MADRID, ສະເປນ — ປັນຍາທຽມ (AI) algorithms ໃນ thrombosis ແມ່ນສະລັບສັບຊ້ອນແລະປະເຊີນກັບສິ່ງທ້າທາຍຫຼາຍ. ສິ່ງທ້າທາຍເຫຼົ່ານີ້ລວມມີການໄດ້ຮັບຂໍ້ມູນທີ່ມີຄຸນນະພາບ ແລະມີຄວາມຊັດເຈນທີ່ດີໂດຍບໍ່ມີການສູນເສຍຄວາມຖືກຕ້ອງ. ເຄື່ອງມືທີ່ພົ້ນເດັ່ນຂື້ນເຫຼົ່ານີ້ຕ້ອງການພະນັກງານທີ່ໄດ້ຮັບການຝຶກອົບຮົມເພີ່ມເຕີມແລະການປ້ອນຂໍ້ມູນຂອງຄົນເຈັບເພື່ອສ້າງຕັ້ງຂຶ້ນໃນການປະຕິບັດທາງດ້ານການຊ່ວຍ.

Rosa Vidal, MD, ຂອງໂຮງຫມໍມະຫາວິທະຍາໄລ Jiménez Díaz Foundation ໃນ Madrid, ສະເປນ, ແລະ Adrián Mosquera, MD, PhD, ຂອງໂຮງຫມໍ Santiago de Compostela University Clinical ໃນCoruña, ປະເທດສະເປນ, ໄດ້ປະສານງານກອງປະຊຸມຂອງກອງປະຊຸມແຫ່ງຊາດຄັ້ງທີ 64 ຂອງສະມາຄົມແອສປາໂຍນ. ຂອງ Hematology ແລະ Hemotherapy (SEHH). ກອງປະຊຸມຄັ້ງນີ້ໄດ້ຍົກໃຫ້ເຫັນເຖິງໂອກາດທີ່ AI ສະໜອງໃຫ້, ໃນແງ່ຂອງບັນດາໂຄງການຜົນໄດ້ຮັບດ້ານສຸຂະພາບທີ່ຊ່ວຍປັບປຸງຄຸນນະພາບຊີວິດຂອງຄົນເຈັບທີ່ເປັນພະຍາດເສັ້ນເລືອດຕັນໃນ, ດັ່ງນັ້ນການເພີ່ມປະສິດທິພາບຂອງລະບົບສຸຂະພາບຂອງພວກເຮົາ. “ໃນຖານະທີ່ເປັນຜູ້ຊ່ຽວຊານດ້ານການດູແລສຸຂະພາບ, ພວກເຮົາຕ້ອງຝຶກອົບຮົມຕົນເອງກ່ຽວກັບເຕັກໂນໂລຢີໃຫມ່ເຫຼົ່ານີ້ແລະປະຕິບັດມັນໃນການປະຕິບັດປະຈໍາວັນຂອງພວກເຮົາ, ຈົ່ງຈື່ໄວ້ວ່ານີ້ບໍ່ແມ່ນວຽກງ່າຍ.”

Sara Martín Herrero, MD, ຈາກໂຮງຫມໍມະຫາວິທະຍາໄລ Jiménez Díaz Foundation ໃນ Madrid, ໄດ້ອະທິບາຍຢ່າງລະອຽດກ່ຽວກັບຄວາມຫຍຸ້ງຍາກໃນການປະຕິບັດໂຄງການຂໍ້ມູນໃຫຍ່ໃນເສັ້ນເລືອດຕັນໃນ. “ພະຍາດ thromboembolic venous ແມ່ນສະລັບສັບຊ້ອນ, ໃນແງ່ຂອງການກໍານົດຄົນເຈັບແລະຄໍານິຍາມຂອງຕົວແປສໍາລັບການຂຸດຄົ້ນຂໍ້ມູນ,” ນາງເວົ້າວ່າ. ສິ່ງທ້າທາຍສໍາລັບຮູບແບບການຮຽນຮູ້ໂດຍທົ່ວໄປແລະສໍາລັບ pathology ນີ້ໂດຍສະເພາະແມ່ນສຸມໃສ່ຄຸນນະພາບແລະປະລິມານຂອງຂໍ້ມູນ, ຄວາມເປັນສ່ວນຕົວ, ຄວາມໂປ່ງໃສແລະ explicability ຂອງ algorithms, ທີ່ເຂັ້ມແຂງ, ເອກະລາດແລະການຄວບຄຸມຂອງມະນຸດ, ຄວາມຮັບຜິດຊອບ, ລະບຽບການ, ຄວາມຫຼາກຫຼາຍແລະຄວາມສະເຫມີພາບ.

