Show simple item record

Development of Predictive Risk Models for Diabetes and Hypertension in Thailand to Evaluate Economic Implications on Thai Health Systems and Health Financing

dc.contributor.authorปิยะ หาญวรวงศ์ชัยth_TH
dc.contributor.authorPiya Hanvoravongchaith_TH
dc.contributor.authorเสกสรร เกียรติสุไพบูลย์th_TH
dc.contributor.authorSeksan Kiatsupaibulth_TH
dc.contributor.authorวิฐรา พึ่งพาพงศ์th_TH
dc.contributor.authorVitara Pungpapongth_TH
dc.contributor.authorอรลักษณ์ พัฒนาประทีปth_TH
dc.contributor.authorOraluck Pattanaprateepth_TH
dc.contributor.authorมนทรัตม์ ถาวรเจริญทรัพย์th_TH
dc.contributor.authorMontarat Thavorncharoensapth_TH
dc.contributor.authorวศิน เลาหวินิจth_TH
dc.contributor.authorWasin Laohavinijth_TH
dc.contributor.authorจิดาภา หาญวรวงศ์ชัยth_TH
dc.contributor.authorJidapa Hanvoravongchaith_TH
dc.date.accessioned2024-02-29T04:01:09Z
dc.date.available2024-02-29T04:01:09Z
dc.date.issued2566-10
dc.identifier.otherhs3062
dc.identifier.urihttp://hdl.handle.net/11228/6016
dc.description.abstractโครงการนี้มีวัตถุประสงค์เพื่อ (1) สร้างแบบจำลองทำนายความเสี่ยง 2 แบบจำลองหลัก คือ 1.1 แบบจำลองทำนายความเสี่ยงการเกิดโรคเบาหวานและความดันโลหิตสูงในประชากรทั่วไป และ 1.2 แบบจำลองทำนายความเสี่ยงการเกิดภาวะแทรกซ้อนและการเสียชีวิตอันเนื่องมาจากโรคเบาหวานและความดันโลหิตสูง และ (2) ประมาณการภาระรายจ่ายทางสุขภาพและความสูญเสียด้านผลิตภาพ การทำงานอันเนื่องมาจากโรคเบาหวานและความดันโลหิตสูงในปัจจุบัน โดยเป็นการศึกษาเชิงปริมาณ และใช้ข้อมูลการใช้บริการสาธารณสุขผู้ป่วยนอกและผู้ป่วยในจากฐานข้อมูล 43 แฟ้ม กระทรวงสาธารณสุข กลุ่มตัวอย่างของการศึกษานี้มีจำนวนรวมทั้งสิ้น 1.2 ล้านคน ถูกติดตามเป็นระยะเวลา 6 ปี 2 เดือน ระหว่างวันที่ 1 มกราคม พ.ศ. 2560 ถึง 28 กุมภาพันธ์ พ.ศ. 2566 สถิติหลักที่ใช้การสร้างแบบจำลอง คือ การวิเคราะห์ การรอดชีพตัวแปรเวลาแบบไม่ต่อเนื่องและใช้วิธีการเรียนรู้ของเครื่องในการจำแนกประเภทข้อมูล 2 วิธี ได้แก่ 1. การถดถอยโลจิสติกส์แบบ Elastic Net และ 2. วิธี XGBoost (Extreme Gradient Boosting) เพื่อค้นหาแบบจำลองที่มีความแม่นยำสูงสุดประเมินจากพื้นที่ใต้กราฟ หรือ ค่า AUC (Area Under ROC Curve) ผลการศึกษา พบว่า วิธี XGBoost มีประสิทธิภาพในการทำนายสูงกว่าการถดถอยโลจิสติกส์แบบ Elastic Net ในทุกประเภทของแบบจำลอง โดยประสิทธิภาพการทำนายของแบบจำลองทำนายความเสี่ยงการเกิดโรคเบาหวานและการเกิดโรคความดันโลหิตสูงด้วยวิธี XGBoost ในกลุ่มประชากรทั่วไปอยู่ในเกณฑ์ดี มีค่า AUC อยู่ระหว่าง 0.86-0.88 และ 0.84-0.87 ตามลำดับ อย่างไรก็ตาม ประสิทธิภาพการทำนายของแบบจำลองทำนายความเสี่ยงการเกิดภาวะแทรกซ้อนในกลุ่มผู้ป่วยโรคเบาหวานและโรคความดันโลหิตสูงให้ผลลัพธ์แตกต่างกันขึ้นอยู่กับประเภทของภาวะแทรกซ้อนโดยมีช่วงระหว่าง 0.63-0.84 ซึ่งการทำนายเกิดภาวะไตเสื่อมเรื้อรังมีค่า AUC ดีที่สุดอยู่ที่ 0.82-0.84 และ 0.80-0.82 ในผู้ป่วยโรคเบาหวานและผู้ป่วยโรคความดันโลหิตสูง ตามลำดับ สำหรับผลการศึกษาที่เกี่ยวข้องกับการใช้บริการสุขภาพของผู้ป่วยโรคเบาหวานและความดันโลหิตสูง พบว่า ค่าใช้จ่ายทางสุขภาพทั้งหมด ประกอบด้วย ค่ารักษาพยาบาล ค่าเดินทาง ค่าอาหาร ค่าเสียโอกาสของผู้ป่วยเนื่องจากต้องมารับการรักษาที่โรงพยาบาลและค่าเสียโอกาสของผู้ดูแลของผู้ที่ไม่เป็นทั้งโรคเบาหวานและความดันโลหิตสูง ผู้ที่เป็นโรคเบาหวานอย่างเดียว ผู้ที่เป็นโรคความดันโลหิตสูงอย่างเดียวและผู้ที่เป็นทั้ง 2 โรค อยู่ที่ 6,114 บาท, 25,322 บาท, 18,124 บาท และ 37,575 บาทต่อคนต่อปี ตามลำดับ โดยปัจจัยที่ส่งผลให้ค่าใช้จ่ายทางสุขภาพของผู้ป่วยโรคเบาหวานอย่างเดียวและโรคความดันโลหิตสูงอย่างเดียวแตกต่างกัน