การทำนายภาวะเม็ดเลือดขาวชนิดนิวโทรฟิลต่ำในผู้ป่วยโรคมะเร็งที่ได้รับยาเคมีบำบัด โดยใช้เทคนิคการเรียนรู้ด้วยเครื่อง
DOI:
https://doi.org/10.69598/tbps.21.2.135-151คำสำคัญ:
ภาวะเม็ดเลือดขาวชนิดนิวโทรฟิลต่ำ, โรคมะเร็งชนิดก้อน, โรคมะเร็งเม็ดเลือดขาวและต่อมน้ำเหลือง, ยาเคมีบำบัด, การเรียนรู้ด้วยเครื่องบทคัดย่อ
ภาวะเม็ดเลือดขาวชนิดนิวโทรฟิลต่ำ เป็นภาวะที่พบในผู้ป่วยโรคมะเร็งที่ได้รับยาเคมีบำบัด หากไม่ได้รับการป้องกันหรือรักษาอย่างเหมาะสม อาจนำไปสู่ภาวะแทรกซ้อนที่รุนแรงและเป็นอันตรายถึงชีวิตได้ การศึกษาก่อนหน้าพบว่าสามารถนำเทคนิคการเรียนรู้ด้วยเครื่องมาใช้ทำนายภาวะแทรกซ้อนจากการรักษาด้วยยาเคมีบำบัดได้อย่างมีประสิทธิภาพ การศึกษานี้มีวัตถุประสงค์เพื่อพัฒนาและเปรียบเทียบแบบจำลองที่มีความเหมาะสมสำหรับการทำนายภาวะดังกล่าว ด้วยเทคนิคการเรียนรู้ด้วยเครื่อง เก็บข้อมูลย้อนหลัง จำนวน 511 คน จากระบบสารสนเทศโรงพยาบาลราชพิพัฒน์ตั้งแต่ 1 มกราคม พ.ศ. 2565 ถึง 31 มีนาคม พ.ศ. 2567 ข้อมูลที่นำมาวิเคราะห์ประกอบด้วยข้อมูลจากเวชระเบียน ผลการตรวจร่างกาย และผลทางห้องปฏิบัติการ เพื่อคัดเลือกตัวแปรก่อนนำไปสร้างแบบจำลอง แบ่งชุดข้อมูลเป็น 2 ชุด ได้แก่ ชุดฝึกสอนร้อยละ 80 และชุดทดสอบร้อยละ 20 โดยปรับสมดุลข้อมูลชุดฝึกสอนด้วยวิธี SMOTE-NC จากนั้นสร้างแบบจำลองด้วยค่าไฮเปอร์พารามิเตอร์ที่เหมาะสม โดยใช้เทคนิคการเรียนรู้ด้วยเครื่อง 5 เทคนิค ได้แก่ Logistic Regression (LR) Random Forest (RF) Adaptive Boosting (AdaBoost) Support Vector Machines (SVM) และ Artificial Neural Network (ANN) คัดเลือกแบบจำลองโดยพิจารณาจากค่า accuracy precision recall และ F1-measure ประเมินประสิทธิภาพแบบจำลองด้วยข้อมูลชุดทดสอบ โดยพิจารณาค่า sensitivity specificity และ AUC พบว่าแบบจำลองที่ให้ประสิทธิภาพดีที่สุด คือ แบบจำลองที่สร้างจากเทคนิค RF และ AdaBoost ซึ่งให้ค่า sensitivity specificity และ AUC ร้อยละ 100 ร้อยละ 98.21 และ 1.000 ตามลำดับ ดังนั้นแบบจำลองที่สร้างจากเทคนิค RF และAdaBoost ซึ่งเป็นแบบจำลองการเรียนรู้แบบกลุ่ม (ensemble learning) มีความเหมาะสมที่สุดสำหรับการทำนายภาวะ
เม็ดเลือดขาวชนิดนิวโทรฟิลต่ำ
เอกสารอ้างอิง
National Cancer Institute. Common Terminology Criteria for Adverse Events (CTCAE) Version 4.03 [Internet]. Bethesda (MD): U.S. Department of Health and Human Services, National Institutes of Health, National Cancer Institute; 2010 [cited 2024 Apr 1]. Available from: https://evs.nci.nih.gov/ftp1/CTCAE/CTCAE_4.03/CTCAE_4.03_2010-06-14_QuickReference_8.5x11.pdf
do Nascimento TG, de Andrade M, de Oliveira RA, de Almeida AM, Gozzo TO. Neutropenia: Occurrence and management in women with breast cancer receiving chemotherapy. Rev Lat Am Enfermagem. 2014 Mar-Apr;22(2):301-8.
