โรคระบาดใหญ่ มุมมองทางคณิตศาสตร์ และความหงุดหงิดที่มีร่วมกัน นำไปสู่แนวทางใหม่ในการป้องกันการติดเชื้อได้อย่างไร
แอชลีห์ ไมแอล
NEX เริ่มต้นขึ้นในช่วงเวลาที่ฉันอยู่ที่ Imperial College London
งานวิจัยของฉันมุ่งเน้นไปที่การใช้คณิตศาสตร์เพื่อทำความเข้าใจว่าการดื้อยาต้านจุลชีพแพร่กระจายไปทั่วโรงพยาบาลอย่างไร จากนั้นก็เกิดโควิด-19 ขึ้น
ในช่วงการระบาดระลอกแรก ฉันได้ทำงานร่วมกับ Imperial College Healthcare NHS Trust เพื่อคาดการณ์ความต้องการเตียงและเครื่องช่วยหายใจแบบเรียลไทม์ สิ่งนี้ทำให้ฉันได้เห็นโดยตรงถึงแรงกดดันมหาศาลที่เกี่ยวข้องกับการจัดการการติดเชื้อในโรงพยาบาล
แต่ความท้าทายไม่ใช่แค่การรักษาผู้ป่วยที่เดินเข้ามาเท่านั้น โรงพยาบาลยังต้องปกป้องผู้ป่วยรายอื่นจากการติดเชื้อโควิด-19 ในขณะที่เข้ารับการรักษาด้วย
ผู้ป่วยที่เปราะบางอยู่แล้วหรือกำลังต่อสู้กับการติดเชื้อชนิดหนึ่ง กำลังติดเชื้ออีกชนิดหนึ่ง ซึ่งเป็นการแพร่กระจายภายในโรงพยาบาลเอง คุณสามารถอ่านเพิ่มเติมเกี่ยวกับขนาดของปัญหานี้ได้ในรายงานข่าวของ BBC เกี่ยวกับการติดเชื้อโควิด-19 ในโรงพยาบาล
ปัญหาที่ใหญ่ยิ่งกว่าโควิด-19
การระบาดใหญ่ทำให้ปัญหานี้ปรากฏให้เห็นชัดเจนอย่างผิดปกติ แต่นี่ไม่ใช่เรื่องใหม่
โรงพยาบาลต้องจัดการกับความเสี่ยงของการแพร่กระจายเชื้อระหว่างผู้ป่วยอยู่เสมอ การดื้อยาต้านจุลชีพกำลังทำให้ความท้าทายนั้นทวีความรุนแรงยิ่งขึ้น เนื่องจากแบคทีเรียเริ่มดื้อต่อยาปฏิชีวนะที่เราใช้ในการรักษา
ในแต่ละปี แบคทีเรียดื้อยาเป็นสาเหตุของการติดเชื้อประมาณ 136 ล้านครั้ง¹ และอาจมีส่วนทำให้มีผู้เสียชีวิตมากถึง 39 ล้านคนในอีก 25 ปีข้างหน้า² แม้จะอยู่นอกช่วงการระบาดใหญ่ ผู้ป่วยประมาณ 10% ก็ยังติดเชื้อในระหว่างการพักรักษาตัวในโรงพยาบาล³
ผ่านงานวิจัยของฉัน ฉันได้ใช้เวลาทำงานร่วมกับโรงพยาบาลและนักวิจัยด้านการติดเชื้อทั่วยูเค ยุโรป และเอเชีย ครั้งแล้วครั้งเล่าที่ฉันได้เห็นทีมป้องกันและควบคุมการติดเชื้อต้องเผชิญกับปัญหาเดิมๆ หลายอย่างเช่นเดียวกัน
ตัวฉันในวัยเยาว์ขณะกำลังทำวิจัยระดับปริญญาเอกเกี่ยวกับการควบคุมการดื้อยาต้านจุลชีพในโรงพยาบาล (อ่านเพิ่มเติมจากมูลนิธิวิจัยทางการแพทย์ (Medical Research Foundation))
