วิธีวิเคราะห์ผลการรักษาภาวะน้ำท่วมปอดในหนูแฮมเตอร์

แนะนำวิธีการนำข้อมูลการรักษาภาวะน้ำท่วมปอดในหนูแฮมเตอร์ที่บันทึกไว้มาวิเคราะห์ เพื่อช่วยในการวางแผนการรักษาที่เหมาะสมในอนาคต

หากเปรียบเทียบประสิทธิภาพการรักษาภาวะน้ำท่วมปอดในหนูแฮมเตอร์จากข้อมูลในอดีต พบว่าการใช้ยาปฏิชีวนะหรือไม่ใช้ส่งผล ”ไม่แตกต่างกันต่ออัตราการรอดชีวิตใน 7 วันแรก” หลังทำการรักษา เราจะมาเรียนรู้วิธีวิเคราะห์ข้อมูลเพื่อนำไปต่อยอดในการวางแผนรักษาสัตว์ได้อย่างไร มาดูกัน

ภาวะน้ำท่วมปอด (Lung congestion) ในหนูแฮมเตอร์

ภาวะน้ำท่วมปอดในหนูแฮมเตอร์มักพบในแฮมเตอร์ที่อายุมาก (2-3 ปี) และมีภาวะหัวใจวายที่เกิดจากกล้ามเนื้อหัวใจผิดปกติเป็นสาเหตุหลัก อาการที่พบซึม หายใจแรง การรักษาจะเป็นการรักษาตามอาหาร ซึ่งจะประกอบไปด้วยยาเพิ่มประสิทธิภาพการทำงานของกล้ามเนื้อหัวใจ ให้ยาขับน้ำเพื่อป้องกันภาวะบวมน้ำ เป็นต้น อย่างไรก็ตาม การตรวจการติดเชื้อแบคทีเรียแทรกซ้อนในปอดหนูแฮมเตอร์นั้น ยากต่อการวินิจฉัย ทำให้สัตวแพทย์ตัดสินใจยากในการให้หรือไม่ให้ยาปฏิชีวนะ เราจึงต้องนำข้อมูลการรักษาในอดีตมาวิเคราะห์เพื่อช่วยในการตัดสินใจ

ชุดข้อมูลการรักษา (Dataset)

เราได้จำลองข้อมูลผลการรักษาในอดีต สามารถดาวโหลดชุดข้อมูลได้ที่นี้ โดยเราจะเน้นไปที่วิธีการวิเคราะห์ข้อมูล และการนำ Insights ที่ได้ มาใช้ในการวางแผนในการรักษา หรือตัดสินใจจากข้อมูล (data-driven)

ในชุดข้อมูลจะจำลองการเก็บข้อมูล เพศ (Sex), อายุ (Age), การให้ยาปฏิชีวนะหรือไม่ (ABO), และอัตราการรอดชีวิตหลังรักษา 7 วัน (Survival) จำนวนทั้งหมด 100 เคส โดยตัวอย่างข้อมูล 10 อันดับแรกเป็นดังนี้

ภาพรวมของชุดข้อมูลการรักษา (Overview)

หลังจากทำความสะอาดข้อมูล (Clean data) เราจะมาดูภาพรวมของแต่ละคอลัมน์ หรือ field ที่ทำให้พอทราบข้อมูลอะไรบางอย่างได้ดังนี้

สัดส่วนของเพศในหนูแฮมเตอร์ที่มีภาวะน้ำท่วมปอดในมีค่าใกล้เคียงกัน โดยตัวเมียคิดเป็น 49% และตัวผู้คิดเป็น 51% จากเคสทั้งหมด

อายุเฉลี่ยของหนูแฮมเตอร์ที่มีภาวะน้ำท่วมปอดอยู่ที่ 1.99 ปี พบว่าทั้งตัวเมีย และตัวผู้มีค่าใกล้เคียงกัน คือ 1.98 ปี และ 2 ปี ตามลำดับ

จากเคสของหนูแฮมเตอร์ที่มีภาวะน้ำท่วมปอด สัตวแพทย์ตัดสินใจให้ยาปฏิชีวนะในการรักษา 51% และไม่ใช้ยาปฏิชีวนะ 49% โดยมีอัตราการรอดชีวิตหรืออาการดีขึ้นหลังการรักษา 7 วัน ของกลุ่มที่ได้รับยาปฏิชีวนะคิดเป็น 65% ในขณะที่กลุ่มที่ไม่ได้รับยาคิดเป็น 53%

แม้ตัวเลขจะแสดงว่ากลุ่มที่ได้รับยามีอัตรารอดสูงกว่า แต่เรายังไม่สามารถสรุปได้ว่าการให้ยาปฏิชีวนะดีกว่าจนกว่าจะนำไปวิเคราะห์เปรียบเทียบทางสถิติก่อน

วิเคราะห์ความแตกต่างของผลการรักษา

เราจะเปรียบเทียบอัตราการรอดชีวิต หรืออาการดีขึ้นหลังจากรักษา 7 วัน ระหว่างกลุ่มที่ได้รับยาปฏิชีวนะและไม่ได้รับ โดยใช้ 2-Sample proportions test ซึ่งจะคิดจากตารางดังนี้

