ปัจจัยทำนายการเข้ารับการบำบัดซ้ำของผู้ติดยาเสพติดในระบบบริการสาธารณสุขไทย ปีงบประมาณ 2566-2568  การวิเคราะห์ข้อมูลขนาดใหญ่เพื่อการพัฒนารูปแบบการดูแลต่อเนื่องในชุมชน

สุรพงษ์ ผานาค

ผู้แต่ง

สุรพงษ์ ผานาค โรงพยาบาลภูเวียง

คำสำคัญ:

การกลับเข้ารับบริการบำบัดซ้ำ, การดูแลต่อเนื่องในชุมชน, การบำบัดยาเสพติด, ข้อมูลขนาดใหญ่, แบบจำลองทำนาย

บทคัดย่อ

บทนำ: การกลับเข้ารับบริการบำบัดยาเสพติดซ้ำเป็นผลลัพธ์ด้านบริการที่สะท้อนความต้องการดูแลต่อเนื่อง แต่ไม่เท่ากับการกลับไปใช้ยาเสพติดซ้ำทั้งหมด หลักฐานระดับประเทศของไทยเกี่ยวกับปัจจัยทำนาย สมรรถนะของแบบจำลอง และการพัฒนารูปแบบการดูแลต่อเนื่องยังมีจำกัด

วัตถุประสงค์: เพื่อประมาณและเปรียบเทียบสัดส่วนการกลับเข้ารับบริการซ้ำภายใน 365 วัน วิเคราะห์ปัจจัยที่สัมพันธ์กับระยะเวลาจนเกิดเหตุการณ์ สร้างและตรวจสอบสมรรถนะเชิงเวลาของแบบจำลองทำนายและสังเคราะห์ข้อเสนอเชิงแนวคิดของการดูแลต่อเนื่องในชุมชน

วิธีการศึกษา: การศึกษาติดตามย้อนหลังจากข้อมูลระบบ บสต. ระดับประเทศ กำหนดครั้งรับบริการตั้งต้นคนละหนึ่งครั้งที่สิ้นสุดในปีงบประมาณ 2566–2567 ติดตาม 365 วันด้วยข้อมูลถึง 30 กันยายน 2568 วิเคราะห์ด้วย Kaplan–Meier และ Cox proportional hazards model ร่วมกับ piecewise Cox สำหรับตัวแปรที่ละเมิดสมมติฐาน ใช้ปีงบประมาณ 2566 เป็นชุดพัฒนาและปีงบประมาณ 2567 เป็นชุดตรวจสอบเชิงเวลา เปรียบเทียบแบบจำลองจำแนกผลลัพธ์และแบบจำลองเวลาเกิดเหตุการณ์อย่างละ 3 แบบ รายงานตามแนวทาง TRIPOD+AI แล้วสังเคราะห์ข้อเสนอเชิงแนวคิดร่วมกับหลักฐานด้านการดูแลต่อเนื่องในชุมชน

ผลการศึกษา: ประชากรศึกษา 195,452 คน กลับเข้ารับบริการซ้ำ 21,715 คน ร้อยละ 11.11 โดยปีงบประมาณ 2566 ร้อยละ 7.64 และปีงบประมาณ 2567 ร้อยละ 14.38 มัธยฐานระยะเวลาจนเกิดเหตุการณ์ 173 วัน ปัจจัยที่สัมพันธ์กับอัตราอันตรายเพิ่มขึ้น ได้แก่ การใช้ฝิ่น (AHR 2.025) หรือเฮโรอีน (1.816) เป็นยาเสพติดหลัก การจำหน่ายครบโปรแกรมแต่ยังเสพ (1.800) การยังไม่ได้ประเมินสถานะเมื่อจำหน่าย (1.685) การบำบัดแบบผู้ป่วยใน (1.580) ประวัติบำบัด และประวัติรักษาสุขภาพจิต โดยความเสี่ยงส่วนเกินกระจุกตัวในช่วง 30 วันแรกหลังจำหน่าย Random Forest และ XGBoost ให้ AUROC 0.664 และ 0.662 ค่าทำนายผลบวกของ Random Forest ร้อยละ 22.63 ส่วน XGBoost-AFT ให้ C-index 0.652 ทุกแบบจำลองจำแนกได้จำกัด ทำนายความเสี่ยงต่ำกว่าที่สังเกตจริง และมีสมรรถนะต่ำสุดในกลุ่มผู้ใช้ฝิ่นและเฮโรอีน

สรุป: สัดส่วนที่ระบบตรวจพบแตกต่างกันระหว่างสองปี แต่ไม่อาจสรุปเป็นแนวโน้มหรือความสัมพันธ์เชิงสาเหตุ และแบบจำลองยังไม่พร้อมใช้ตัดสินใจรายบุคคล ข้อค้นพบใช้ประกอบการประเมินความต้องการ การวางแผนติดตามหลังจำหน่าย และการพัฒนาระบบบริการ การสังเคราะห์นำไปสู่กรอบการดูแลต่อเนื่องในชุมชนแบบบูรณาการตามระดับความเสี่ยง 365 วัน (IR-CCM 365) ซึ่งมีองค์ประกอบบริการ 8 ด้านความเสี่ยง 3 ระดับ และช่วงติดตาม 4 ช่วง เป็นข้อเสนอตั้งต้นที่ต้องผ่านการออกแบบร่วม การตรวจสอบความตรง และการประเมินประสิทธิผลก่อนนำไปใช้

เอกสารอ้างอิง

กระทรวงสาธารณสุข. แนวทางการดำเนินงานบำบัดรักษาและฟื้นฟูผู้ติดยาเสพติดตามประมวลกฎหมายยาเสพติด พ.ศ. 2564. นนทบุรี: สำนักงานเลขานุการคณะกรรมการบำบัดรักษาและฟื้นฟูผู้ติดยาเสพติด; 2565.

