การระบุความเสี่ยงในการติดเชื้อได้เร็วขึ้นช่วยให้โรงพยาบาลสามารถกำหนดเป้าหมายการคัดกรอง จัดลำดับความสำคัญของการสืบสวนโรค และมุ่งเน้นการป้องกันในจุดที่สำคัญที่สุดได้
แอชลีห์ ไมแอล
ทีมป้องกันและควบคุมการติดเชื้อรู้วิธีรับมือกับความเสี่ยงในการติดเชื้ออยู่แล้ว
พวกเขาสามารถคัดกรองผู้ป่วย นำมาตรการป้องกันการสัมผัสมาใช้ ตรวจสอบการแพร่กระจายที่อาจเกิดขึ้น และเสริมสร้างมาตรการควบคุมการติดเชื้อให้เข้มงวดขึ้นได้ แต่ปัญหาคือบ่อยครั้งที่พวกเขาจำเป็นต้องดำเนินการหลังจากตรวจพบการติดเชื้อแล้วเท่านั้น
เมื่อถึงตอนนั้น ผู้ป่วยรายอื่นอาจสัมผัสเชื้อไปแล้ว และโอกาสในการป้องกันก็อาจผ่านพ้นไปแล้ว
การเฝ้าระวังเชิงคาดการณ์คือการสร้างโอกาสที่เร็วขึ้นในการดำเนินการ
โรงพยาบาลยังคงตรวจพบความเสี่ยงของการติดเชื้อที่สูงเกินไปในเวลาที่สายเกินไป
การติดเชื้อในสถานพยาบาลยังคงเป็นหนึ่งในภัยคุกคามที่ต่อเนื่องและยาวนานที่สุดต่อความปลอดภัยของผู้ป่วย
การสำรวจความชุก ณ จุดเวลาใดจุดเวลาหนึ่งของยุโรปครั้งล่าสุดประมาณการว่า ผู้ป่วย 4.3 ล้านคนติดเชื้อในสถานพยาบาลอย่างน้อยหนึ่งครั้งในโรงพยาบาลของสหภาพยุโรป (EU) และเขตเศรษฐกิจยุโรป (EEA) ในแต่ละปี โดยหนึ่งในสามของเชื้อจุลชีพที่พบในการติดเชื้อเหล่านี้ดื้อต่อยาปฏิชีวนะที่สำคัญ
รายงานเดียวกันนี้ประมาณการว่าอย่างน้อย 20% ของการติดเชื้อสามารถป้องกันได้ด้วยโครงการป้องกันและควบคุมการติดเชื้อที่หลากหลายและยั่งยืน องค์การอนามัยโลก รายงานว่าโครงการที่มีการดำเนินงานเป็นอย่างดีสามารถลดการติดเชื้อในสถานพยาบาลได้มากถึง 70%
แต่การป้องกันนั้นขึ้นอยู่กับเวลา ทีมงานจำเป็นต้องรู้ว่าความเสี่ยงเกิดขึ้นที่ใดในขณะที่ยังมีโอกาสที่จะเข้าไปแทรกแซงเพื่อจัดการปัญหาได้ทันท่วงที
ข้อจำกัดของการเฝ้าระวังเชิงรับ
โรงพยาบาลต่างๆ ใช้แนวทางหลายประการในการระบุและจัดการความเสี่ยงในการติดเชื้อ:
การสำรวจความชุก ณ จุดเวลาใดเวลาหนึ่ง (Point-prevalence surveys) ช่วยให้การประเมินภาระของการติดเชื้อมีคุณค่า แต่เป็นเพียงภาพสะท้อนในช่วงเวลาใดเวลาหนึ่งเท่านั้น
การคัดกรองแบบครอบคลุมสามารถตรวจพบการเป็นพาหะที่ซ่อนอยู่ได้ แต่มีค่าใช้จ่ายสูงและยากต่อการรักษาความต่อเนื่องในระยะยาวสำหรับทั้งโรงพยาบาล
