เทคนิคทาง Machine Learning เพื่อการพัฒนางานการตรวจปัสสาวะสำหรับเพาะเชื้อ

บทคัดย่อ

การตรวจวิเคราะห์ทางปัสสาวะ (UA) เป็นการตรวจที่ทำได้ง่ายและราคาไม่แพง การพบเม็ดเลือดขาวจะเป็นข้อบ่งชี้ว่ามีการอักเสบติดเชื้อแบคทีเรีย การนำเทคนิคทาง Machine learning มาใช้ควบคุมคุณภาพปัสสาวะก่อนส่งตรวจเพาะเชื้อ สามารถลดภาระงานและลดค่าใช้จ่ายได้   

วัตถุประสงค์: เพื่อพัฒนาและเปรียบเทียบประสิทธิภาพแบบจำลองที่เหมาะสมที่สุดสำหรับการพยากรณ์ผู้ป่วยโรคติดเชื้อทางเดินปัสสาวะโดยใช้เทคนิคทาง Machine learning

วิธีการศึกษา: ศึกษาข้อมูลย้อนหลังการส่งตรวจปัสสาวะสำหรับการเพาะเชื้อ ระหว่างปี 2565 และใช้ข้อมูลผลตรวจปัสสาวะ(UA) และผลเพาะเชื้อทางเดินปัสสาวะ (U/C) ทางห้องปฏิบัติการ จำนวน 345 ราย การทำแบบจำลองในโปรแกรม Orange: เทคนิคการสร้างแบบจำลองต่าง ๆ จะถูกเลือกเปรียบเทียบเป็นค่าที่เหมาะสมที่สุดและมีการประเมินโมเดลด้วยสถิติ ความไว ความจำเพาะ ค่าทำนายผลบวก ค่าทำนายผลลบและค่าความถูกต้อง

ผลการศึกษา: โมเดลต้นไม้ตัดสินใจ  (Decision tree) เป็นแบบจำลองที่มีประสิทธิภาพและเหมาะสมที่สุดสำหรับการพยากรณ์ผู้ป่วยโรคติดเชื้อทางเดินปัสสาวะ ซึ่งแสดงจำนวน WBC  ≥ 3-5 cells/HPF ขึ้นไป มีความสอดคล้องกับการเกิดการติดเชื้อในทางเดินปัสสาวะ เมื่อประเมินแบบจำลองด้วยสถิติ พบว่าการใช้เกณฑ์การตรวจพบ WBC ≥ 3-5 cells/HPF ขึ้นไป มาคัดกรองการตรวจปัสสาวะสำหรับเพาะเชื้อ พบว่ามีความไวเท่ากับร้อยละ 96.0  ความจำเพาะร้อยละ 80.0 ค่าทำนายผลบวกเท่ากับร้อยละ 81.5  ค่าทำนายผลลบเท่ากับร้อยละ 96.0 และค่าความถูกต้องเท่ากับร้อยละ 88.0

สรุป: โมเดลต้นไม้ตัดสินใจ (Decision tree) เป็นแบบจำลองที่มีประสิทธิภาพและเหมาะสมที่สุดสำหรับการพยากรณ์ผู้ป่วยโรคติดเชื้อทางเดินปัสสาวะ การใช้ผลการตรวจปัสสาวะที่พบเม็ดเลือดขาวตั้งแต่ 3-5 cells/HPF ขึ้นไป สามารถนำมาเป็นแนวทางการตรวจคัดกรองการตรวจปัสสาวะสำหรับเพาะเชื้อได้