การประยุกต์ใช้ปัญญาประดิษฐ์ (Artificial Intelligence: AI) แปลผลภาพรังสีทรวงอก เพื่อเพิ่มประสิทธิภาพ การคัดกรองวัณโรคเชิงรุกในชุมชน
Article Sidebar
Main Article Content
บทคัดย่อ
การคัดกรองวัณโรคเชิงรุกมีความสำคัญในการค้นหาผู้ป่วยวัณโรคระยะเริ่มแรก โดยการถ่ายภาพรังสีทรวงอกเป็นเครื่องมือหลักในการคัดกรองหาผู้สงสัยวัณโรคเพื่อนำเสมหะไปตรวจวินิจฉัย แต่การคัดกรองเชิงรุกในชุมชนยังมีข้อจำกัดด้านการหาแพทย์อ่านภาพรังสีทรวงอกในพื้นที่ดำเนินงาน ส่งผลให้เกิดความล่าช้าและอาจทำให้ผู้สงสัยวัณโรคไม่ได้รับการตรวจเสมหะหากผลภาพรังสีทรวงอกมีความเสี่ยงที่จะเป็นวัณโรค ซึ่งอาจนำไปสู่การแพร่เชื้อวัณโรคในครอบครัวและชุมชน ดังนั้นการนำปัญญาประดิษฐ์ (AI) มาแปลผลภาพรังสีทรวงอก จึงเป็นแนวทางหนึ่งในการเพิ่มประสิทธิภาพการคัดกรองวัณโรคเชิงรุกในชุมชน โดยการศึกษานี้มีวัตถุประสงค์เพื่อประเมินผลการประยุกต์ใช้ AI แปลผลภาพรังสีทรวงอก เพื่อเพิ่มประสิทธิภาพการคัดกรองวัณโรคเชิงรุกในชุมชน การศึกษานี้ใช้ข้อมูลย้อนหลังจากอาสาสมัครอายุ 15 ปีขึ้นไป จำนวน 1,968 คน ใน 3 ชุมชน เปรียบเทียบการแปลผลภาพรังสีทรวงอกโดย AI และแพทย์ ด้วยค่าความไว ความจำเพาะ ความถูกต้อง ค่าพยากรณ์บวก (PPV) ค่าพยากรณ์ลบ (NPV) และค่า AUC โดยใช้ Composite Reference Standard (CRS) เป็นมาตรฐานอ้างอิง และใช้การทดสอบ McNemar ในการเปรียบเทียบผล ผลการวิจัย AI มีค่าความไว 71.4% ความจำเพาะ 96.0% ความถูกต้อง 95.8% PPV 11.2% และ NPV 99.8%ค่า AUC 0.9 (95% CI: 0.80-0.99) ในขณะที่แพทย์ มีค่าความไว 71.4% ความจำเพาะ 90.0% ความถูกต้อง 89.8% PPV 4.8% และ NPV 99.8% การเปรียบเทียบทางสถิติพบว่า ความไวของ AI และแพทย์ไม่แตกต่างกันอย่างมีนัยสำคัญ (p = 1.00) แต่ AI มีความจำเพาะสูงกว่าแพทย์อย่างมีนัยสำคัญ (p < 0.0001) สรุปผลการวิจัยAI ช่วยเพิ่มประสิทธิภาพการคัดกรองวัณโรคในชุมชน โดยสามารถคัดกรองภาพรังสีทรวงอกที่ปกติออกได้อย่างรวดเร็วและแม่นยำ ลดภาระแพทย์ในการอ่านภาพ และช่วยให้มุ่งเน้นเฉพาะภาพที่ผิดปกติหรือมีความเสี่ยงสูงได้อย่างมีประสิทธิภาพ นอกจากนี้ ในกรณีที่ไม่มีแพทย์ในพื้นที่ AI ยังสามารถใช้เป็นเครื่องมือช่วยตัดสินใจในการเก็บเสมหะเพื่อตรวจวินิจฉัยได้อย่างทันท่วงที ส่งผลให้สามารถพบผู้ป่วยและเข้าสู่การรักษาได้รวดเร็ว ลดการแพร่กระจายของเชื้อในชุมชน
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่พิมพ์ในวารสารสถาบันป้องกันควบคุมโรคเขตเมือง ถือว่าเป็นผลงานวิชาการ งานวิจัยและวิเคราะห์ ตลอดจนเป็นความเห็นส่วนตัวของผู้เขียนเอง ไม่ใช่ความเห็นของสถาบันป้องกันควบคุมโรคเขตเมือง หรือคณะบรรณาธิการแต่ประการใด ผู้เขียนจำต้องรับผิดชอบต่อบทความของตน
เอกสารอ้างอิง
กองวัณโรค กรมควบคุมโรค กระทรวงสาธารณสุข. สถานการณ์และผลการดำเนินงานควบคุมวัณโรคของประเทศไทย ปี พ.ศ. 2562 – 2566. กรุงเทพฯ: อักษรกราฟฟิกแอนด์ดีไซน์; 2567.