ພື້ນຖານຂອງລະບົບ AI ທັງຫມົດພາຍໃຕ້ການປົກປ້ອງກົດຫມາຍວ່າດ້ວຍການປົກປ້ອງຂໍ້ມູນແມ່ນວ່າພວກມັນມີຄວາມຫລາກຫລາຍ, ເປັນຕົວແທນຂອງຄວາມເປັນຈິງ, ແລະໄດ້ຮັບການຢັ້ງຢືນ, Martin ກ່າວ. ໃນການດູແລສຸຂະພາບ, 80% ຂອງຂໍ້ມູນແມ່ນບໍ່ມີໂຄງສ້າງ, ແລະເປົ້າຫມາຍແມ່ນເພື່ອປ່ຽນໃຫ້ເຂົາເຈົ້າເຂົ້າໄປໃນຄວາມຮູ້ທີ່ນໍາເອົາມູນຄ່າ.

ຄວາມຊັດເຈນທຽບກັບຄວາມຖືກຕ້ອງ

ກ່ຽວກັບຄວາມຊັດເຈນຂອງແບບຈໍາລອງ, Martínກ່າວວ່າ, “ໃນດ້ານການດູແລສຸຂະພາບ, ມັນເປັນສິ່ງຈໍາເປັນ, ເຖິງແມ່ນວ່າສິ່ງທ້າທາຍເກີດຂື້ນກັບຄວາມຖືກຕ້ອງຂອງຄວາມຊັດເຈນ. ພວກເຮົາຕ້ອງການກົນໄກກົດລະບຽບສໍາລັບ algorithms ເຫຼົ່ານີ້ເພື່ອນໍາໃຊ້ມັນໃນການປະຕິບັດທາງດ້ານການຊ່ວຍ. ມັນຍັງມີຄວາມຈໍາເປັນທີ່ຈະອະທິບາຍ. ສ່ວນຫນຶ່ງຂອງ algorithms ແລະສ້າງຫຼັກຖານໂດຍການໃຊ້ພວກມັນຢ່າງກວ້າງຂວາງເພື່ອສະແດງໃຫ້ເຫັນວ່າພວກມັນຖືກຕ້ອງ, ນອກເຫນືອຈາກການມີການກວດສອບພາຍນອກແລະການຕິດຕາມເພື່ອເບິ່ງວ່າຕົວແບບເຮັດວຽກຈາກຈຸດຢືນຂອງວິທີການທີ່ມັນໃຊ້.”

ໃນ​ບັນ​ດາ​ຂໍ້​ສະ​ເຫນີ​ຕ່າງໆ​ເພື່ອ​ເສີມ​ຂະ​ຫຍາຍ​ຄວາມ​ໂປ່ງ​ໃສ​ແລະ​ຄວາມ​ຊັດ​ເຈນ, Martín​ຫມາຍ​ເຖິງ​ການ​ຝຶກ​ອົບ​ຮົມ​ພະ​ນັກ​ງານ​ສຸ​ຂະ​ພາບ​ແລະ​ວັດ​ທະ​ນະ​ທໍາ​ການ​ຮ່ວມ​ມື. ຮູບແບບເຫຼົ່ານີ້ປະກອບມີເຕັກນິກທີ່ສະຫນັບສະຫນູນຄວາມຊັດເຈນນີ້, ຄວາມໂປ່ງໃສຂອງຂໍ້ມູນ, ວິທີການ, ແລະຜົນໄດ້ຮັບ, ເຊັ່ນດຽວກັນກັບການຕັດສິນໃຈທີ່ສາມາດອະທິບາຍ, ການປະເມີນແລະການກວດສອບ.