การคัดกรองตามข้อบ่งชี้ทางคลินิกขึ้นอยู่กับการติดเชื้อที่ต้องปรากฏชัดเจนเพียงพอที่จะกระตุ้นให้เกิดความกังวล
การติดตามผู้สัมผัสช่วยจำลองการสัมผัสเชื้อที่อาจเกิดขึ้นได้ แต่ส่วนใหญ่มักเริ่มต้นขึ้นหลังจากมีการรายงานผลการตรวจที่เป็นบวกแล้ว
การคัดกรองปัจจัยเสี่ยงนั้นมีความเฉพาะเจาะจงมากกว่า แต่โดยทั่วไปมักอาศัยเกณฑ์ที่คงที่ซึ่งอาจไม่สะท้อนถึงความเสี่ยงของผู้ป่วยที่เปลี่ยนแปลงไปในระหว่างการรับเข้ารักษาตัวในโรงพยาบาล
แต่ละแนวทางต่างมีบทบาทสำคัญ ปัญหาคือช่องว่างระหว่างแนวทางเหล่านั้น
ผู้ป่วยเคลื่อนย้ายระหว่างเตียง หอผู้ป่วย พื้นที่วินิจฉัยโรค และห้องผ่าตัด สภาพทางคลินิกของพวกเขาเปลี่ยนแปลงไป พวกเขาเข้ารับการทำหัตถการ ได้รับยาปฏิชีวนะ และใช้สภาพแวดล้อมร่วมกับบุคคลอื่นที่หลากหลาย
ความเสี่ยงในการติดเชื้อนั้นมีความเคลื่อนไหวและเปลี่ยนแปลงตลอดเวลา ในขณะที่กระบวนการเฝ้าระวังจำนวนมากยังคงเป็นแบบย้อนหลังหรือคงที่
การสอดส่องดูแลแบบพยากรณ์คืออะไร?
การเฝ้าระวังเชิงคาดการณ์ใช้ข้อมูลโรงพยาบาลที่รวบรวมเป็นประจำเพื่อประเมินว่าความเสี่ยงของการติดเชื้ออาจเกิดขึ้นในจุดใดต่อไป
ทั้งนี้ขึ้นอยู่กับกรณีการใช้งาน ซึ่งอาจรวมถึง:
ผลการตรวจทางจุลชีววิทยาและไวรัสวิทยา
ข้อมูลการรับผู้ป่วยเข้า การจำหน่ายผู้ป่วย และการส่งต่อผู้ป่วย
การเคลื่อนย้ายเตียงผู้ป่วยและสถานที่ส่วนกลางที่มีการใช้งานร่วมกัน
ประวัติการสัมผัสหรือรับการดูแลรักษาพยาบาลก่อนหน้านี้
การใช้ยาปฏิชีวนะและขั้นตอนการรักษาที่มีการลุกล้ำเข้าสู่ร่างกาย
การสังเกตการณ์ทางคลินิกและสภาวะโรคที่เป็นอยู่เดิม
การเปลี่ยนแปลงของความชุกของเชื้อโรคในท้องถิ่น
โมเดลการเรียนรู้ของเครื่อง (Machine-learning) สามารถวิเคราะห์ว่าปัจจัยเหล่านี้มีปฏิสัมพันธ์กันอย่างไรเมื่อเวลาผ่านไป และสร้างผลการประเมินความเสี่ยงที่ทันสมัยในระดับผู้ป่วย หอผู้ป่วย หรือระดับโรงพยาบาล
วิธีนี้ไม่เหมือนกับการวินิจฉัยการติดเชื้อหรือการยืนยันการแพร่เชื้อ คะแนนความเสี่ยงไม่สามารถบอกทีมป้องกันและควบคุมการติดเชื้อได้ว่าผู้ป่วยรายใดรายหนึ่งมีการติดเชื้ออย่างแน่นอน หรือผู้ป่วยรายหนึ่งได้แพร่เชื้อไปยังอีกรายหนึ่งแล้ว
