PRISM · Stroke / CV · Knowledge
🧠 สองแนวทางค้นหาผู้ป่วยเชิงรุก (Proactive Approach)
ทั้งสองวิธีเป็นการค้นหาผู้ป่วยเชิงรุกที่ยอดเยี่ยม แต่มี ปรัชญาเบื้องหลัง กลุ่มเป้าหมาย และวิธีจัดการข้อมูล (เช่นใน HOSxP) ที่ต่างกันชัดเจน — ไม่ได้มาแทนกัน แต่ ส่งเสริมกันและกัน
🕵️
วิธีที่ 1 · "หน่วยสืบสวน"
Proactive Finder (CHA₂DS₂-VASc + AF)
🪤
วิธีที่ 2 · "ตะแกรงร่อน"
CV Risk Screening (อิง Thai CV Risk)
📊 สรุปความแตกต่างหลัก (Core Differences)
| หัวข้อ | วิธีที่ 1: Proactive Finder | วิธีที่ 2: CV Risk Screening |
|---|---|---|
| เป้าหมายหลัก | ค้นหา "ผู้ป่วยซ่อนเร้น" ที่เสี่ยง stroke จากภาวะหัวใจเต้นผิดจังหวะ (AF) | คัดกรอง ประชากรทั่วไป/NCDs ประเมินความเสี่ยงหัวใจ-สมองโดยรวม (Primary Prevention) |
| กลุ่มประชากร | ผู้มีประวัติโรคเดิม (HTN, DM, CHF) หรือมีอาการต้องสงสัย | กลุ่มเสี่ยง NCDs ที่ ยังไม่เคย เป็น stroke/โรคหัวใจ (มี Exclusion ชัดเจน) |
| ประเภทข้อมูล | กึ่งโครงสร้าง/ข้อความ (Unstructured) — ค้นคำ "ใจสั่น" ใน อาการสำคัญ (CC), ขุดผลจาก รายงานรังสีวิทยา (เอกซเรย์/CT/MRI) | มีโครงสร้าง (Structured) — ฟอร์มคัดกรองผู้ป่วยนอก, ทะเบียนคลินิกโรคเรื้อรัง, ข้อมูลการวินิจฉัย (ICD-10) |
| การ Action | Action ทันที (ปุ่มสั่งการ/จ่ายงาน อสม. ลงพื้นที่) + ดู Medication Adherence | จัดกลุ่มสี (Color Chart) วางแผนระดับการดูแลในคลินิก NCDs |
🕵️ เจาะลึกวิธีที่ 1 · Proactive Finder
เปรียบเหมือน "หน่วยสืบสวน" ที่เจาะลึกแฟ้มประวัติ เพื่อหาจิ๊กซอว์ที่ซ่อนอยู่ เช่น AF ที่ยังไม่ได้ลง ICD-10
ข้อดี
- อุดช่องโหว่ทางคลินิก: ผู้ป่วย AF แฝงจำนวนมากไม่ได้ลงรหัสโรค — Text mining คำว่า "ใจสั่น/palpitation" ดักจับเคสหลุดได้ดี
- เชื่อมกับ Action ทันที: แจ้งเตือน "ขาดยา" (Proxy MPR) + ปุ่ม "สั่งติดตาม" ทำให้ทีม รพ.สต./อสม. มีเป้าหมายชัดเจน
- ใช้ข้อมูลรังสีวิทยา: ดึงคีย์เวิร์ดจาก IMPRESSION ของ CT/MRI ช่วยให้ care manager ไม่ต้องเปิดอ่านผลเต็มทุกเคส
ข้อเสีย / ข้อควรระวัง
- กินทรัพยากร DB: การค้นข้อความ (เช่นคำว่า "ใจสั่น") จากอาการสำคัญและรายงานรังสีวิทยาจำนวนมาก ทำให้เซิร์ฟเวอร์ฐานข้อมูลทำงานหนัก
- ความแม่นยำตัวชี้วัด: ใช้ "วันรับยาครั้งล่าสุด" เป็น proxy การขาดยา อาจ False Positive สูง ถ้าไม่คิดจาก dose/จำนวนจ่ายจริง
- ข้อจำกัด CHA₂DS₂-VASc: ออกแบบสำหรับผู้ป่วย AF — นำมาคิดกับประชากรทั่วไปที่ไม่ได้เป็น AF อาจแปลผลคลาดเคลื่อน
🪤 เจาะลึกวิธีที่ 2 · CV Risk Screening
เปรียบเหมือน "ตะแกรงร่อน" ขนาดใหญ่ ใช้มาตรฐานทางระบาดวิทยา (คล้าย CV Risk Score) แบ่งเกรดประชากร
ข้อดี
- เร็วและโปร่งใส: คำนวณจากฟิลด์ตัวเลข (ความดัน SBP, BMI, อายุ) ในฟอร์มคัดกรองผู้ป่วยนอก ดึงเร็วมาก รันแบบ real-time บนรายงานได้สบาย
- ลดงานซ้ำซ้อน: Exclusion Criteria คัดกลุ่มที่ป่วยแล้วออก (I60-I69, โรคหัวใจ) มุ่งเป้ากลุ่มเสี่ยงหน้าใหม่จริง
- มาตรฐานเดียวกัน: คิดแบบบวกแต้ม (Score-based) อธิบายผู้บริหาร/อสม. ง่ายว่าทำไมคนนี้ "สีแดง"
ข้อเสีย / ข้อควรระวัง
- พึ่งคุณภาพการคีย์ข้อมูล: ถ้าไม่ลงข้อมูลสูบบุหรี่/รอบเอว/ส่วนสูง หรือลงผิด คะแนนความเสี่ยงผิดทันที
- อาจพลาดเคสเฉพาะเจาะจง: ให้น้ำหนักปัจจัยกายภาพ (ความดัน/ความอ้วน) — ถ้าคนไข้ไม่อ้วน ความดันไม่สูงมาก แต่มี AF แฝง อาจถูกจัดเป็น "ปกติ"
💡 ข้อเสนอแนะ: ผสมผสานสองวิธี (Hybrid Approach)
สองวิธีนี้ไม่ได้เกิดมาเพื่อทดแทนกัน แต่ ส่งเสริมกันและกัน — ใช้ "ตะแกรงร่อน" คัดภาพรวมทั้งหมดเป็นกลุ่มสีในคลินิก NCDs แล้วปล่อย "หน่วยสืบสวน" ทำงานเชิงลึกหาเคสซ่อนเร้นที่ตะแกรงร่อนมองข้าม
🪤 วิธีที่ 2 — บน Dashboard คลินิก
รันบนตึก OPD/คลินิกโรคเรื้อรัง แบ่งกลุ่มสีคนไข้ทั้งหมด ให้แพทย์/พยาบาลใช้วางแผนระดับการดูแลในห้องตรวจ
🕵️ วิธีที่ 1 — Automate กลางคืน
รันเป็น script (เช่น n8n ช่วงกลางคืน) สแกนหาเคส "ใจสั่น"/ดื้อยา แล้ว Alert เข้าแอป/LINE ของทีมลงพื้นที่
หน้านี้เป็นสื่อให้ความรู้ (ไม่มีข้อมูลผู้ป่วยรายบุคคล) · CHA₂DS₂-VASc = ปัจจัยเสี่ยง stroke ในผู้ป่วย AF · Thai CV Risk = แผนภูมิประเมินความเสี่ยงโรคหัวใจ-หลอดเลือด 10 ปี