แบบจำลองการวิเคราะห์ระดับความรุนแรงของอาการไม่พึงประสงค์จากการใช้ยาด้วยเทคนิคการเรียนรู้ของเครื่อง
Article Sidebar
Main Article Content
บทคัดย่อ
กลุ่มยารักษาผู้ป่วยทางจิตเวชเป็นกลุ่มยากระตุ้นระบบประสาทส่วนกลางที่มีจำนวนรายงานเหตุการณ์ไม่พึงประสงค์จากการใช้ยาจำนวนมากติดอันดับ 1 ใน 5 ของจำนวนรายงานตามกลุ่มยาหลักทั้งหมด กระบวนการติดตามความปลอดภัยของยาจึงเป็นกระบวนการที่มีความสำคัญอย่างยิ่งในการค้นหา ประเมิน ไปจนถึงป้องกันเหตุการณ์ไม่พึงประสงค์ที่อาจเกิดขึ้น กระบวนการดังกล่าวมีความซับซ้อน ใช้เวลาค่อนข้างนาน และแปรผันตามประสบการณ์ทำงานและความรู้ในการวิเคราะห์ของบุคลากรทางการแพทย์ งานวิจัยนี้จึงมีวัตถุประสงค์เพื่อพัฒนาแบบจำลองการวิเคราะห์ระดับความรุนแรงของอาการไม่พึงประสงค์จากการใช้ยาด้วยการเรียนรู้ของเครื่อง โดยใช้เทคนิคไปป์ไลน์ใน กระบวนการก่อนการประมวลผลแบบจำลอง การคัดเลือกคุณลักษณะของข้อมูล และการเรียนรู้ชุดข้อมูลโดยใช้เทคนิคการเรียนรู้ของเครื่อง 5 เทคนิค ได้แก่ เทคนิคเคเนียร์เรสเนเบอร์ เทคนิคซัพพอร์ตเวกเตอร์แมชชีนเชิงเส้น เทคนิควิเคราะห์การถดถอยโลจิสติค เทคนิคแรนดอมฟอเรสต์ และเทคนิคโครงข่ายประสาทเทียม ซึ่งผลการประเมินประสิทธิภาพแบบจำลองด้วยเทคนิคต่าง ๆ พบว่า การพัฒนาแบบจำลองด้วยเทคนิคโครงข่ายประสาทเทียมมีประสิทธิภาพในการจำแนกระดับความรุนแรงของอาการไม่พึงประสงค์ดีที่สุด จากการประเมินประสิทธิภาพด้วยวิธีการตรวจสอบข้ามแบบแบ่งชั้น 10 กลุ่ม พบว่า แบบจำลองมีค่าความถูกต้อง ร้อยละ 80.60 และค่าประสิทธิภาพโดยรวม ร้อยละ 77.85 โดยแบบจำลองสามารถจำแนกคลาสที่มีอาการไม่พึงประสงค์รุนแรงระดับปานกลาง และไม่ใช่อาการไม่พึงประสงค์ได้ดี และพบว่าคุณลักษณะข้อมูลที่ทำให้แบบจำลองสามารถจำแนกคลาสได้อย่างมีประสิทธิภาพ ได้แก่ ความเกี่ยวข้องกับการให้ยาพีอาร์เอ็น หรือยาแอลเอ็นซี การได้รับยาที่มีความเสี่ยงสูง ผู้ป่วยมีประวัติการแพ้ยา ประเภทหอผู้ป่วย ไอซีดีโรคหลัก (รหัสโรค เอฟ250) ประเภทผู้รายงาน ฤดูกาลที่เกิดอาการไม่พึงประสงค์ (ฤดูหนาว) ความเร่งด่วน และสภาพการมาโรงพยาบาล ตามลำดับ
Article Details
References
กลุ่มนโยบายแห่งชาติด้านยา (2559). คู่มือการใช้ยาอย่างสมเหตุผล ตามบัญชียาหลักแห่งชาติ ยาที่ใช้ทางจิตเวชศาสตร์. http://ndi.fda.moph.go.th/Drug_national
กิตติพนธ์ เครือวงค์. (2561). ความคลาดเคลื่อนทางยา. วารสารกฎหมายสุขภาพและสาธารณสุข, 4(2), 254-265.