แต่สามารถแสดงให้เห็นว่าจุดใดที่อาจจำเป็นต้องได้รับการตรวจสอบอย่างใกล้ชิดยิ่งขึ้น
จุดประสงค์คือเพื่อช่วยให้ทีมคลินิกสามารถพุ่งความสนใจได้เร็วขึ้น ไม่ใช่เพื่อแทนที่การตัดสินใจของพวกเขา
สิ่งที่คุณจะทำได้เมื่อมีข้อมูลอัจฉริยะล่วงหน้า
การคาดการณ์ที่เป็นประโยชน์ต้องเชื่อมโยงกับการดำเนินการในทางปฏิบัติ การเฝ้าระวังเชิงคาดการณ์สามารถสนับสนุนสิ่งต่อไปนี้ได้ โดยขึ้นอยู่กับเชื้อก่อโรค ผู้ป่วย และสภาพแวดล้อม:
การคัดกรองที่ตรงเป้าหมายยิ่งขึ้น ผู้ป่วยสามารถได้รับการจัดลำดับความสำคัญตามความเสี่ยงในปัจจุบัน แทนที่จะใช้เกณฑ์การรับเข้ารักษาที่กว้างหรือคงที่ วิธีนี้อาจช่วยระบุพาหะที่ซ่อนอยู่พร้อมทั้งลดการตรวจหาเชื้อที่มีมูลค่าต่ำ
การทบทวนทางคลินิกที่เร็วขึ้น ทีมควบคุมและป้องกันการติดเชื้อ (IPC) สามารถทบทวนอาการของผู้ป่วยที่มีความเสี่ยงสูงได้ ก่อนที่ผลการคัดกรองตามปกติหรือกลุ่มก้อนการติดเชื้อที่ชัดเจนจะดึงดูดความสนใจของพวกเขา
การป้องกันที่ได้สัดส่วน การคาดการณ์สามารถสนับสนุนการพิจารณาการคัดกรอง การแยกกักโรค หรือมาตรการป้องกันการสัมผัสอื่นๆ ได้เร็วขึ้น การตัดสินใจเหล่านี้ควรอยู่ภายใต้การทบทวนทางคลินิกและนโยบายในท้องถิ่น
การสอบสวนที่รวดเร็วยิ่งขึ้น การเคลื่อนย้ายของผู้ป่วย สถานที่ที่ใช้ร่วมกัน และการสัมผัสเชื้อที่อาจเกิดขึ้นสามารถนำมารวบรวมเข้าด้วยกันได้ ก่อนที่ทีมงานจะเริ่มดำเนินการสืบค้นข้อมูลย้อนหลังด้วยตนเอง
การใช้ทรัพยากรที่ดีขึ้น เวลาของทีม IPC, ขีดความสามารถในการแยกกักโรค, การทำความสะอาดสิ่งแวดล้อม และการทดสอบทางห้องปฏิบัติการสามารถมุ่งเน้นไปที่ผู้ป่วยและสถานที่ที่การดำเนินการตั้งแต่เนิ่นๆ อาจมีคุณค่าสูงสุด
เป้าหมายไม่ใช่การแทรกแซงในทุกๆ ที่ แต่เป็นการระบุว่าการแทรกแซงในจุดใดที่มีแนวโน้มว่าจะมีความสำคัญมากที่สุด
หลักฐานที่แสดงว่าสามารถทำนายความเสี่ยงในการติดเชื้อได้
ขีดความสามารถพื้นฐานนี้เริ่มเป็นที่ยอมรับและมีความมั่นคงมากขึ้นเรื่อยๆ
การศึกษาของเราซึ่งตีพิมพ์ใน The Lancet Digital Health ได้ประเมินการเข้ารักษาตัวในโรงพยาบาลมากกว่า 100,000 รายทั่วสหราชอาณาจักรและสวิตเซอร์แลนด์ แบบจำลองดังกล่าวมีค่า AUROC สูงถึง 0.89 ในการคาดการณ์การติดเชื้อโควิด-19 ที่เกิดขึ้นในโรงพยาบาล