คือ ค่าเสียโอกาสของผู้ดูแล กระทรวงสาธารณสุข สามารถนำแบบจำลองทำนายความเสี่ยงการเกิดโรคเบาหวานและการเกิดโรคความดันโลหิตสูงในประชากรทั่วไปที่พัฒนาขึ้นไปประยุกต์ใช้ในการคัดกรองโรคเบาหวานและความดันโลหิตสูงในประชาชนอายุ 35 ปีขึ้นไปของประเทศ เพื่อเพิ่มประสิทธิภาพการประเมินความเสี่ยงแทนที่การใช้เพียงผลการตรวจระดับน้ำตาลปลายนิ้วและการวัดความดันโลหิตเพียงอย่างเดียวและควรสร้างเกณฑ์การจัดกลุ่มผู้ป่วยตามค่าความเสี่ยงและข้อมูลที่จะใช้ในการสื่อสารความเสี่ยงทางสุขภาพ เช่น การแบ่งกลุ่มผู้ป่วยตาม เฉดสี เพื่อให้หน่วยงานในพื้นที่สามารถสื่อสารกับผู้ที่มารับการคัดกรองโรคได้อย่างมีประสิทธิภาพก่อนนำแบบจำลองไปใช้จริงในพื้นที่th_TH
dc.description.sponsorshipสถาบันวิจัยระบบสาธารณสุขth_TH
dc.language.isothth_TH
dc.publisherสถาบันวิจัยระบบสาธารณสุขth_TH
dc.rightsสถาบันวิจัยระบบสาธารณสุขth_TH
dc.subjectเบาหวานth_TH
dc.subjectDiabetesth_TH
dc.subjectโรคความดันโลหิตสูงth_TH
dc.subjectHypertensionth_TH
dc.subjectการตรวจคัดกรองth_TH
dc.subjectการประเมินความเสี่ยงด้านสุขภาพth_TH
dc.subjectสุขภาพ--การประเมินความเสี่ยงth_TH
dc.subjectการประเมินผลth_TH
dc.subjectEvaluationth_TH
dc.subjectMeasurementth_TH
dc.subjectเศรษฐศาสตร์สาธารณสุขth_TH
dc.subjectHealth Economicsth_TH
dc.subjectต้นทุนต่อหน่วยth_TH
dc.subjectCost--Analysisth_TH
dc.subjectCost-Benefit Analysisth_TH
dc.subjectการวิเคราะห์ความคุ้มทุนth_TH
dc.subjectระบบบริการสุขภาพth_TH
dc.subjectHealth Service Systemth_TH
dc.subjectระบบบริการสาธารณสุขth_TH
dc.subjectHealth Care Systemth_TH
dc.subjectหลักประกันสุขภาพแห่งชาติth_TH
dc.subjectUniversal Health Coverageth_TH
dc.subjectระบบสุขภาพth_TH
dc.subjectHealth Systemsth_TH
dc.subjectภาวะผู้นำและการอภิบาล (Leadership and Governance)th_TH
dc.subjectระบบการเงินการคลังด้านสุขภาพ (Health Systems Financing)th_TH
dc.titleการพัฒนาแบบจำลองทำนายความเสี่ยงและภาวะแทรกซ้อนจากโรคเบาหวานและความดันโลหิตสูงในประเทศไทยเพื่อประเมินผลกระทบทางเศรษฐกิจต่อระบบหลักประกันสุขภาพและระบบสุขภาพth_TH
dc.title.alternativeDevelopment of Predictive Risk Models for Diabetes and Hypertension in Thailand to Evaluate Economic Implications on Thai Health Systems and Health Financingth_TH
dc.typeTechnical Reportth_TH
dc.description.abstractalternativeThe primary objectives of this study are as follows: (1) Develop two primary risk prediction models: 1.1. for determining the likelihood of developing diabetes and hypertension in the normal population; and 1.2. for determining the risk of developing diabetes and hypertension-related complications and mortality. In addition, (2) estimates the health expenses and productivity loss due to diabetes and hypertension. This is a quantitative study utilizing Ministry of Public Health outpatient and inpatient data. The study consisted of 1.2 million samples and was followed over a period of 6 years, from January 1st, 2017, to February 28th, 2023. The primary statistic employed in model development is discrete-time survival analysis. For data classification, two machine learning techniques, namely Lasso Logistic Regression and XGBoost (Extreme Gradient Boosting), were utilized. Additionally, model accuracy was assessed using the area under the Receiver Operating Characteristic (ROC) Curve. The study found that the XGBoost method had higher prediction efficiency than Lasso Logistic Regression in all models. The diabetes and hypertension risk