บงกช เพียรไทย และกรรณิการ์ เวชคุณานุกูล. (2563). ความสัมพันธ์ระหว่างปัจจัยและระดับความร้ายแรงของเหตุการณ์ไม่พึงประสงค์จากการใช้ยาโรงพยาบาลพระนารายณ์มหาราช : การศึกษาภาคตัดขวาง. วารสารสุขภาพและสิ่งแวดล้อมศึกษา, 5(2), 134-146.
รุ่งนภา ทรงศิริพันธุ์. (2561). ปัจจัยที่มีความสัมพันธ์กับระดับความรุนแรงของอาการไม่พึงประสงค์จากการใช้ยา. วารสารเครือข่ายวิทยาลัยพยาบาลและการสาธารณสุขภาคใต้, 5(2), 46-56.
ศูนย์เฝ้าระวังความปลอดภัยด้านผลิตภัณฑ์สุขภาพ. (2565). Infographic สถิติข้อมูลศูนย์เฝ้าระวังความปลอดภัยด้านผลิตภัณฑ์สุขภาพ. http://hpvc.fda.moph.go.th/AEINFO/InfographicIndex.aspx
Alomar, M. J. (2014). Factors affecting the development of adverse drug reactions. Saudi Pharmaceutical Journal, 22(2), 83–94. https://doi.org/10.1016/j.jsps.2013.02.003
FDA US. Food and Drug Administration. (2022). FDA Adverse Events Reporting System (FAERS) Public Dashboard. https://fis.fda.gov/hub
Gao, Z., Yang, Y., Meng, R., Yu, J., & Zhou, L. (2022). Automatic assessment of adverse drug reaction reports with interactive visual exploration. Scientific Reports, 12(1), 6777. https://doi.org/10.1038/s41598-022-10887-5
Guo, K., Feng, Z., Chen, S., Yan, Z., Jiao, Z., & Feng, D. (2022). Safety profile of antipsychotic drugs: analysis based on a provincial spontaneous reporting systems Database. Frontiers in Pharmacology, 13. https://doi.org/10.3389/fphar.2022.848472
Iqbal, E. (2021). Investigating adverse effects of psychiatric drugs through data mining of electronic health records (Doctoral dissertation, King's College London).
Islam, T., Hussain, N., Islam, S., & Chakrabarty, A. (2018, December). Detecting adverse drug reaction with data mining and predicting its severity with machine learning. In 2018 IEEE region 10 humanitarian technology conference (R10-HTC) (pp. 1-5). IEEE. https://doi.org/10.1109/R10-HTC.2018.8629806
Lai, N. H., Shen, W. C., Lee, C. N., Chang, J. C., Hsu, M. C., Kuo, L. N., Yu, M. C., & Chen, H. Y. (2020). Comparison of the predictive outcomes for anti-tuberculosis drug-induced hepatotoxicity by different machine learning techniques. Computer Methods and Programs in Biomedicine, 188. https://doi.org/10.1016/j.cmpb.2019.105307
Liu, J. Y. H., & Rudd, J. A. (2023). Predicting drug adverse effects using a new Gastro-Intestinal Pacemaker Activity Drug Database (GIPADD). Scientific Reports, 13(1), 6935. https://doi.org/10.1038/s41598-023-33655-5
Mohsen, A., Tripathi, L. P., & Mizuguchi, K. (2021). Deep learning prediction of adverse drug reactions in drug discovery using open TG–GATEs and FAERS databases. Frontiers in Drug Discovery, 1. https://doi.org/10.3389/fddsv.2021.768792
Nishioka, S., Watanabe, T., Asano, M., Yamamoto, T., Kawakami, K., Yada, S., ... & Hori, S. (2022). Identification of hand-foot syndrome from cancer patients’ blog posts: BERT-based deep-learning approach to detect potential adverse drug reaction symptoms. PloS one, 17(5). https://doi.org/10.1371/journal.pone.0267901
Rakhsha, M., Keyvanpour, M. R., & Shojaedini, S. V. (2021, May). Detecting adverse drug reactions from social media based on multichannel convolutional neural networks modified by support vector machine. In 2021 7th International Conference on Web Research (ICWR) (pp. 48-52). IEEE. https://doi.org/10.1109/ICWR51868.2021.9443128
Sisay, T. & Wami, R. (2021). Adverse drug reactions among major depressive disorders: patterns by age and gender. Heliyon, 7(12), 1-6. https://doi.org/10.1016/j.heliyon.2021.e08655
World Health Organization. (2021, August 3). The Global Patient Safety Action Plan 2021-2030. https://www.who.int.