Page 70 - Best Practice Oral Presentation SP Sharing2025

B5

คำนิยามที่ใช้ในงานวิจัยนี้ Actual classification หมายถึง การแบ่งกลุ่มตามผลตรวจแมมโมแกรม

เป็น BI-RADS 1-5 เรียงตามความน่าจะเป็นมะเร็งและมีแนวปฏิบัติตามคำแนะนำของ ACR Predicted
classification หมายถึง การแบ่งกลุ่ม Predicted BI-RADS ตามโอกาสเป็นมะเร็งจากลักษณะภาพ

อัลตร้าซาวด์ในการศึกษานี้

คำนวนขนาดตัวอย่างโดยทำ pilot study จำนวน 30 ราย ใช้สูตร PMSAMPSIZE โดย ดร. Richard
D.Riley, Prevalence (ความชุกของ BI-RADS 4-5) 50%, Determinant variable = 7, C-statistic = 0.926,

Shrinkage factors = 0.9 ได้จำนวนผู้ป่วยที่จะศึกษา 385 ราย แบ่งเป็น BI-RADS 4-5 จำนวน 193 ราย และ

BI-RADS 1-3 จำนวน 192 ราย เปรียบเทียบลักษณะพื้นฐานโดยใช้สถิติ Non-parametric test for trend
ศึกษาลักษณะภาพอัลตราซาวด์ก้อนเต้านมทั้ง 7 ลักษณะนำมาแยกกลุ่ม BI-RADS เป็น 2 ขั้นตอน (Two steps

model)
ขั้นตอนที่ 1 แยกกลุ่ม Benign (BI-RADS 1, 2) ออกจากกลุ่ม BI-RADS 3, 4, 5 โดยใช้ Multivariable

risk difference regression และนำเสนอเป็นค่า risk difference, 95% CI และ p-value
ขั้นตอนที่ 2 แยกกลุ่ม Malignant (BI-RADS 4, 5) ออกจาก BI-RAD 3 โดยใช้ Multivariable risk

difference regression และนำเสนอเป็นค่า risk difference, 95% CI และ p-value

ในแต่ละสมการ นำเสนอกราฟระหว่าง Predicted risk และ Linear combination หาจุดตัดของค่า Linear
combination โดยใช้ค่า prevalence ของ BI-RADS 3, 4, 5 สำหรับสมการที่ 1 และใช้ค่า prevalence ของ

BI-RADS 4, 5 สำหรับสมการที่ 2 จากนั้นใช้ logic ในการพิจารณา predicted BI-RADS 3 กลุ่ม

ผลการศึกษา

ผู้ป่วยซึ่งมาด้วยคลำพบก้อนเต้านมเข้าเกณฑ์การศึกษาจำนวน 430 ราย ถูกคัดออก 40 ราย คงเหลือ

390 ราย อายุตั้งแต่ 29-85 ปี อายุเฉลี่ย 66 ปี แบ่งผู้ป่วยเป็น 3 กลุ่มตามรายงานผลแมมโมแกรมจริงได้กลุ่ม
BI-RADS 1-2 จำนวน 142 ราย, BI-RADS 3 จำนวน 50 ราย และ BI-RADS 4-5 จำนวน 198 ราย นำมาศึกษา

อายุผู้ป่วยร่วมกับภาพอัลตราซาวด์ก้อนเต้านม 7 ลักษณะได้แก่ Shape, Margin, Orientation, Echo,

Posterior features, Calcification, Axillary node จากนั้นคัดเลือกตัวแปรที่มีคุณค่าในการทำนาย BI-RADS
มากที่สุดได้ 3 ตัวแปรคือ 1.Shape, 2.Margin 3.Echo จากนั้นนำตัวแปรดังกล่าวไปแยก Predicted BI-RADS

เป็น 3 กลุ่มโดยใช้ 2 ขั้นตอนเนื่องจากรายละเอียดของลักษณะตัวแปรดังกล่าวในแต่ละขั้นตอนต่างกัน
เมื่อนำมาทำกราฟ ROC ของขั้นตอนที่ 1 และ 2 ได้สูงถึง 98% และ 96% ตามลำดับ ในแต่ละสมการนำเสนอ

กราฟระหว่าง Predicted risk และ Linear combination หาจุดตัดของค่า Linear combination โดยใช้ค่า

prevalence ของ BI-RADS 3, 4, 5 สำหรับสมการที่ 1 และใช้ค่า prevalence ของ BI-RADS 4, 5 สำหรับ
สมการที่ 2 จากนั้นใช้ logic ในการพิจารณา predicted BI-RADS 3 กลุ่ม พบว่ามีค่า Accuracy ในการทำนาย

BI-RADS ได้ตรงกับ Actual classification 88.5%, Under-estimates 1 ระดับ 8.7 % และ Over-estimate 2.82%