ຄາດຄະເນການເກີດຂຶ້ນຊ້ຳຂອງ Thrombotic

Martínໄດ້ສົນທະນາກ່ຽວກັບເຄື່ອງມືການຮຽນຮູ້ເຄື່ອງຈັກທີ່ກໍາລັງພັດທະນາຢູ່ໃນສູນຂອງນາງແລະຍັງຢູ່ໃນຂັ້ນຕອນເບື້ອງຕົ້ນ (ການທໍາຄວາມສະອາດຂໍ້ມູນ). ນັກພັດທະນາຂອງມັນຊອກຫາປັດໃຈຄວາມສ່ຽງໃຫມ່ສໍາລັບການເກີດໃຫມ່ຂອງພະຍາດ thromboembolic venous ໃນຄົນເຈັບທີ່ມີເຫດການທໍາອິດເພື່ອປ້ອງກັນການເປັນເທື່ອທີສອງ. ພວກເຂົາມີຈຸດປະສົງເພື່ອໃຫ້ໄດ້ຮູບແບບການຄາດຄະເນການເກີດຄືນໃຫມ່ສ່ວນບຸກຄົນແລະເພື່ອຄັດເລືອກຄົນເຈັບທີ່ໄດ້ຮັບຜົນປະໂຫຍດຈາກ anticoagulation. ນອກເຫນືອຈາກການຫຼຸດຜ່ອນການເກີດໃຫມ່, ພວກເຂົາຕ້ອງການຄວບຄຸມພະຍາດທີ່ກ່ຽວຂ້ອງແລະການເສຍຊີວິດ.

“ພວກເຂົາເຈົ້າໄດ້ເກັບກໍາຂໍ້ມູນຈາກ 2016 ຫາ 2022 ທີ່ຊີ້ໃຫ້ເຫັນວ່າການເກີດຂອງພະຍາດ thromboembolic venous ໃນໄລຍະການແຜ່ລະບາດຂອງ COVID-19 ແມ່ນມີຄວາມໂດດເດັ່ນຫຼາຍ, ມີການເພີ່ມຂື້ນຢ່າງຊັດເຈນໃນປີ 2020 ແລະ 2021, ເຊິ່ງເຮັດໃຫ້ພວກເຮົາສາມາດແຕ້ມຄື້ນໂລກລະບາດໄດ້ຢ່າງຖືກຕ້ອງ. ຂໍ້ມູນທີ່ສະກັດມາຈາກຄໍາຖາມດຽວ, ເຊິ່ງແມ່ນວ່າພວກເຂົາມີພະຍາດ thromboembolic venous,” Martin ເວົ້າ.

ນາງໄດ້ກ່າວເຖິງບົດສະຫຼຸບທີ່ສໍາຄັນສໍາລັບການພັດທະນາຕົວແບບ. “ການຈັດປະເພດ ICD-9 ແລະ ICD-10 ຂອງພະຍາດບໍ່ສາມາດບັນລຸຄວາມອ່ອນໄຫວພຽງພໍໃນການຄົ້ນຫາຄົນເຈັບທີ່ມີພະຍາດ thromboembolic venous ໃນບັນທຶກທາງການແພດເອເລັກໂຕຣນິກ, ດັ່ງນັ້ນມາດຕະຖານການເຂົ້າລະຫັດການວິນິດໄສອື່ນໆຄວນມີຄວາມກ່ຽວຂ້ອງກັບການປະຕິບັດທາງດ້ານການຊ່ວຍປະຈໍາວັນ.

“ມັນຍັງເປັນສິ່ງຈໍາເປັນເພື່ອສົ່ງເສີມວັດທະນະທໍາການຮ່ວມມືໃນການພັດທະນາລະບົບທີ່ນໍາໃຊ້ກັບຄວາມຕ້ອງການທາງດ້ານການຊ່ວຍ. ມັນສາມາດເປັນເຄື່ອງມືທີ່ມີຄຸນຄ່າທີ່ສຸດເພື່ອຫຼຸດຜ່ອນຊ່ອງຫວ່າງແລະຄວາມບໍ່ສະເຫມີພາບໃນການເຂົ້າເຖິງການດູແລສຸຂະພາບ,” ນາງກ່າວຕື່ມວ່າ.

“ບໍ່ມີຄວາມສົງໃສວ່າການນໍາໃຊ້ເຄື່ອງມື AI ສາມາດປະຕິບັດໄດ້ຢ່າງຫຼວງຫຼາຍຊ່ວຍໃຫ້ພວກເຮົາຕັດສິນໃຈທາງດ້ານຄລີນິກແລະປັບປຸງຄຸນນະພາບຂອງການດູແລ, ປະກອບສ່ວນເຂົ້າໃນການພັດທະນາຢາທີ່ມີສ່ວນບຸກຄົນແລະຖືກຕ້ອງຫຼາຍ. ບັນຫາດ້ານຈັນຍາບັນແລະກົດຫມາຍທີ່ຍັງຕ້ອງໄດ້ຮັບການແກ້ໄຂ, “Mosquera ກ່າວ.

