ที่โรงพยาบาลพระมงกุฎเกล้าในกรุงเทพฯ แพทย์กำลังใช้การคาดการณ์ความเสี่ยงรายวันซึ่งสร้างโดย AI เพื่อระบุผู้ป่วยในที่อาจได้รับประโยชน์จากการตรวจคัดกรองเพิ่มเติมสำหรับเชื้อ Enterobacterales ที่ดื้อต่อยาคาร์บาพีเนม หรือ CRE งานนี้ได้รับการออกแบบมาโดยคำนึงถึงประเด็นความปลอดภัยของผู้ป่วยเป็นหลัก นั่นคือ การระบุความเสี่ยงของเชื้อ CRE ได้เร็วขึ้นจะช่วยให้ทีมแพทย์ดำเนินการได้เร็วขึ้นและปกป้องผู้ป่วยกลุ่มเปราะบางรายอื่นๆ ได้หรือไม่ เท่าที่เราทราบ นี่เป็นหนึ่งในรายงานการใช้งานจริงครั้งแรกๆ ของการนำ AI มาใช้เพื่อแนวทางการเฝ้าระวังเชิงรุกสำหรับเชื้อ CRE ในโรงพยาบาล การดำเนินการนี้ยังอยู่ในช่วงเริ่มต้น โดยมีขั้นตอนการควบคุมดูแลทางคลินิกและการติดตามอย่างต่อเนื่องเป็นหัวใจสำคัญ
NEX Health Intelligence
ช่วงเวลาความปลอดภัยของผู้ป่วยก่อนการตรวจพบ
เชื้อ CRE สามารถอาศัยอยู่ในร่างกายของผู้ป่วยได้โดยไม่ก่อให้เกิดอาการใด ๆ ดังนั้น ผู้ป่วยจึงอาจเป็นพาหะนำเชื้อนี้อยู่ก่อนที่โรงพยาบาลจะได้รับผลตรวจที่เป็นบวก
ในช่วงเวลานี้ อาจจะยังไม่มีการดำเนินมาตรการป้องกันที่เหมาะสม ซึ่งทำให้มีโอกาสที่เชื้อ CRE จะแพร่กระจายผ่านทางบุคลากร อุปกรณ์ หรือสภาพแวดล้อมภายในโรงพยาบาลร่วมกัน
การคัดกรองที่รวดเร็วขึ้นช่วยให้ทีมแพทย์มีเวลามากขึ้นในการตรวจหาการสะสมของเชื้อและพิจารณาการดำเนินการที่เหมาะสม ทาง CDC แนะนำให้มีมาตรการเฉพาะกลุ่ม รวมถึงการแยกกักตัวและการป้องกันการสัมผัสสำหรับผู้ป่วยที่ติดเชื้อ CRE
การทดลองในแผนก ICU แบบเน้นผลลัพธ์จริงยังรายงานอัตราการติดเชื้อที่ลดลงในระหว่างการทดสอบเฝ้าระวังเชิงรุกและการแยกกักตัวเพื่อป้องกันล่วงหน้า แม้ว่าการศึกษานี้จะมีขนาดกลุ่มตัวอย่างที่น้อยเกินไปก็ตาม (Jung et al., 2023)
โมเดลนี้ช่วยสนับสนุนการคัดกรองโรคที่เร็วขึ้นอย่างไร
แบบจำลองนี้ใช้ข้อมูลโรงพยาบาลที่เก็บรวบรวมเป็นประจำเพื่อประเมินว่าผู้ป่วยในรายใดที่อาจมีความเสี่ยงเพิ่มขึ้นในการตรวจพบเชื้อ CRE เป็นบวกในช่วง 7 วันข้างหน้า
โดยพิจารณาจากปัจจัยต่างๆ ดังนี้:
สถานที่ที่ผู้ป่วยพักรักษาตัวและเส้นทางการเคลื่อนย้ายภายในโรงพยาบาล
การเชื่อมโยงกับผู้ป่วยรายอื่นที่ทราบว่าติดเชื้อ CRE
การสั่งจ่ายยาต้านจุลชีพ
อุปกรณ์และหัตถการทางการแพทย์
เหตุการณ์ทางคลินิกอื่นๆ ที่เกี่ยวข้องกับความเสี่ยงในการรับเชื้อ