Pfeil AM, Vulsteke C, Paridaens R, Dieudonné AS, Pettengell R, Hatse S, et al. Multivariable regression analysis of febrile neutropenia occurrence in early breast cancer patients receiving chemotherapy assessing patient-related, chemotherapy-related and genetic risk factors. BMC Cancer. 2014;14:201.
Wiberg H, Yu P, Montanaro P, Mather J, Birz S, Schneider M, et al. Prediction of neutropenic events in chemotherapy patients: A machine learning approach. JCO Clin Cancer Inform. 2021;5:904-11.
Macqueron C. Machine Learning: How much data do you need [Internet]. 2022 [cited 2025 May 5]. Available from: https://www.researchgate.net/publication/364310341_Machine_Learning_How_much_data_do_you_need
Mukherjee M, Khushi M. SMOTE-ENC: A novel SMOTE-based method to generate synthetic data for nominal and continuous features. Appl Syst Innov. 2021;4(1):18.
National Comprehensive Cancer Network. NCCN Clinical Practice Guidelines in Oncology (NCCN Guidelines®) for Hematopoietic Growth Factors. Version 2 [Internet]. Plymouth Meeting (PA): National Comprehensive Cancer Network; 2023 [cited 2024 Apr 1]. Available from: https://www.nccn.org/guidelines/guidelines-detail?category=3&id=1493
Du X, Min J, Shah CP, Bishnoi R, Hogan WR, Lemas DJ. Predicting in-hospital mortality of patients with febrile neutropenia using machine learning models. Int J Med Inform. 2020;139:104140.
Cho BJ, Kim KM, Bilegsaikhan SE, Suh YJ. Machine learning improves the prediction of febrile neutropenia in Korean inpatients undergoing chemotherapy for breast cancer. Sci Rep. 2020;10(1):14803.
Leelayuthachai T. Febrile neutropenia in patients after chemotherapy treatment in the Internal Medicine Department, Thammasat University Hospital. J Hematol Transfus Med. 2010;20(3):197-204. (in Thai)
Akarachantachote N. Feature selection for high-dimensional data in classification. Res Methodol Cogn Sci. 2016;8:1-13. (in Thai).
Teparat P, Kanitsap N. Potential risk factors of febrile neutropenia in cancer patients receiving chemotherapy. Thammasat Med J. 2015;15(2):200-9. (in Thai)
Choeychom L, Pummarin T, Raethong N. Risk factors of low neutrophils in cancer patients at Lop Buri Cancer Hospital. J Dep Med Serv. 2022;47(4):84-91. (in Thai).
Averin A, Silvia A, Lamerato L, Richert-Boe K, Kaur M, Sundaresan D, et al. Risk of chemotherapy-induced febrile neutropenia in patients with metastatic cancer not receiving granulocyte colony-stimulating factor prophylaxis in US clinical practice. Support Care Cancer. 2021 Apr;29(4):2179-86.
Holborow A, Coupe B, Davies M, Zhou S. Machine learning methods in predicting chemotherapy-induced neutropenia in oncology patients using clinical data. Clin Med (Lond). 2019;19(Suppl 3):89-90.
Kim Y, Lee Y, Park HW, Jung H, Hwangbo Y, Cha HS. Prediction of chemotherapy-induced neutropenia using machine learning in cancer patients. In: 2023 IEEE International Conference on Big Data and Smart Computing (BigComp); 2023 Feb 13-16; Jeju, Korea. IEEE; 2023. p. 136-9.
Lyman GH, Abella E, Pettengell R. Risk factors for febrile neutropenia among patients with cancer receiving chemotherapy: A systematic review. Crit Rev Oncol Hematol. 2014;90(3):190-9.
Pawloski PA, Thomas AJ, Kane S, Vazquez-Benitez G, Shapiro GR, Lyman GH. Predicting neutropenia risk in patients with cancer using electronic data. J Am Med Inform Assoc. 2017;24(e1):e129-e135.