Venous Thromboembolism

Ang Li, MD, ອາຈານສອນວິຊາ hematology ແລະ oncology ຢູ່ວິທະຍາໄລການແພດ Baylor, Houston, Texas, ປຶກສາຫາລືກ່ຽວກັບພະຍາດລະບາດ, ການປ້ອງກັນ, ແລະການປິ່ນປົວເສັ້ນເລືອດຕັນໃນເສັ້ນເລືອດ, thrombotic microangiopathy ໃນການປິ່ນປົວມະເຮັງ, ແລະການປູກຖ່າຍຈຸລັງ hematopoietic.

ລາວຍັງໄດ້ສະແດງຄວາມຄິດເຫັນກ່ຽວກັບການພັດທະນາ phenotypes ທີ່ສາມາດຄິດໄລ່ໄດ້ແລະຮູບແບບການຄາດຄະເນຄວາມສ່ຽງໃນຄົນເຈັບທີ່ເປັນມະເຮັງແລະ thrombosis. Thrombosis ເກີດຂຶ້ນເຈັດເທື່ອເລື້ອຍໆໃນຄົນເຈັບທີ່ເປັນມະເຮັງທຽບກັບຜູ້ທີ່ບໍ່ມີເນື້ອງອກ. ມະເຮັງບາງຊະນິດມີຄວາມສ່ຽງ 10% ຫາ 20% ຂອງເສັ້ນເລືອດຕັນໃນເສັ້ນເລືອດໃນ 6 ເດືອນທໍາອິດຫຼັງຈາກການວິນິດໄສ, ແລະເສັ້ນເລືອດຕັນໃນເສັ້ນເລືອດແມ່ນເປັນສາເຫດອັນດັບສອງຂອງການເສຍຊີວິດ, ຫຼັງຈາກການຕິດເຊື້ອ, ໃນຄົນເຈັບເຫຼົ່ານີ້.

“ມີຮູບແບບການຄາດຄະເນຄວາມສ່ຽງໃນດ້ານນີ້, ແລະພວກມັນງ່າຍຕໍ່ການໃຊ້, ແຕ່ພວກມັນບໍ່ໃຫ້ການຄາດຄະເນທີ່ດີທີ່ສຸດ, ເພາະວ່າມັນຍາກທີ່ຈະລວມເອົາເຄື່ອງຫມາຍທີ່ບໍ່ມີມາດຕະຖານ, ແລະມີພຽງແຕ່ 50% ຂອງເສັ້ນເລືອດຕັນໃນເສັ້ນເລືອດທີ່ຖືກຈັດປະເພດເປັນຄວາມສ່ຽງສູງ,” ລາວ. Li ກ່າວ.

ລາວຍັງໄດ້ກ່າວເຖິງຫ້າຂັ້ນຕອນທົ່ວໄປຕໍ່ໄປນີ້ສໍາລັບການນໍາໃຊ້ການຮຽນຮູ້ເຄື່ອງຈັກໃນມະເຮັງແລະ thrombosis:

  1. ເລີ່ມຕົ້ນໂດຍການກໍານົດ thromboembolism venous ທີ່ມີຄວາມຖືກຕ້ອງ exquisite.

  2. ກໍານົດຜູ້ຄາດຄະເນທາງດ້ານຄລີນິກທີ່ກ່ຽວຂ້ອງ.

  3. ຊອກຫາການວິເຄາະສະຖິຕິທີ່ເຂັ້ມແຂງ.

  4. ສ້າງຮູບແບບສຸດທ້າຍດ້ວຍຕົວຢ່າງທີ່ເລືອກ.

  5. ມີຖານຂໍ້ມູນພາຍໃນ ແລະ ພາຍນອກທີ່ພຽງພໍ.