พบว่าอัตราการรอดชีวิต 7 วันหลังรักษาโดยการใช้ยาปฏิชีวนะอยู่ที่ 65% (33/51) และไม่ใช้ยาปฏิชีวนะอยู่ที่ 53% (26/49) แต่เมื่อเทียบค่าทางสถิติ (เลข1) พบว่าอัตราการรอดชีวิตไม่มีความแตกต่างกัน (P-value = 0.32) เมื่อเทียบทั้งสองรูปแบบการรักษา โดยอัตราการรอดชีวิตที่แตกต่างกันของทั้งสองกลุ่ม (เลข2) อยู่ในช่วง -7.5% ถึง 30.8% ที่ระดับความเชื่อมั่น 95%

หรือจะกล่าวว่าเมื่อเราทำการรักษาโดยให้ยาปฏิชีวนะในหนูแฮมเตอร์ที่ป่วยตัวใหม่มีโอกาสที่อัตราตายจะสูงกว่าไม่ให้ยาอยู่ที่ 7.5% และก็มีโอกาสที่อัตรารอดจะสูงกว่าไม่ให้ยาอยู่ที่ 30.8% เช่นกัน (มีโอกาสทั้งดีและแย่กว่า)

ในกรณีนี้การเก็บข้อมูลเพิ่มเพื่อมาวิเคราะห์เพิ่มเติมจะยิ่งทำให้มีโอกาศเห็นความแตกต่างทางสถิติของการรักษาได้มากยิ่งขึ้น

วิเคราะห์ปัจจัยเสี่ยงที่ส่งผลต่ออัตราการรอดชีวิต

นอกจากการวิเคราะห์ผลของการให้หรือไม่ให้ยาปฏิชีวนะแล้ว เรายังสามารถนำข้อมูลอื่นๆ ที่มีอยู่มาวิเคราะห์หาปัจจัยเสี่ยงที่อาจส่งผลต่ออัตราการรอดชีวิตของหนูแฮมเตอร์ได้อีกด้วย

ตัวอย่างเช่น เราอยากทราบว่าอายุมีผลต่ออัตราการรอดชีวิตหรือไม่ โดยตั้งสมมุติฐานว่าหนูแฮมสเตอร์ที่มีอายุไม่เกิน 2 ปี น่าจะมีโอกาสรอดชีวิตมากกว่า เราจึงคำนวณ Odds Ratio เพื่อเปรียบเทียบโอกาสรอดชีวิตระหว่างกลุ่มอายุไม่เกิน 2 ปี กับกลุ่มอายุมากกว่า 2 ปี

จากการคำนวณ พบว่ากลุ่มที่มีอายุมากกว่า 2 ปี มีโอกาสรอดชีวิตเป็น 0.97 เท่าของกลุ่มอายุไม่เกิน 2 ปี หรือกล่าวได้ว่ากลุ่มอายุมากกว่า 2 ปีมีโอกาสตายมากกว่ากลุ่มอายุน้อยกว่าประมาณ 3% อย่างไรก็ตาม เมื่อทดสอบทางสถิติ พบว่าความแตกต่างนี้ไม่มีนัยสำคัญทางสถิติ (P-value = 0.93) ดังนั้นผลของข้อมูลนี้ ยังไม่สามารถสรุปได้ว่าอายุเป็นปัจจัยเสี่ยงที่ส่งผลต่ออัตราการรอดชีวิตของหนูแฮมเตอร์ที่เป็นโรคนี้

ประโยชน์ของการวิเคราะห์ข้อมูลในการประยุกต์ทางคลินิก

การศึกษานี้แสดงให้เห็นว่า เราสามารถนำข้อมูลการรักษาที่บันทึกไว้มาวิเคราะห์เพื่อหาแนวทางในการรักษาที้เหมาะสมที่สุดสำหรับผู้ป่วย (Data-Driven Decision Making) เช่น การประเมินประสิทธิภาพของการใช้ยาปฏิชีวนะ หรือปัจจัยเสี่ยงที่อาจส่งผลต่อผลการรักษา

หากมีการเก็บข้อมูลทางคลินิกอย่างเป็นระบบในแต่ละโรงพยาบาลสัตว์ และนำมาวิเคราะห์รวมกัน จะทำให้การวินิจฉัยและกำหนดแนวทางการรักษาของสัตวแพทย์มีมาตรฐานและความแม่นยำมากยิ่งขึ้น ส่งผลให้สามารถให้การรักษาแก่สัตว์ป่วยได้อย่างมีประสิทธิภาพสูงสุด

การจำลองข้อมูลครั้งนี้แสดงให้เห็นว่า ผลการรักษาที่ได้เก็บรวบรวมไว้สามารถนำมาวิเคราะห์เพื่อใช้เป็นแนวทางในการตัดสินใจเลือกวิธีการรักษาในอนาคตได้ (Data-driven decision making) เมื่อมีการเก็บรวบรวมข้อมูลการรักษาจากโรงพยาบาลสัตว์ต่างๆ และนำมาวิเคราะห์ร่วมกัน จะส่งผลให้มาตรฐานการรักษามีประสิทธิภาพสูงขึ้นอย่างแน่นอน