Page 407 - Best Practice Poster 2024 (อัพเดต)

K2

probabilities ที่ถูกประเมินโดยใช้ logistic equation เพื่อสร้าง multivariable logistic regression model

จากการนำตัวแปรเข้าสมการ ได้แก่ continuous age, continuous NIHSS, และ dummy variables ที่มี
natural coding สำหรับ CDS levels เท่ากับ 1, 2, และ 3 จากนั้นสร้าง model ที่ 2 (combined THRIVE-
MFP calculation) ซึ่งเป็น model ที่รวมข้อมูลจาก THRIVE score ร่วมกับ 24-hour ASPECTS และ

HB/RDW ratioสำหรับตัวแปรต่อเนื่อง multivariable fractional polynomials (MFP) algorithms ถูก
นำมาใช้เพื่อระบุ optimal fractional polynomial transformation ของแต่ละตัวแปรเพื่อ fitted ใน binary
logistic model ผู้วิจัยใช้ area under the receiver operating characteristic curve (AuROC) เพื่อ
เปรียบเทียบความแตกต่างอย่างมีนัยสำคัญใน AuROC ของ model performance โดยใช้ method ที่
propose โดย DeLong และ คณะ หาก AuROC ของ combined THRIVE-MFP calculation ดีกว่า

THRIVE-c calculation model ผู้วิจัยจะสรุปว่า 24-hour ASPECTS และ HB/RDW สามารถเพิ่ม
prognostic value ได้อย่างมีนัยสำคัญ จากนั้นcombined THRIVE-MFP จะถูกสร้างเป็น prognostic
prediction model โดยนำเสนอด้วย logistic regression equations เพื่อประเมิน prediction of

probability ของการเสียชีวิตในโรงพยาบาล โดยใช้ inverse logit transformation ของ linear predictor
lp
lp
(lp) ดังนี้: probability = e /(1 + e ), ในขณะที่ e คือ base value ของ natural logarithms
ผลการศึกษา
ผู้ป่วยทั้งหมด 345 รายที่ได้รับการวินิจฉัยว่าเป็นโรคหลอดเลือดสมองตีบ ซึ่งได้รับการรักษาด้วยยา
สลายลิ่มเลือด rt-PA จากการศึกษาพบว่า มีผู้ป่วยจำนวน 65 ราย (18.8%) ที่มีการเสียชีวิตในโรงพยาบาล โดย

พบว่า combined THRIVE-MFP model มีอำนาจการพยากรณ์การเสียชีวิตในโรงพยาบาลสูงกว่า THRIVE-c
model อย่างมีนัยสำคัญทางสถิติ (AuROC 0.980 vs. 0.876, p<0.001) (รูปที่ 1) ซึ่ง probability ของการ
lp
เสียชีวิตในโรงพยาบาล สามารถวิเคราะห์ได้จาก combined THRIVE-MFP model ผ่านสมการ : e /(1 +
lp
e ), ในขณะที่ lp = -6.218 + 0.031 (อายุ - 61.777) + 0.109 (NIHSS - 12.507) + -14.648 (([24-hour
ASPECTS+1]/10)3 - 0.506) + -7.059 (HB/RDW - 0.871) + -0.744 (โรคเบาหวาน : No=0 หรือ Yes=1) +
0.226 (โรคความดันโลหิตสูง : No=0 หรือ Yes=1) + 0.388 (AF : No=0 หรือ Yes=1) (รูปที่ 2)
รูปที่ 1 (a) การเปรียบเทียบเส้นโค้ง ROC และการประเมินประสิทธิภาพระหว่าง combined

THRIVE-MFP model และ THRIVE-c model สำหรับการพยากรณ์การเสียชีวิตในโรงพยาบาล (b) Model