ความเสี่ยงสามารถพัฒนาขึ้นได้ผ่านเหตุการณ์ที่เชื่อมโยงกันหลายเหตุการณ์เมื่อเวลาผ่านไป แบบจำลองนี้จะเรียนรู้ว่าปัจจัยเหล่านี้มีปฏิสัมพันธ์กันอย่างไร และนำเสนอผลลัพธ์เพื่อการทบทวนทางคลินิก
การวิจัยเมื่อเร็วๆ นี้ได้พัฒนาแบบจำลองการเรียนรู้ของเครื่อง (Machine-learning) ย้อนหลังเพื่อสนับสนุนการคัดกรอง CPE และเรียกร้องให้มีการตรวจสอบความถูกต้องในสภาพแวดล้อมทางคลินิกจริง (Kim et al., 2026) ขณะนี้ PMK กำลังทดสอบว่าการทำนายประเภทนี้จะสามารถสนับสนุนการตัดสินใจคัดกรองในสถานการณ์จริงได้อย่างไร
จากการทำนายสู่การปฏิบัติการทางคลินิก
ในแต่ละวัน แบบจำลองจะเน้นย้ำถึงผู้ป่วยที่มีความเสี่ยงซึ่งอาจจำเป็นต้องได้รับการทบทวนอย่างใกล้ชิด
แพทย์จะตรวจพิจารณาบริบทของผู้ป่วยและตัดสินใจว่าการคัดกรองเพิ่มเติมนั้นเหมาะสมหรือไม่ แบบจำลองนี้ไม่ได้วินิจฉัยเชื้อ CRE หรือกำหนดการแยกโรค การรักษา หรือการดำเนินการทางคลินิกอื่นๆ โดยอัตโนมัติ
การตัดสินใจทางคลินิกยังคงเป็นสิ่งสำคัญที่สุด การคาดการณ์ความเสี่ยงช่วยให้แพทย์มุ่งเน้นความสนใจได้ดีขึ้น ในขณะที่การตัดสินใจจะพิจารณาถึงตัวผู้ป่วย แนวทางปฏิบัติในปัจจุบัน และขีดความสามารถที่รองรับได้ของโรงพยาบาล
วัดผลในสิ่งที่มีความสำคัญต่อผู้ป่วย
ประสิทธิภาพของแบบจำลองจะได้รับการตรวจสอบทุกวัน นอกจากนี้ยังได้รับการกำหนดค่าและปรับเทียบใหม่เป็นประจำเพื่อรองรับการเปลี่ยนแปลงของความชุกของเชื้อ CRE และพฤติกรรมการตรวจคัดกรอง
ประสิทธิภาพทางเทคนิคเป็นส่วนหนึ่งของการประเมิน คำถามเกี่ยวกับความปลอดภัยของผู้ป่วยคือ แบบจำลองนี้ช่วยระบุผู้ป่วยเพิ่มเติมได้เร็วขึ้นหรือไม่ ช่วยสนับสนุนการใช้มาตรการป้องกันอย่างทันท่วงที และลดระยะเวลาที่ผู้ป่วยกลุ่มเสี่ยงสูงจะยังไม่ได้รับการตรวจพบหรือไม่
ไฮไลต์
คำอธิบาย
ไฮไลต์
คำอธิบาย
ไฮไลต์
คำอธิบาย
ไฮไลต์
คำอธิบาย
ไฮไลต์
คำอธิบาย
อะไรจะเกิดขึ้นต่อไป
ลำดับความสำคัญเร่งด่วนในขณะนี้คือการทำความเข้าใจเพิ่มเติมเกี่ยวกับวิธีที่ระบบส่งผลต่อการตัดสินใจในการคัดกรอง และการปรับปรุงความปลอดภัยของผู้ป่วยในการดูแลรักษาตามปกติ
ถัดไป ทีมงานกำลังประเมินว่าจะสามารถสนับสนุนการตัดสินใจเกี่ยวกับผู้ที่ควรได้รับการคัดกรอง พื้นที่ใดที่การคัดกรองอาจมีความสำคัญน้อยกว่า และจะสามารถนำไปใช้อย่างสม่ำเสมอโดยทีมงานประจำหอผู้ป่วยและทีมควบคุมการติดเชื้อ (IPC) ได้อย่างไร
งานนี้จะช่วยกำหนดว่าการเฝ้าระวังเชิงรุกโดยมี AI ช่วยนำทางจะสามารถกลายมาเป็นส่วนหนึ่งที่นำไปใช้ได้จริงในการปกป้องผู้ป่วยจากเชื้อ CRE ได้หรือไม่