models for the general population that used the XGBoost method were accurate, with the area under the curve (AUC) values ranging from 0.86 to 0.88 for diabetes and 0.84 to 0.87 for hypertension. However, the predictive performance for the risk of complications in diabetes and hypertensive patients varied depending on the type of complications, with the AUC ranging from 0.63 to 0.84. Predicting chronic kidney disease yielded the best AUC, ranging from 0.82 to 0.84 and 0.80 to 0.82 in diabetic and hypertensive patients, respectively. Additionally, the present study examined the comprehensive health expenditure of individuals diagnosed with diabetes and hypertension. This expenditure comprised direct medical costs, direct non-medical costs (including food and travel), and opportunity costs incurred by both patients and their caregivers. The annual total expenditures per patient vary as follows: 6,114 baht, 25,322 baht, 18,124 baht, and 37,575 baht for patients without both diabetes and hypertension, patients with only diabetes, patients with only hypertension, and patients with both conditions. Caregiver opportunity cost is the determining factor for health expenditure differences between patients with diabetes and hypertension alone. It is recommended that the Ministry of Public Health incorporate the diabetes and hypertension risk models into nationwide diabetes and hypertension screening programs for individuals aged 35 years and older. These models offer a more comprehensive assessment of the risks involved in diabetes and hypertension than point-of-care glucose tests and blood pressure measurements alone. In addition, prior to implementing the risk model, criteria should be established to categorize patients according to their risk, and health recommendations should be tailored to each risk group. This will enable local agencies to efficiently disseminate information to the public.th_TH
dc.identifier.callnoW74 ป621ก 2566
dc.identifier.contactno65-010
dc.subject.keywordHealth Financingth_TH
dc.subject.keywordแบบจำลองทำนายความเสี่ยงth_TH
dc.subject.keywordPredictive Risk Modelsth_TH
.custom.citationปิยะ หาญวรวงศ์ชัย, Piya Hanvoravongchai, เสกสรร เกียรติสุไพบูลย์, Seksan Kiatsupaibul, วิฐรา พึ่งพาพงศ์, Vitara Pungpapong, อรลักษณ์ พัฒนาประทีป, Oraluck Pattanaprateep, มนทรัตม์ ถาวรเจริญทรัพย์, Montarat Thavorncharoensap, วศิน เลาหวินิจ, Wasin Laohavinij, จิดาภา หาญวรวงศ์ชัย and Jidapa Hanvoravongchai. "การพัฒนาแบบจำลองทำนายความเสี่ยงและภาวะแทรกซ้อนจากโรคเบาหวานและความดันโลหิตสูงในประเทศไทยเพื่อประเมินผลกระทบทางเศรษฐกิจต่อระบบหลักประกันสุขภาพและระบบสุขภาพ." 2566. <a href="http://hdl.handle.net/11228/6016">http://hdl.handle.net/11228/6016</a>.
.custom.total_download70
.custom.downloaded_today1
.custom.downloaded_this_month7
.custom.downloaded_this_year70
.custom.downloaded_fiscal_year10

Copyright ผลงานวิชาการเหล่านี้เป็นลิขสิทธิ์ของสถาบันวิจัยระบบสาธารณสุข หากมีการนำไปใช้อ้างอิง โปรดอ้างถึงสถาบันวิจัยระบบสาธารณสุข ในฐานะเจ้าของลิขสิทธิ์ตามพระราชบัญญัติสงวนลิขสิทธิ์สำหรับการนำงานวิจัยไปใช้ประโยชน์ในเชิงพาณิชย์
Fulltext
Icon
Name: hs3062.pdf
Size: 5.791Mb
Format: PDF
Download

Report broken link | User Manual
(* In case of download problems)
 

This item appears in the following Collection(s)

Show simple item record