ການສະກັດເອົາຂໍ້ມູນ

ທ່ານ Li ກ່າວ​ວ່າ “ມັນ​ເປັນ​ສິ່ງ​ຈໍາ​ເປັນ​ທີ່​ຈະ​ກໍາ​ນົດ phenotype ຂອງ thromboembolism venous ມີ​ຂໍ້​ມູນ​ທີ່​ມີ​ໂຄງ​ສ້າງ​ແລະ​ບໍ່​ມີ​ໂຄງ​ສ້າງ​,​” Li ເວົ້າ​ວ່າ​. “ອັນສຸດທ້າຍປະກອບມີຂໍ້ມູນຈາກບົດລາຍງານ radiologic, ການອອກໂຮງຫມໍ, ແລະບັນທຶກທາງດ້ານການຊ່ວຍທີ່ກ່ຽວຂ້ອງ. ຮູບແບບການຮຽນຮູ້ເຄື່ອງຈັກຕ້ອງມີຊຸດຂອງຄໍາສັບຕ່າງໆ, ໃຊ້ເຄືອຂ່າຍ neural ທີ່ເກີດຂຶ້ນຄືນໃຫມ່, ແລະນໍາໃຊ້ພາສາທີ່ເຫມາະສົມກັບຕົວແທນຕົວເຂົ້າລະຫັດ Bidirectional ຈາກ Transformers (BERT). “

Li ໄດ້ວິເຄາະຂໍ້ດີແລະຂໍ້ຈໍາກັດຂອງເຄື່ອງມືເຫຼົ່ານີ້ໃນການຄົ້ນຄວ້າທາງການແພດໃນແງ່ຂອງການຄາດຄະເນ, ບ່ອນທີ່ພວກເຂົາປັບປຸງວິທີການແບບດັ້ງເດີມໃນບັນທຶກຊຸດຂໍ້ມູນດຽວກັນ, ໃນຄວາມຊັດເຈນ, ຄວາມຖືກຕ້ອງ, ຄວາມສາມາດທົ່ວໄປ, ແລະການໂຕ້ຕອບ.

ລາວຊີ້ໃຫ້ເຫັນສາມດ້ານທີ່ກ່ຽວຂ້ອງ. “ການສະກັດເອົາຂໍ້ມູນແລະການປະສົມກົມກຽວແມ່ນມີຄວາມສໍາຄັນຫຼາຍກ່ວາແບບຈໍາລອງ. ການຮຽນຮູ້ເຄື່ອງຈັກເປັນການເສີມທີ່ດີ, ແຕ່ບໍ່ແມ່ນການທົດແທນແບບຈໍາລອງສະຖິຕິແບບດັ້ງເດີມ. ຄວາມຮູ້ທາງດ້ານຄລີນິກເປັນສິ່ງຈໍາເປັນສໍາລັບການຄັດເລືອກຕົວແປແລະການຕີຄວາມຫມາຍຂອງຕົວແບບ.”

ການປະກອບສ່ວນຂອງຄົນເຈັບ

Cindy de Jong, ນັກສຶກສາປະລິນຍາເອກທີ່ສູນການແພດຂອງມະຫາວິທະຍາໄລ Leiden, Leiden, ປະເທດເນເທີແລນ, ໄດ້ປຶກສາຫາລືກ່ຽວກັບການພັດທະນາລະບົບມາດຕະການລາຍງານຜົນໄດ້ຮັບຂອງຄົນເຈັບ (PROMS) ມາດຕະຖານສໍາລັບຄົນເຈັບທີ່ມີເສັ້ນເລືອດຕັນໃນເສັ້ນເລືອດທີ່ປັບປຸງການຕັດສິນໃຈແລະຄຸນນະພາບການປິ່ນປົວ.

ນາງໄດ້ອະທິບາຍໂຄງການ SCOPE, ເຊິ່ງຄົນເຈັບທີ່ລົງທະບຽນແມ່ນມີອາຍຸຫຼາຍກວ່າ 16 ປີທີ່ມີເສັ້ນເລືອດຕັນໃນ pulmonary ຫຼື thrombosis ເສັ້ນເລືອດເລິກ, ລວມທັງໂຣກ antiphospholipid antibody, ສະຖານະການສິ້ນສຸດຂອງຊີວິດ, thrombosis venous ທີ່ກ່ຽວຂ້ອງກັບການຖືພາແລະ thrombosis ທີ່ກ່ຽວຂ້ອງກັບມະເຮັງ.

