การพัฒนาโมเดลด้วยปัญญาประดิษฐ์เพื่อทำนายน้ำหนักแห้งในผู้ป่วยไตวายเรื้อรังระยะสุดท้ายที่ได้รับการฟอกเลือดด้วยเครื่องไตเทียม
Article Sidebar
Main Article Content
บทคัดย่อ
บทนำ: น้ำหนักแห้งที่เหมาะสมที่สุดสำหรับผู้ป่วยแต่ละคนมีความสำคัญต่อประสิทธิภาพของการฟอกเลือดด้วยเครื่องไตเทียม การประเมินน้ำหนักแห้งแบบดั้งเดิมโดยอาศัยข้อมูลทางคลินิกพบว่าขาดความแม่นยำ ในขณะที่การวัดโดยใช้หลักการประเมินจากความต้านทานของกระแสไฟฟ้า (Bioelectrical Impedance Analysis หรือ BIA) ด้วยเครื่อง Body composition monitor (BCM) ช่วยให้ได้น้ำหนักแห้ง (BCM-DW) ที่มีความแม่นยำสูง แต่อย่างไรก็ตามเครื่องมือดังกล่าวมีราคาแพงจึงเป็นข้อจำกัดของศูนย์ฟอกเลือดขนาดเล็ก จึงเป็นที่มาของความพยายามที่จะใช้ Machine learning (ML) ซึ่งเป็นโปรแกรมหนึ่งทางปัญญาประดิษฐ์ในการทำนายน้ำหนักแห้ง (ML-DW) ในผู้ป่วยที่ได้รับการฟอกเลือดด้วยเครื่องไตเทียม
ระเบียบวิธีวิจัย: การศึกษานี้อาศัยข้อมูลย้อนหลังของผู้ป่วยที่ได้รับการฟอกเลือดด้วยเครื่องไตเทียมระหว่างปี 2560 ถึง 2565 จากสองสถาบันในจังหวัดกรุงเทพฯ ได้แก่ ข้อมูลพื้นฐาน ข้อมูลทางห้องปฏิบัติการข้อมูลที่เกี่ยวข้องกับการฟอกเลือด และข้อมูลที่มีการเปลี่ยนแปลงในช่วงเวลาที่ได้รับการฟอกเลือด รวมไปถึงข้อมูลน้ำหนักแห้งที่วัดจาก BCM ในวันเดียวกับที่ได้รับการฟอกเลือด โดยข้อมูลทั้งหมดจะถูกนำมาใช้ใน 2 ช่วงของการพัฒนาโมเดล คือ ระยะฝึกฝนและระยะปรับค่าพารามิเตอร์ของโมเดล และโมเดลสุดท้ายจะนำไปทดสอบกับกลุ่มทดสอบที่อยู่ภายนอกสถาบัน
ผลการศึกษา: รวบรวมข้อมูลการฟอกเลือดได้ทั้งหมด 1,151 ครั้ง และมีข้อมูลส่วนที่มีการเปลี่ยนแปลงตามเวลาของการฟอกเลือด 56,000 ข้อมูล ค่าเฉลี่ยของ BCM-DW คือ 58.8±11.7 กก. และค่าเฉลี่ย ML-DW คือ 59.5±10.5 กก. โดยพบความแตกต่างเฉลี่ยของ BCM-DW และ ML-DW ที่อยู่ที่ -0.78 (-3.7,-2.2) กิโลกรัม เวลาที่ใช้ในการประมวลผลทั้งหมดน้อยกว่า 1 นาที
สรุป: ถึงแม้ว่าการศึกษานี้พบว่าค่า ML-DW ยังมีความแตกต่างจาก BCM-DW ค่อนข้างมาก แต่อย่างไรก็ตามการศึกษานี้ได้แสดงให้เห็นความเป็นไปได้ในการนำปัญญาประดิษฐ์เข้ามาใช้ทำนายน้ำหนักแห้งของผู้ป่วยฟอกเลือด
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความนี้ตีพิมพ์ภายไต้การอนุญาต CC BY-NC-ND 4.0 ซึ่งอนุญาตให้สามารถใช้บทความนี้พื่อวัตถุประสงค์ใดๆ ก็ตามที่ไม่ใช่เชิงพาณิชย์ โดยต้องมีการอ้างถึงที่มาของบทความอย่างครบถ้วน ใครก็ตามสามารถคัดลอกและแจกจ่ายทุกส่วนของบทความนี้โดยไม่ต้องขออนุญาตจากผู้ประพันธ์หรือสมาคมโรคไตแห่งประเทศไทย
เอกสารอ้างอิง
Annual Report Thailand Renal Replacement Therapy [Internet]. 2014. Available from: https://www.nephrothai.org/annualreport-thailand-renal-replacement-therapy-2007-2019-th/.
Kraemer M, Rode C, Wizemann V. Detection limit of methods to assess fluid status changes in dialysis patients. Kidney Int. 2006;69(9):1609-20.
Niel O, Bastard P, Boussard C, Hogan J, Kwon T, Deschenes G. Artificial intelligence outperforms experienced nephrologists to assess dry weight in pediatric patients on chronic hemodialysis. Pediatr Nephrol. 2018;33(10):1799-803.
Guo X, Zhou W, Yu Y, Cai Y, Zhang Y, Du A, et al. Multiple Laplacian Regularized RBF Neural Network for Assessing Dry Weight of Patients With End-Stage Renal Disease. Front Physiol. 2021;12:790086.
Guo X, Zhou W, Lu Q, Du A, Cai Y, Ding Y. Assessing Dry Weight of Hemodialysis Patients via Sparse Laplacian Regularized RVFL Neural Network with L(2,1)-Norm. Biomed Res Int. 2021;2021:6627650.
Chiu JS, Chong CF, Lin YF, Wu CC, Wang YF, Li YC. Applying an artificial neural network to predict total body water in hemodialysis patients. Am J Nephrol. 2005;25(5):507-13.
National Kidney F. K/DOQI clinical practice guidelines for chronic kidney disease: evaluation, classification, and stratification. Am J Kidney Dis. 2002;39(2 Suppl 1):S1-266.
Donadio C, Halim AB, Caprio F, Grassi G, Khedr B, Mazzantini M. Single- and multi-frequency bioelectrical impedance analyses to analyse body composition in maintenance haemodialysis patients: comparison with dual-energy x-ray absorptiometry. Physiol Meas. 2008;29(6):S517-24.
Carter M, Morris AT, Zhu F, Zaluska W, Levin NW. Effect of body mass index (BMI) on estimation of extracellular volume (ECV) in hemodialysis (HD) patients using segmental and whole body bioimpedance analysis. Physiol Meas. 2005;26(2):S93-9.
Agarwal R, Bouldin JM, Light RP, Garg A. Probing dry-weight improves left ventricular mass index. Am J Nephrol. 2011;33(4):373-80.
Agarwal R, Alborzi P, Satyan S, Light RP. Dry-weight reduction in hypertensive hemodialysis patients (DRIP): a randomized, controlled trial. Hypertension. 2009;53(3):500-7.
Jian Y, Li X, Cheng X, Chen Y, Liu L, Tao Z, et al. Comparison of bioimpedance and clinical methods for dry weight prediction in maintenance hemodialysis patients. Blood Purif. 2014;37(3):214-20.