ข้อมูลที่พวกเขาต้องการนั้นมีอยู่จริง แต่กลับกระจัดกระจายไปตามระบบต่างๆ ของโรงพยาบาล ทีมงานมักจะต้องตรวจสอบผลแล็บ ประวัติผู้ป่วย และการย้ายหอผู้ป่วยด้วยตนเอง เพื่อทำความเข้าใจว่าการติดเชื้อนั้นอาจมาจากที่ใด และมีใครอีกบ้างที่อาจสัมผัสเชื้อ
การสืบสวนโรคและติดตามผู้สัมผัสอาจใช้เวลาหลายชั่วโมง และถึงอย่างนั้น ทีมงานก็เห็นภาพได้เพียงบางส่วนเท่านั้น และมักจะเห็นหลังจากเกิดการติดเชื้อขึ้นแล้ว
ผู้คนไม่ใช่ปัญหา ทีมป้องกันการติดเชื้อกำลังทำงานที่ยากและสำคัญ แต่เครื่องมือและข้อมูลที่มีให้พวกเขานั้นมีอยู่อย่างจำกัด
วิธีใหม่ในการสร้างแบบจำลองการติดเชื้อ
สิ่งนี้ได้นำไปสู่คำถามที่เป็นหัวใจสำคัญของวิทยานิพนธ์ปริญญาเอกของฉัน:
พวกเราจะสามารถพัฒนาโมเดลแมชชีนเลิร์นนิงเพื่อทำความเข้าใจและคาดการณ์ว่าการแพร่ระบาดเกิดขึ้นอย่างไร และเชื้ออาจจะแพร่กระจายไปยังใครเป็นรายต่อไปได้หรือไม่?
โรงพยาบาลคือเครือข่ายที่ซับซ้อนและมีการเปลี่ยนแปลงอยู่ตลอดเวลา ผู้ป่วยมีการเคลื่อนย้ายระหว่างเตียงและหอผู้ป่วย มีการใช้พื้นที่ร่วมกัน และมีการสัมผัสใกล้ชิดกับผู้คนหลากหลายรูปแบบตลอดระยะเวลาที่พักรักษาตัว
พวกเราได้พัฒนาแนวทางทางคณิตศาสตร์ที่แตกต่างออกไป นั่นคือแนวทางที่สร้างแบบจำลองโครงสร้างการสัมผัสใกล้ชิดที่ครบถ้วนและเปลี่ยนแปลงได้ภายในโรงพยาบาล และนำไปผสมผสานกับข้อมูลทางคลินิก จุลชีววิทยา และข้อมูลเชิงบริบทที่ครอบคลุมยิ่งขึ้น
แทนที่จะเป็นเพียงการจำลองเหตุการณ์ที่เกิดขึ้นไปแล้วขึ้นมาใหม่ โมเดลนี้สามารถเรียนรู้จากรูปแบบเหล่านี้เพื่อระบุว่าใครคือผู้ที่มีความเสี่ยงสูงสุดที่จะติดเชื้อเป็นรายต่อไป
ในปี 2022 พวกเราได้เผยแพร่ผลงานขั้นต้นใน The Lancet Digital Health ผลการศึกษาแสดงให้เห็นว่าการติดเชื้อโควิด-19 ที่เกิดขึ้นในโรงพยาบาลนั้นสามารถคาดการณ์ล่วงหน้าได้หลายวัน โดยการผสมผสานเครือข่ายการสัมผัสใกล้ชิดของผู้ป่วยที่มีการเปลี่ยนแปลงอยู่ตลอดเวลาเข้ากับข้อมูลทางคลินิกและข้อมูลของโรงพยาบาล
การศึกษานี้ได้พิสูจน์ให้เห็นว่าการป้องกันการติดเชื้อไม่จำเป็นต้องเป็นเพียงการตั้งรับเสมอไป โรงพยาบาลสามารถตรวจพบความเสี่ยงได้เร็วขึ้น มุ่งเป้าการรับมือได้อย่างแม่นยำยิ่งขึ้น และป้องกันการติดเชื้อก่อนที่จะเกิดขึ้นจริงได้
คุณสามารถรับฟังฉันพูดคุยเกี่ยวกับงานวิจัยและแนวคิดเบื้องหลังได้ใน พอดแคสต์ The Lancet Digital Health
20 กรกฎาคม 2022
19 นาที
THE LANCET DIGITAL HEALTH
