การจัดการข้อมูลและความสมบูรณ์ของข้อมูลทันตกรรม ในชุดข้อมูลมาตรฐาน 43 แฟ้ม เพื่อการศึกษาระยะยาว ติดตามการสูญเสียฟัน โดยใช้โปรแกรม R
Article Sidebar
Main Article Content
บทคัดย่อ
วัตถุประสงค์: 1) เพื่ออธิบายวิธีการจัดการข้อมูลและผลการจัดการข้อมูลนำเข้า 2) เพื่อวิเคราะห์ความสมบูรณ์ของข้อมูลทันตกรรมจากข้อมูล 43 แฟ้ม สำหรับนำไปวิเคราะห์การรอดชีพจากการสูญเสียฟันหลังจากการตรวจฟัน
วัสดุอุปกรณ์และวิธีการ: กลุ่มตัวอย่างเป็นผู้ใช้สิทธิหลักประกันสุขภาพถ้วนหน้าที่มาตรวจฟัน ณ หน่วยบริการสังกัดกระทรวงสาธารณสุข ของจังหวัดหนึ่งในภาคใต้ ปี 2562-2564 ข้อมูลการตรวจฟัน และข้อมูลการรับบริการทันตกรรม ได้จากแฟ้มสภาวะทันตสุขภาพ และ แฟ้มหัตถการผู้ป่วยนอก เชื่อมโยงข้อมูลด้วยแฟ้มข้อมูลทั่วไป การจัดการข้อมูล และวิเคราะห์สถิติเชิงพรรณนาด้วยโปรแกรม R
ผล: พบว่ามีวิธีการจัดการข้อมูล ดังนี้ 1) นำเข้าข้อมูล 2) จัดการค่าว่าง 3) กรองกลุ่มตัวอย่างตามเกณฑ์คัดเข้าและคัดออก 4) กรองคุณภาพข้อมูล โดยตรวจสอบความถูกต้องของข้อมูล 5) ตัดข้อมูลซ้ำซ้อนโดยใช้เขตข้อมูลที่ระบุความไม่ซ้ำของข้อมูล และ 6) เชื่อมโยงข้อมูลแต่ละแฟ้มด้วยเลขบัตรประจำตัวประชาชนที่ผ่านการแฮชชิง ความสมบูรณ์ของข้อมูลของแฟ้มสภาวะทันตสุขภาพ มีข้อมูลสมบูรณ์ของผู้ที่ได้รับการตรวจฟันจำนวน 6,820 ระเบียน (ร้อยละ 20.33) หลังจากจัดการข้อมูลจากข้อมูลนำเข้าของแฟ้มสภาวะทันตสุขภาพ 33,553 ระเบียน และจากข้อมูลนำเข้าของแฟ้มหัตถการผู้ป่วยนอก 4,051,350 ระเบียน มีข้อมูลสมบูรณ์ของผู้ที่เคยได้รับการตรวจฟันแล้วมีข้อมูลการถอนฟันหรือรับบริการทันตกรรมอื่นจำนวน 4,177 ระเบียน (ร้อยละ 0.10) ซึ่งเป็นจำนวนกลุ่มตัวอย่างที่มีข้อมูลเพื่อนำไปวิเคราะห์การรอดชีพจากการสูญเสียฟันหลังจากการตรวจฟันได้
บทสรุป: สรุปหลังจัดการและเชื่อมโยงข้อมูลทุกแฟ้ม จำนวนกลุ่มตัวอย่างที่มีข้อมูลทันตกรรมสมบูรณ์มีเพียงพอที่สามารถใช้เพื่อการศึกษาระยะยาวติดตามการสูญเสียฟันได้ ร้อยละ 24.56 โปรแกรม R เป็นเครื่องมือที่มีประสิทธิภาพในการจัดการเวชระเบียนอิเล็กทรอนิกส์ทางทันตกรรมเพื่อให้ได้ชุดข้อมูลที่มีความสมบูรณ์สำหรับการศึกษาการติดตามการสูญเสียฟันได้
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ทีได้รับการลงตีพิมพ์ในวิทยาสารทันตแพทยศาสตร์ มหาวิทยาลัยขอนแก่นถือเป็นลิขสิทธิ์เฉพาะของคณะทันตแพทยศาสตร์ มหาวิทยาลัยขอนแก่น หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใด ๆ จะต้องได้รับอนุญาตเป็นลายลักษณ์อักษร จากคณะทันตแพทยศาสตร์ มหาวิทยาลัยขอนแก่นก่อนเท่านั้น
เอกสารอ้างอิง
Song M, Liu K, Abromitis R, Schleyer TL. Reusing electronic patient data for dental clinical research: a review of current status. J Dent. 2013;41(12):1148-63.