ที่สำคัญคือ เครือข่ายการสัมผัสใกล้ชิดของผู้ป่วยเป็นหนึ่งในปัจจัยทำนายที่แข็งแกร่งที่สุด ความเสี่ยงในการติดเชื้อไม่ได้ขึ้นอยู่กับลักษณะเฉพาะตัวของผู้ป่วยเท่านั้น แต่ยังขึ้นอยู่กับความเชื่อมโยงที่เปลี่ยนแปลงไปกับผู้ป่วยรายอื่นและสถานที่ต่างๆ ทั่วทั้งโรงพบาลด้วย
ตั้งแต่นั้นมา นักวิจัยคนอื่นๆ ได้สาธิตแบบจำลองการคาดการณ์เกี่ยวกับการติดเชื้อในทางเดินปัสสาวะ การติดเชื้อในกระแสเลือด การติดเชื้อในตำแหน่งผ่าตัด และเชื้อดื้อยาหลายชนิด ตัวอย่างเช่น การศึกษาผู้ป่วย ICU ในปี 2025 ได้พัฒนาแบบจำลองที่สามารถอธิบายได้สำหรับการติดเชื้อดื้อยาหลายชนิด โดยมีค่า AUROC อยู่ที่ 0.83
งานวิจัยนี้มีแนวโน้มที่ดี แต่ความแม่นยำของแบบจำลองเพียงอย่างเดียวยังไม่เพียงพอ การศึกษาจำนวนมากยังคงเป็นการศึกษาย้อนหลังหรือจำกัดอยู่เพียงโรงพยาบาลแห่งเดียว ขั้นตอนต่อไปที่สำคัญคือการแสดงให้เห็นว่าการคาดการณ์นั้นยังคงมีความแม่นยำ มีประโยชน์ และปลอดภัยเมื่อนำไปใช้ในกระบวนการทำงานจริงทางคลินิก
ฟังพอดแคสต์ของ The Lancet Digital Health เกี่ยวกับงานวิจัยต้นฉบับ →
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
จากการคัดกรองแบบคงที่สู่การเฝ้าระวังอย่างแม่นยำ
กลยุทธ์การตรวจคัดกรองส่วนใหญ่จำเป็นต้องมีการแลกเปลี่ยนข้อดีข้อเสีย
การตรวจคัดกรองแบบครอบคลุมทุกคนสามารถระบุเคสได้มากกว่า แต่ต้องใช้ศักยภาพทางห้องปฏิบัติการอย่างมาก ส่วนการตรวจคัดกรองแบบเลือกกลุ่มเป้าหมายใช้ทรัพยากรน้อยกว่า แต่อาจพลาดผู้ป่วยที่มีความเสี่ยงซึ่งไม่ได้ระบุไว้ในเกณฑ์ที่กำหนดตายตัว
การเฝ้าระวังเชิงคาดการณ์เป็นแนวทางที่มีพลวัตมากกว่า แทนที่จะประเมินความเสี่ยงเพียงครั้งเดียวเมื่อแรกรับ แนวทางนี้สามารถอัปเดตข้อมูลได้เมื่อมีข้อมูลใหม่เข้ามา
ความเสี่ยงของผู้ป่วยอาจเพิ่มขึ้นเนื่องจากผู้ป่วย:
ย้ายเข้าไปในหอผู้ป่วยที่มีความชุกของการติดเชื้อเพิ่มสูงขึ้น
ใช้สถานที่ร่วมกับเคสที่เพิ่งตรวจพบใหม่
เข้ารับการหัตถการทางการแพทย์ที่ลุกล้ำร่างกาย
เริ่มใช้ยาปฏิชีวนะที่มีฤทธิ์ต้านเชื้ออย่างกว้างขวาง (Broad-spectrum antibiotics)
พักรักษาตัวในโรงพยาบาลนานกว่าที่คาดไว้