World Health Organization. Global Tuberculosis Report 2023. Geneva: World Health Organization; 2023.
กองวัณโรค กรมควบคุมโรค กระทรวงสาธารณสุข. แผนปฏิบัติการระดับชาติด้านการต่อต้านวัณโรค ระยะที่ 2 (พ.ศ.2566 – 2570). กรุงเทพฯ: อักษรกราฟฟิกแอนด์ดีไซน์; 2566.
World Health Organization. Chest radiography in tuberculosis detection: summary of current recommendations and guidance on programmatic approaches. Geneva: World Health Organization; 2016.
Cao XF, Li Y, Xin HN, Zhang HR, Pai M, Gao L. Application of artificial intelligence in digital chest radiography reading for pulmonary tuberculosis screening. Chronic Dis Transl Med. 2021;7(1):35-40.
Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56.
Davenport T, Kalakota R. The potential for artificial intelligence in healthcare. Future Healthc J. 2019;6(2):94-98.
Rodman A, Buckley TA, Manrai AK, Morgan DJ. Artificial Intelligence vs Clinician Performance in Estimating Probabilities of Diagnoses Before and After Testing. JAMA Netw Open. 2023;6(12)
van Smeden M, Naaktgeboren CA, Reitsma JB, Moons KGM, de Groot JAH. Latent class models in diagnostic studies when there is no reference standard: a systematic review. Am J Epidemiol.2014;179(4):423–431.
สํานักวัณโรค กรมควบคุมโรค. การคัดกรองเพื่อค้นหาวัณโรคและวัณโรคดื้อยา. พิมพ์ครั้งที่ 2. กรุงเทพฯ: อักษรกราฟฟิกแอนด์ดีไซน์; 2567.
de Causans A, Carré A, Roux A, Tauziède-Espariat A, Ammari S, Dezamis E, et al. Development of a machine learning classifier based on radiomic features extracted from post-contrast 3D T1-weighted MR images to distinguish glioblastoma from solitary brain metastasis. Front Oncol. 2021;11:638262.
Kvak D, Chromcová A, Biroš M, Hrubý R, Kvaková K, Pajdaković M, Ovesná P. Chest X-ray Abnormality Detection by Using Artificial Intelligence: A Single-Site Retrospective Study
of Deep Learning Model Performance. Biomedinformatics. 2023;3(1):82–101.
Heumann C, Schomaker M, Shalabh. Introduction to Statistics and Data Analysis with Exercises, Solutions and Applications in R. Springer; 2017.
Lu Y, Wang M, Zhang G. A new revised version of McNemar's test for paired binary data. Commun Stat Theory Methods. 2016;45(20):1-22.
Nahm FS. Receiver operating characteristic curve: overview and practical use for clinicians. Korean J Anesthesiol. 2022;75(1):25-36.
John S, Abdulkarim S, Usman S, Rahman MT, Creswell J. Comparing tuberculosis symptom screening to chest X-ray with artificial intelligence in an active case finding campaign in Northeast Nigeria. BMC Glob Public Health. 2023;1(17).
World Health Organization. WHO consolidated guidelines on tuberculosis: module 2: screening: systematic screening for tuberculosis disease. Geneva: World Health Organization; 2021.
Nijiati M, Ma J, Hu C, Tuersun A, Abulizi A, Kelimu A, et al. Artificial Intelligence Assisting the Early Detection of Active Pulmonary Tuberculosis From Chest X-Rays: A Population-Based Study. Front Mol Biosci. 2022 Apr 8;9:874475.