Yongsiriwit T, Pradmal S, Mobnorin J, Mapong K, Puritatkul C, Suktawi S, et al. Provincial, regional, and ministry-level health data center (HDC) systems. 2020 [cited 2022 Nov 1]. Available from: https://itjournal.moph.go.th/page/detail/22.
Puvasanti S, Suwanwong Y. Study on the opportunities for development of health information technology systems to support medical and public health operations in saraburi province. Institute for Urban Disease Control and Prevention Journal. 2021;6(1):125-51.
Chakriyanich R. Factors associated with low birth weight in health region 5. J Pub Health Nurse. 2020;34(3):1-17.
Wichanuwat S, Sriratanaball J. Completeness and accuracy of the standard 52-file dataset for use as a data source for value-based health care indicators in diabetes. JHSR. 2021;15(4):11.
Sritong N, Hemmanee P. Oral health in the working age group. 2020. Available from: https://dental.anamai.moph.go.th/web-upload/migrated/files/dental2/n4196_e6259c6e55b612675d922b9e4755004b_sur1559y.pdf.
Chonlaphasathit W. Health promotion services model in well-child clinics and the relationship of dental caries, growth, and development in children aged 0-5 years [dissertation]. Prince of Songkla University; 2023.
Sritong N, Prasertsom P. Quality of dental health records according to the ministry of public health's medical and health data standard struture. Th Dent PH J. 2019;24(1):27-43.
Saleewon N. Quality of dental data in the health data center system of community hospitals in ratchaburi province [dissertation]. Prince of Songkla University; 2024.
Wijitkunakorn P. Medical research, public health, and data analysis using R. 1st Bangkok: Sammitr Phatthana Printing (1992); 2024. 450 p.
Wijitsunthornkul K, Thitichai P, Chalorm K, Antimanon A, Kasetpiban N, Nalampang K, et al. Health data analysis in the thai public health system using R. 1st Songkhla: IQ Media; 2020.
Techavituravong R, Thianmontri A, Phitthapornchaikun S. Factors affecting one-year loss in type 2 diabetes patients. J Dent Assoc Thai. 2023;73(2):104-12.
Jakobsen JC, Gluud C, Wetterslev J, Winkel P. When and how should multiple imputation be used for handling missing data in randomised clinical trials–a practical guide with flowcharts. BMC Med Res Methodol. 2017;17(1):162.
Lewis AE, Weiskopf N, Abrams ZB, Foraker R, Lai AM, Payne PRO, et al. Electronic health record data quality assessment and tools: a systematic review. J Am Med Inform Assoc. 2023;30(10):1730-40.
Community UGA. Quality assurance of code for analysis and research (version 2023.2): Office for National Statistics, Analytical Standards and Pipelines hub; 2020. Available from: https://best-practice-and-impact.github.io/qa-of-code-guidance/.
Tableau. Guide to data cleaning: definition, benefits, components, and how to clean your data. 2024. Available from: https://www. tableau.com/learn/articles/what-is-data-cleaning.
Alexcernat. Understanding the longitudinal data workflow: a comprehensive guide. 2024. Available from:https://longitudinalanalysis.com/ understanding-the-longitudinal-data-workflow-a-comprehensive-guide/.
Phansima N, Chaisakul A. Comparison of R and SPSS programs for classifying advance payment data of Khon Kaen University Under Data Mining Concept. J Sci Tech UBU. 2014;16(1):16-31.
Office of the Permanent Secretary, Ministry of Public Health. Handbook for Collecting and Submitting Data According to Health Data Standard Structure, Fiscal Year 2021, version 2.4. Ministry of Public Health; 2021.
Zhang R, Indulska M, Sadiq S. Discovering data quality problems. Bus Inf Syst Eng 2019;61(5):575-93.
Jirachaiprasit N. Time until tooth loss among the pre-elderly and related factors: a study based on the 43-file standard datasets of a province in health region 12, Thailand [dissertation]. Prince of Songkla University; 2024.
Patel JS, Su C, Tellez M, Albandar JM, Rao R, Iyer V, et al. Developing and testing a prediction model for periodontal disease using machine learning and big electronic dental record data. Front Artif Intel.l 2022;5:979525.
Patel JS, Kumar K, Zai A, Shin D, Willis L, Thyvalikakath TP. Developing automated computer algorithms to track periodontal disease change from longitudinal electronic dental records. Diagnostics 2023;13:1028.