มีอาการทางคลินิกใหม่ ๆ หรือมีความผิดปกติของผลการตรวจทางห้องปฏิบัติการ
วิธีนี้ช่วยให้กลยุทธ์การเฝ้าระวังสามารถตอบสนองต่อสิ่งที่เป็นเกิดขึ้นจริงภายในโรงพยาบาลได้
หลักฐานจากการใช้งาน NEX บ่งชี้ว่าการเฝ้าระวังเชิงรุกแบบระบุเป้าหมายสามารถลดปริมาณการตรวจคัดกรองที่จำเป็นลงได้ ในขณะเดียวกันก็สามารถระบุผู้ติดเชื้อที่มีความเสี่ยงสูงได้ก่อนการตรวจคัดกรองตามปกติของโรงพยาบาล เรากำลังประเมินอย่างต่อเนื่องว่าสิ่งนี้จะส่งผลต่อผลลัพธ์ทางคลินิก การดำเนินงาน และทางเศรษฐกิจอย่างไรในสภาพแวดล้อมที่แตกต่างกัน
การทำนายต้องพิสูจน์คุณค่าของตัวเองเพื่อให้เป็นที่ยอมรับในกระบวนการทำงาน
การเฝ้าระวังเชิงคาดการณ์ไม่ควรกลายเป็นแดชบอร์ดอีกอันหนึ่งที่ทีมงานต้องคอยตรวจสอบ หรือเป็นอีกหนึ่งแหล่งของแจ้งเตือนที่กำหนดกลุ่มเป้าหมายได้ไม่ดี
เพื่อให้เกิดประโยชน์ จะต้องมีลักษณะดังนี้:
ทันท่วงที การคาดการณ์ควรมาถึงเร็วพอที่จะสามารถดำเนินการแทรกแซงอย่างเหมาะสมเพื่อเปลี่ยนแปลงผลลัพธ์ได้
ผ่านการตรวจสอบในระดับท้องถิ่น แบบจำลองที่พัฒนาขึ้นในโรงพยาบาลแห่งหนึ่งอาจไม่ได้ทำงานในลักษณะเดียวกันในอีกที่หนึ่ง จะต้องมีการประเมินประสิทธิภาพและการสอบเทียบในกลุ่มประชากรที่จะนำไปใช้งานจริง
สามารถอธิบายได้ ทีมงานจำเป็นต้องเข้าใจปัจจัยหลักที่มีส่วนทำให้เกิดการประมาณค่าความเสี่ยง และสามารถตรวจสอบข้อมูลสนับสนุนได้
นำไปปฏิบัติได้จริง ทุกการแจ้งเตือนควรเชื่อมโยงกับเวิร์กโฟลว์ที่กำหนดไว้ เช่น การตรวจประเมินผู้ป่วย การขอตรวจทางห้องปฏิบัติการ หรือการสืบสวนการสัมผัสเชื้อที่อาจเกิดขึ้น
ได้รับการตรวจสอบอย่างต่อเนื่อง รูปแบบการติดเชื้อ การปฏิบัติทางคลินิก และประชากรในโรงพยาบาลมีการเปลี่ยนแปลงอยู่เสมอ ประสิทธิภาพ การแจ้งเตือนที่ผิดพลาด และการเบี่ยงเบนของแบบจำลอง (model drift) จำเป็นต้องได้รับการตรวจสอบอย่างต่อเนื่อง
อยู่ภายใต้การกำกับดูแลทางคลินิก ผลลัพธ์เชิงคาดการณ์ควรสนับสนุนการตัดสินใจของผู้เชี่ยวชาญ ไม่ใช่ดำเนินการในฐานะการวินิจฉัยที่ไม่ผ่านการตรวจสอบหรือคำสั่งอัตโนมัติ
มาตรฐานต่างๆ รวมถึง TRIPOD+AI และ DECIDE-AI ให้กรอบการทำงานที่เป็นประโยชน์สำหรับการรายงานที่โปร่งใสและการประเมินทางคลินิกในโลกแห่งความเป็นจริง