ຜົນໄດ້ຮັບການລາຍງານຂອງຄົນເຈັບເຊັ່ນ: ຄຸນນະພາບຂອງຊີວິດ, ການຈໍາກັດການເຮັດວຽກ, ຄວາມເຈັບປວດ, dyspnea, ແລະຄວາມພໍໃຈໃນການປິ່ນປົວໄດ້ຖືກເກັບກໍາໂດຍຜ່ານແບບສອບຖາມຕ່າງໆແລະເຄື່ອງມືມາດຕະຖານສະເພາະ. ນັກສືບສວນຍັງໄດ້ລວບລວມຂໍ້ມູນກ່ຽວກັບເຫດການທາງດ້ານຄລີນິກເຊັ່ນ: ອາການແຊກຊ້ອນທີ່ກ່ຽວຂ້ອງກັບຂັ້ນຕອນ, ການຕົກເລືອດ, ການຢູ່ລອດ, ການເປັນຄືນມາ, ຄວາມດັນເລືອດສູງຊໍາເຮື້ອ, ແລະພະຍາດ thromboembolic pulmonary.

ປັດໄຈຄວາມສ່ຽງແມ່ນພິຈາລະນາປະຊາກອນ (ເພດ, ເຊື້ອຊາດ, BMI, ອາຍຸ, ລະດັບການສຶກສາ) ຫຼືທາງດ້ານການຊ່ວຍ (comorbidities, anticoagulants, thrombosis ເສັ້ນກ່າງເລິກທີ່ຜ່ານມາ, ການແຊກແຊງປະຕິບັດ). ປັດໃຈຄວາມສ່ຽງເຫຼົ່ານີ້ຖືກບັນທຶກຢູ່ໃນພື້ນຖານ, 3 ເດືອນ, 6 ເດືອນ, 1 ປີ, ແລະທຸກໆປີຫຼັງຈາກນັ້ນ.

De Jong ໄດ້ກ່າວເຖິງຜົນໄດ້ຮັບທີ່ໂດດເດັ່ນທີ່ສຸດກ່ຽວກັບຄວາມຮັບຮູ້ທີ່ແຕກຕ່າງຂອງຄົນເຈັບແລະທ່ານຫມໍ. “ການປ່ຽນແປງຂອງຄຸນນະພາບຊີວິດທີ່ຮັບຮູ້ໄດ້ຊີ້ໃຫ້ເຫັນໂດຍ 70% ຂອງຄົນເຈັບ, ເມື່ອທຽບກັບ 48% ຂອງຜູ້ຊ່ຽວຊານ. ແລະ hypertension pulmonary ຊໍາເຮື້ອໄດ້ຖືກລາຍງານໂດຍເຄິ່ງຫນຶ່ງຂອງຄົນເຈັບແລະ 83% ຂອງຜູ້ຊ່ຽວຊານ, ພະຍາດ thromboembolic pulmonary ໂດຍ 45% ຂອງຄົນເຈັບ. ເມື່ອທຽບກັບ 79% ຂອງຜູ້ຊ່ຽວຊານ.”

ການປະຕິບັດຕົວແບບ AI

ຜູ້ປະສານງານຂອງກອງປະຊຸມໄດ້ຊີ້ໃຫ້ເຫັນວ່າສັງຄົມວິທະຍາສາດໄດ້ກະກຽມ manifesto ສໍາລັບການມີສ່ວນຮ່ວມຢ່າງຫ້າວຫັນໃນດິຈິຕອນຂອງລະບົບສຸຂະພາບແລະການປັບປຸງຄຸນນະພາບແລະຄວາມປອດໄພຂອງຂໍ້ມູນ. ໃນປັດຈຸບັນມີຄວາມສົນໃຈເພີ່ມຂຶ້ນໃນບັນດາກຸ່ມປະຕິບັດງານແຫ່ງຊາດໃນການປະຕິບັດເຄື່ອງມືເຫຼົ່ານີ້ໃນການວິນິດໄສແລະການແບ່ງຂັ້ນຄວາມສ່ຽງ, ເຊັ່ນດຽວກັນກັບການຄາດຄະເນການຕອບສະຫນອງຕໍ່ຢາ hematology ໃຫມ່.

