vermeulen M, Slaughter G, Morrison L, Daly P. Emergency department crowding and thrombolysis delays in acute myocardial infarction. Ann Emerg Med. 2004;44:577-85.
Derlet R, Richards J. Overcrowding in the nation’s emergency departments: complex causes and disturbing effects. Ann Emerg Med. 2000;35:63-8.
Sun B, Hsia R, Weiss R, Zingmond D, Liang L, Han W, et al. Effect of emergency department crowding on outcomes of admitted patients. Ann Emerg Med. 2013;61:605-11.
Nekane L, Jon K. Predicting hospital ward admission from the emergency department: a systematic review. J Pers Med. 2023;13:849. PubMed PMID: 37241019
Hong W, Haimovich A, Taylor R. Predicting hospital admission at emergency department triage using machine learning. PLoS One. 2018;13:e0201016. PubMed PMID: 30028888
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: 107-16.
Riley RD, Ensor J, Snell KIE, Harrell FE Jr, Martin GP, Reitsma JB, et al. Calculating the sample size required for developing a clinical prediction model. BMJ. 2020;368:m441. PubMed PMID: 32188600
National Institute of Emergency Medicine. Emergency Medical Triage Protocol and Criteria Based Dispatch by NIEM 2013. National Institute of Emergency Medicine [Internet]. 2013 [cited 2023 Nov 10]. Available from: https://www.niems.go.th/1/Ebook/Detail/272?group=21
Kishore K, Braitberg G, Holmes N, Bellomo R. Early prediction of hospital admission of emergency department patients. Emerg Med Australas. 2023;35: 572-88.
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;32:174-9.
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; 35:18-27.
Ebker-White A, Bein KJ, Berendsen Russell S, Dinh MM. The Sydney triage to admission risk tool (START) to improve patient flow in an emergency department: a model of care implementation pilot study. BMC Emerg Med. 2019;19:79. Pubmed PMID: 31805874
Lowthian JA, Curtis AJ, Cameron PA, Stoelwinder JU, Cooke MW, McNeil JJ. Systematic review of trends in emergency department attendances: an Australian perspective. Emerg Med J. 2011;28:373-7.
Wuerz R, Milne LW, Eitel DR, Travers D, Gilboy N. Reliability and validity of a new five-level triage instrument. Acad Emerg Med. 2000;7:236-42.
Pencina MJ, D’Agostino RB. Evaluating discrimination of risk prediction models: the C statistic. JAMA. 2015;314:1063-4.
Batko K, Ślęzak A. The use of big data analytics in healthcare. J Big Data. 2022;9:3. PubMed PMID: 35013701
Godfrey C, Payton M, Tasker S, Proestel S, Schouten JT. Ensuring participant safety and trial integrity with clinical trials oversight. J Acquir Immune Defic Syndr. 2014;65 Suppl 1doi:10.1097/QAI.0000000000000041. PMID: 24321985; PMCID: PMC3916962
Brink A, Alsma J, van Attekum LA, Bramer WM, Zietse R, Lingsma H, et al. Predicting in-hospital admission at the emergency department: a systematic review. Emerg Med J. 2022;39:191-8.
Monahan A, Feldman S. Models predicting hospital admission of adult patients utilizing prehospital data: systematic review using PROBAST and CHARMS. JMIR Med Inform. 2021;9:e30022. PubMed PMID: 34528893.
Strum R, Mowbray F, Zargoush M, Jones A. Prehospital prediction of hospital admission for emergent acuity patients transported by paramedics: A population-based cohort study using machine learning. PLoS One. 2023;18:e0289429. PubMed PMID: 37616228
De Hond A, Raven W, Schinkelshoek L, Gaakeer M, 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. PubMed PMID: 34020171
Steyerberg E, Vickers A, Cook N, Gerds T, Gonen M, Obuchowski N, et al. Assessing the performance of prediction models: a framework for traditional and novel measures. Epidemiology. 2010;21:128-38.
Kerr K, Brown M, Zhu K, Janes H. Assessing the clinical impact of risk prediction models with decision curves: guidance for correct interpretation and appropriate use. J Clin Oncol. 2016;34:2534-40.
O’Cathain A, Knowles E, Maheswaran R, Pearson T, Turner J, Hirst E, et al. A system-wide approach to explaining variation in potentially avoidable emergency admissions: national ecological study. BMJ Qual Saf. 2014;23:47-55.
Lewis Hunter A, Spatz E, Bernstein S, Rosenthal M. Factors influencing hospital admission of non-critically ill patients presenting to the emergency department: a cross-sectional study. J Gen Intern Med. 2016;31:37-44.
Riley R, Ensor J, Snell K, Debray T, Altman D, Moons K, et al. External validation of clinical prediction models using big datasets from e-health records or IPD meta-analysis: opportunities and challenges. BMJ. 2016;353:i3140. PubMed PMID: 27334381.
