Page 409 - Best Practice Poster 2024 (อัพเดต)

K4

ตัวอย่างกรณีศึกษา
ผู้ป่วย อายุ 51 ปี มีโรคประจำตัว atrial fibrillation และ โรคความดันโลหิตสูง
4 ชั่วโมงก่อนมาโรงพยาบาล มีอาการอ่อนแรงซีกขวา พูดไม่ได้ ตรวจร่างกายพบว่า

มี global aphasia, motor power grade 1 ซีกซ้าย NIHSS เท่ากับ 19, CT brain
non-contrast ก่อนได้รับยา rt-PA พบว่ามีค่า ASPECTS เท่ากับ 6 แพทย์พิจารณา
ให้การรักษาด้วยยาสลายลิ่มเลือด rt-PA หลังจากนั้นได้การ CT brain non-
contrast ซ้ำที่ 24 ชั่วโมงหลังได้ยา rt-PA พบว่าค่า ASPECTS (24-hr ASPECTS)
เท่ากับ 2; ผลทางห้องปฏิบัติการ พบว่า ค่า hemoglobin = 15mg/dLและ ค่า

Red cell distribution width (RDW) เท่ากับ 20% คำนวณ HB/RDW มีค่าเท่ากับ
0.75คำนวณความเสี่ยงการเสียชีวิตของผู้ป่วยรายนี้ เท่ากับ 93.34% ดังภาพด้าน
ซ้ายมือ ซึ่งแปลผลว่ามีความเสี่ยงสูงต่อการเสียชีวิตในโรงพยาบาล

สรุปและข้อเสนอแนะ
Combined THRIVE-MFP model แสดงให้เห็นประสิทธิภาพในการพยากรณ์การเสียชีวิตใน
โรงพยาบาลของของผู้ป่วยโรคหลอดเลือดสมองตีบเฉียบพลันที่ได้รับยาสลายลิ่มเลือด rt-PA ที่ดีเยี่ยม ผู้ใช้งาน

สามารถนำ web application ดังกล่าวไปใช้แบ่งระดับความสำคัญในการดูแลรักษาผู้ป่วยเพื่อวางแผน
จัดระบบ intensive neurological monitoring และ ช่วยแพทย์สำหรับตัดสินใจในวางแผนการรักษา และ
ช่วยให้แพทย์หรือพยาบาลสามารถอธิบายพยากรณ์โรคแก่ผู้ป่วย และ ญาติได้อย่างถูกต้องมากยิ่งขึ้น ส่งผลให้
ผู้รับบริการมีความเชื่อมั่นในระบบการรักษา และ ลดปัญหาการฟ้องร้อง การรวม 24-hour ASPECTS และ

HB/RDW ratio ร่วมกับ THRIVE score ได้รับการพิสูจน์แล้วว่าสามารถช่วยเพิ่มคุณค่าการพยากรณ์การ
เสียชีวิตในโรงพยาบาลได้อย่างมีนัยสำคัญ
การศึกษานี้มีข้อจำกัด ประการที่ 1 เนื่องจากเป็น single-center retrospective study ซึ่งเก็บข้อมูล
เฉพาะในผู้ป่วยที่มีข้อมูลครบถ้วน ดังนั้นอาจทำให้เกิด selection bias การวิจัยเพิ่มเติมควรมุ่งเป้าไปที่การ

พัฒนา clinical prediction model ผ่านการศึกษาที่มีขนาดประชากรมากขึ้น และศึกษาในลักษณะ
prospective multicenter external validation study เพื่อเพิ่มความมั่นใจและความถูกต้องในการนำไปใช้
พยากรณ์ในประชากรกลุ่มอื่นๆ ประการที่ 2 การศึกษาของเรามุ่งเน้นไปที่ผลลัพธ์การเสียชีวิตในโรงพยาบาล

โดยเฉพาะ โดยไม่ได้ประเมินถึง long-term outcomes ขอบเขตที่จำกัดนี้อาจ underestimated overall
mortality แต่อย่างไรก็ตาม clinical prediction model นี้มีประโยชน์ในการนำมาใช้ในการจัดลำดับความสำคัญใน
การวางแผนการรักษา และการติดตามอาการทางระบบประสาท รวมถึงการพิจารณาการย้ายไปรักษาฟื้นฟูต่อ
ยังโรงพยาบาลชุมชน หรือ intermediate care จากการพยากรณ์ความเสี่ยงในการเสียชีวิต ซึ่งช่วยให้แพทย์
และพยาบาลที่ stroke unit สามารถนำ web base calculation ดังกล่าวไปใช้ เพื่อช่วยประเมินการบริหาร

จัดการเตียงได้อย่างเหมาะสม และ ปลอดภัยกับผู้ป่วยมากขึ้น อีกทั้งยังช่วยลดปัญหาความแออัดใน stroke
unit ประการที่ 3 การศึกษานี้มุ่งเน้นไปที่ผู้ป่วยโรคหลอดเลือดสมองตีบเฉียบพลันที่ได้รับยาสลายลิ่มเลือด rt-
PA เป็นหลัก ในช่วงเวลาการศึกษาดังกล่าวนี้ไม่สามารถรักษาด้วย mechanical thrombectomy (MT) ได้

เนื่องจากในโรงพยาบาลศูนย์ของเราไม่สามารถทำ MT ที่โรงพยาบาลได้ เนื่องจากไม่มี neuro-interventionist
อีกทั้งมีความจำกัดในความพร้อมสำหรับการส่งต่อผู้ป่วยไปรักษาด้วย MT ทำให้การศึกษานี้ไม่ได้ศึกษา
วิเคราะห์ผู้ป่วยโรคหลอดเลือดสมองที่ได้รับการรักษาด้วย MT ซึ่งควรได้รับการศึกษา และพัฒนา clinical
prediction model เพิ่มเติมในอนาคต เนื่องจากปัจจุบันการรักษาด้วย MT เริ่มแพร่หลายมากขึ้น