การสร้างระบบข้อมูลอัจฉริยะด้านการติดเชื้อแบบเชื่อมโยง
การเฝ้าระวังเชิงพยากรณ์เป็นส่วนหนึ่งของการเปลี่ยนแปลงที่กว้างขึ้นไปสู่ระบบอัจฉริยะด้านการติดเชื้อ (Infection Intelligence)
เมื่อข้อมูลของโรงพยาบาลมีการเชื่อมต่อกันมากขึ้น เทคโนโลยีต่าง ๆ ก็สามารถให้มุมมองเสริมเกี่ยวกับความเสี่ยงในการติดเชื้อได้:
การจัดลำดับจีโนมสามารถช่วยระบุได้ว่ากรณีที่ดูเหมือนมีความเกี่ยวข้องกันนั้นมีความเชื่อมโยงทางพันธุกรรมหรือไม่
การประมวลผลภาษาธรรมชาติสามารถระบุข้อมูลที่เกี่ยวข้องที่อยู่ในบันทึกทางคลินิกได้
การวินิจฉัยที่รวดเร็วสามารถร่นระยะเวลาระหว่างการสงสัยและการยืนยันผลให้สั้นลงได้
การเคลื่อนย้ายผู้ป่วยและแบบจำลองเชิงพื้นที่สามารถเผยให้เห็นเส้นทางที่เป็นไปได้ของการสัมผัสเชื้อ
ระบบการจัดการยาต้านจุลชีพสามารถสนับสนุนการทบทวนการตัดสินใจสั่งใช้ยาที่ทันท่วงทียิ่งขึ้น
การวิจัยได้แสดงให้เห็นถึงคุณค่าของการรวมข้อมูลโรงพยาบาลที่รวบรวมเป็นประจำเข้ากับเครือข่ายผู้สัมผัส งานวิจัยล่าสุดได้สาธิตให้เห็นว่า การเฝ้าระวังทางจีโนมแบบเรียลไทม์สามารถระบุการแพร่เชื้อในโรงพยาบาลที่ไม่เคยรับรู้มาก่อนได้อย่างไร ในขณะที่เครื่องมือดิจิทัลถูกนำมาใช้มากขึ้นเพื่อสนับสนุน การสั่งใช้ยาต้านจุลชีพและการจัดการดูแล
โอกาสไม่ใช่การนำระบบที่ไม่ได้เชื่อมต่อกันมาใส่ในโรงพยาบาลเพิ่มขึ้น แต่เป็นการนำสัญญาณเหล่านี้มารวมกันและแปลผลให้เป็นแนวทางปฏิบัติที่ชัดเจนและทันเวลาสำหรับทีมคลินิก
ข้อมูลอัจฉริยะที่รวดเร็วขึ้น ไม่ใช่การแจ้งเตือนที่มากขึ้น
การเฝ้าระวังเชิงพยากรณ์เพียงอย่างเดียวไม่สามารถป้องกันการติดเชื้อได้
คุณค่าของมันมาจากการให้เวลาแก่ทีมป้องกันและควบคุมการติดเชื้อมากขึ้น: เวลาในการทบทวนผู้ป่วย การขอตรวจหาเชื้อ การสืบสวนกลุ่มก้อนการระบาดที่อาจเกิดขึ้น หรือการนำมาตรการป้องกันที่เหมาะสมมาใช้ก่อนที่จะมีผู้สัมผัสเชื้อมากขึ้น
อนาคตของการป้องกันการติดเชื้อไม่ใช่แค่ข้อมูลที่มากขึ้นหรือ AI ที่มากขึ้นเท่านั้น
แต่เป็นระบบอัจฉริยะที่ช่วยให้โรงพยาบาลมองเห็นความเสี่ยงในการติดเชื้อได้เร็วขึ้น ดำเนินการได้เร็วขึ้น และป้องกันอันตรายที่หลีกเลี่ยงได้