“ແນວ​ໃດ​ກໍ​ດີ, ພວກ​ເຮົາ​ພວມ​ປະ​ເຊີນ​ໜ້າ​ກັບ​ການ​ຂາດ​ດຸນ​ການ​ຝຶກ​ອົບ​ຮົມ​ຢ່າງ​ຫຼວງ​ຫຼາຍ​ຂອງ​ຜູ້​ຊ່ຽວ​ຊານ​ດ້ານ​ສາ​ທາ​ລະ​ນະ​ສຸກ, ຍ້ອນ​ວ່າ​ມັນ​ເປັນ​ຂົງ​ເຂດ​ໃໝ່​ທີ່​ສຸດ ແລະ ບໍ່​ກ່ຽວ​ຂ້ອງ​ກັບ​ການ​ແພດ, ດັ່ງ​ນັ້ນ, ຕ້ອງ​ເພີ່ມ​ທະ​ວີ​ການ​ຝຶກ​ອົບ​ຮົມ​ຜູ້​ຊ່ຽວ​ຊານ​ດ້ານ​ວິ​ເຄາະ​ຂໍ້​ມູນ​ຂັ້ນ​ສູງ, ​ເປັນ​ຕົ້ນ. ຊຸກຍູ້ການຮ່ວມມືກັບຜູ້ຊ່ຽວຊານດ້ານເຕັກໂນໂລຢີຂໍ້ມູນຂ່າວສານອັດສະລິຍະ,” ພວກເຂົາກ່າວຕື່ມວ່າ.

ການຄາດຄະເນຂອງ Thromboembolism

Inés Martínez, MD, ຈາກມູນນິທິ Jiménez Díaz ໃນ Madrid, ໄດ້ອະທິບາຍການຄົ້ນຄວ້າທີ່ປຽບທຽບເຄື່ອງຈັກກັບການຫຼຸດລົງຂອງການຂົນສົ່ງໃນການຜະລິດແບບຄາດຄະເນຂອງເສັ້ນເລືອດຕັນໃນເສັ້ນເລືອດໃນຄົນເຈັບທີ່ມີ myeloma ຫຼາຍ.

ການສຶກສາຄືນຫຼັງແບບ multicenter ໄດ້ລວມເອົາຄົນເຈັບ 133 ຄົນ (88 ທີ່ບໍ່ມີພະຍາດ thromboembolic venous ແລະ 45 ກັບມັນ) ມີ 131 ຕົວແປທາງດ້ານຄລີນິກແລະຊີວະວິທະຍາ. ຜູ້ສືບສວນໄດ້ໃຊ້ວິທີການປະຕິສັງຂອນ logistic (ແປດຕົວແປທີ່ສໍາຄັນ) ແລະການຮຽນຮູ້ເຄື່ອງຈັກ (ຫົກຕົວແປ) ເພື່ອປຽບທຽບຄົນເຈັບຕໍ່ມາ. ສີ່ຕົວແປຕໍ່ໄປນີ້ກົງກັນ: ອາຍຸຕໍ່າກວ່າ 65 ປີ, ຄະແນນລະບົບຂັ້ນຕອນສາກົນທີ່ມີການປັບປຸງສູງ, ທາດໂປຼຕີນຈາກ C-reactive ຫຼາຍກວ່າ 0.60 mg/dL, ແລະປະຫວັດການຜ່າຕັດ.

Martínezກ່າວວ່າ “ທັງສອງແບບແມ່ນຜູ້ຄາດຄະເນທີ່ດີຂອງພະຍາດ thromboembolic venous ໃນຄົນເຈັບທີ່ມີ myeloma ທີ່ຖືກກວດພົບໃຫມ່,” Martínezເວົ້າ. “ພວກເຮົາສົມມຸດວ່າຕົວແປສີ່ຕົວແປທີ່ຄົນເຈັບແບ່ງປັນຈະມີອໍານາດຄາດຄະເນຫຼາຍກວ່າເກົ່າ, ເຖິງແມ່ນວ່າກຸ່ມການກວດສອບເອກະລາດແມ່ນຈໍາເປັນເພື່ອປະເມີນລະດັບການປັບຕົວເກີນທີ່ຕົວແບບຂອງພວກເຂົາຕ້ອງເລືອກຢ່າງຖືກຕ້ອງລະຫວ່າງສອງວິທີການນີ້.”

Martin, Li, ແລະ de Jong ປະກາດວ່າບໍ່ມີຂໍ້ຂັດແຍ່ງທາງການເງິນທີ່ກ່ຽວຂ້ອງ.

ຕິດຕາມ Javier Cotelo, MD, ຂອງ Medscape Spanish Edition ໃນ Twitter: @Drjavico.

ບົດຄວາມນີ້ຖືກແປຈາກສະບັບ Medscape Spanish.

.