Ashleigh Myall ว่าด้วยการคาดการณ์การติดเชื้อโควิด-19 ในโรงพยาบาล
Ashleigh Myall เข้าร่วมพูดคุยกับ Diana Samuel เพื่ออภิปรายเกี่ยวกับกรอบการทำงานของแมชชีนเลิร์นนิงแบบใหม่ ซึ่งผสานรวมเครือข่ายการสัมผัสของผู้ป่วยที่มีการเปลี่ยนแปลงตลอดเวลาร่วมกับตัวแปรทางคลินิกของผู้ป่วย และตัวแปรตามบริบทของโรงพยาบาล เพื่อคาดการณ์การติดเชื้อโควิด-19 ที่เกิดขึ้นในโรงพยาบาล
ฟังพอดแคสต์
การเปลี่ยนผลงานวิจัยให้กลายเป็นสิ่งที่โรงพยาบาลสามารถนำไปใช้งานจริงได้
ในช่วงเวลานี้ ฉันได้พบกับ นพ. ชาง โฮ ยุน (Dr Chang Ho Yoon) แพทย์ผู้เชี่ยวชาญด้านโรคติดเชื้อที่โดดเด่นจากมหาวิทยาลัยออกซ์ฟอร์ด เราทั้งคู่ทำงานร่วมกันที่สถาบัน Alan Turing Institute และได้ค้นพบอย่างรวดเร็วว่าเรามีความอึดอัดใจในเรื่องเดียวกัน
วิทยาศาสตร์พื้นฐานกำลังก้าวหน้าไปข้างหน้า แต่ระบบที่มีให้ทีมป้องกันการติดเชื้อใช้นั้นกลับก้าวตามไม่ทัน โรงพยาบาลต่าง ๆ มีข้อมูลที่เป็นประโยชน์อยู่เป็นจำนวนมหาศาล ทว่าทีมงานก็ยังขาดเครื่องมือที่ใช้งานได้จริงในการรวบรวมข้อมูลเหล่านั้นและนำไปปฏิบัติ
เราเชื่อว่ามีโอกาสที่จะสร้างสิ่งที่ดีกว่านี้มาก นั่นคือแพลตฟอร์มที่สามารถช่วยให้โรงพยาบาลตรวจพบการติดเชื้อได้เร็วขึ้น ตรวจสอบการแพร่เชื้อได้รวดเร็วขึ้น และทำความเข้าใจว่าความเสี่ยงอาจจะเกิดขึ้นที่ใดต่อไป
ไม่ควรมีใครต้องเสียชีวิตจากการติดเชื้อในโรงพยาบาลที่สามารถป้องกันได้ NEX ก่อตั้งขึ้นเพื่อช่วยให้สิ่งนั้นเป็นจริงได้
เป้าหมายของเราคือการให้ข้อมูลที่ดีกว่าแก่ทีมป้องกันการติดเชื้อในเวลาที่เหมาะสม เพื่อให้พวกเขาสามารถตัดสินใจได้เร็วขึ้น ควบคุมการติดเชื้อ และดูแลผู้ป่วยให้ปลอดภัย
การดำเนินการและการขยายผล
ตั้งแต่นั้นมา ระบบของเราได้รับการพัฒนา ประเมินผล และนำไปใช้งานในระบบโรงพยาบาลหลักๆ ทั่วสหราชอาณาจักรและเอเชีย
ช่วยให้ทีมป้องกันการติดเชื้อเข้าใจไม่เพียงแต่สิ่งที่เกิดขึ้นไปแล้วเท่านั้น แต่ยังรวมถึงการติดเชื้อที่อาจเกิดขึ้นต่อไปในอนาคตด้วย ซึ่งจะช่วยสนับสนุนการรับมือที่รวดเร็วและตรงเป้าหมายยิ่งขึ้นต่อการระบาดและความเสี่ยงในการแพร่กระจายเชื้อ
เทคโนโลยีนี้ได้รับการพัฒนาอย่างมากนับจากงานวิจัยชิ้นแรกๆ แต่เป้าหมายยังคงเดิมคือ:
เพื่อช่วยให้โรงพยาบาลเปลี่ยนจากการรับมือกับการติดเชื้อหลังจากที่เกิดขึ้นแล้ว ไปสู่การคาดการณ์ความเสี่ยงและป้องกันอันตรายที่หลีกเลี่ยงได้