พระราชบัญญัติให้ใช้ประมวลกฎหมายยาเสพติด พ.ศ. 2564. ราชกิจจานุเบกษา เล่ม 138 ตอนที่ 73 ก (8 พฤศจิกายน 2564).

สำนักงานคณะกรรมการป้องกันและปราบปรามยาเสพติด. รายงานผลการสำรวจครัวเรือนเพื่อคาดประมาณจำนวนประชากรผู้ใช้สารเสพติด ปี พ.ศ. 2567. กรุงเทพฯ: สำนักงานคณะกรรมการป้องกันและปราบปรามยาเสพติด; 2568.

มลฤดี วงศ์จิตรัตน์. ปัจจัยทำนายความสำเร็จในการหยุดใช้เมทแอมเฟตามีนระหว่างเข้ารับการบริการเมทริกซ์โปรแกรม. วารสารสุขภาพจิตแห่งประเทศไทย. 2566;31(3):176-89.

กัญญา ภู่ระหงษ์. ปัจจัยที่มีผลต่อการเสพซ้ำของผู้ติดยาเสพติดในเขตจังหวัดปทุมธานี. วารสารพยาบาลสาธารณสุข. 2561;32(2):23-40.

สุกัญญา กาญจนบัตร. ปัจจัยทำนายของการกลับไปเสพเมทแอมเฟตามีนซ้ำในผู้รับการบำบัดยาเสพติดของโรงพยาบาลธัญญารักษ์ในประเทศไทย. วารสารการพัฒนาสุขภาพชุมชน มหาวิทยาลัยขอนแก่น. 2567;12(3):235-54.

Hansen EM, Mejldal A, Nielsen AS. Predictors of readmission following outpatient treatment for alcohol use disorder. Alcohol Alcohol. 2020;55(3):291-8.

doi:10.1093/alcalc/agaa018.

Böckmann V, Lay B, Seifritz E, Kawohl W, Roser P, Habermeyer B. Patient-level predictors of psychiatric readmission in substance use disorders. Front Psychiatry. 2019;10:828.

doi:10.3389/fpsyt.2019.00828.

Argyriou E, Bakoyannis G, Wu W, Rattermann MJ, Cyders MA. Individual factors predict substance use treatment course patterns among patients in community-based substance use disorder treatment. PLoS One. 2023;18(1):e0280407.

doi:10.1371/journal.pone.0280407.

González-Santa Cruz A, Mauro PM, Sapag JC, Martins SS, Ruiz-Tagle J, Gaete J, et al. Effect of residential versus ambulatory treatment for substance use disorders on readmission risk in a register-based national retrospective cohort. Soc Psychiatry Psychiatr Epidemiol. 2025;60(9):2107-23.

doi:10.1007/s00127-025-02865-9.

Morel D, Yu KC, Liu-Ferrara A, Caceres-Suriel AJ, Kurtz SG, Tabak YP. Predicting hospital readmission in patients with mental or substance use disorders: a machine learning approach. Int J Med Inform. 2020;139:104136.

doi:10.1016/j.ijmedinf.2020.104136.

Steyerberg EW. Clinical prediction models: a practical approach to development, validation, and updating. 2nd ed. Cham: Springer; 2019.

Reif S, Acevedo A, Garnick DW, Fullerton CA. Reducing behavioral health inpatient readmissions for people with substance use disorders: do follow-up services matter? Psychiatr Serv. 2017;68(8):810-8.

doi:10.1176/appi.ps.201600339.

Krawczyk N, Rivera BD, Chang JE, Grivel M, Chen YH, Nagappala S, et al. Strategies to support substance use disorder care transitions from acute-care to community-based settings: a scoping review and typology. Addict Sci Clin Pract. 2023;18(1):67.

doi:10.1186/s13722-023-00422-w.

สำนักงานเลขานุการคณะกรรมการบำบัดรักษาและฟื้นฟูผู้ติดยาเสพติด กระทรวงสาธารณสุข. คู่มือการใช้งานระบบข้อมูลการบำบัดรักษาและฟื้นฟูผู้ติดยาเสพติดของประเทศ (บสต.) รูปแบบใหม่ สำหรับสถานฟื้นฟูสมรรถภาพผู้ติดยาเสพติด. นนทบุรี: สำนักงานเลขานุการคณะกรรมการบำบัดรักษาและฟื้นฟูผู้ติดยาเสพติด; 2567.

Austin PC. Balance diagnostics for comparing the distribution of baseline covariates between treatment groups in propensity-score matched samples. Stat Med. 2009;28(25):3083-107.

doi:10.1002/sim.3697.

Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ. 2024;385:e078378. doi:10.1136/bmj-2023-078378.

Moons KGM, Damen JAA, Kaul T, Hooft L, Andaur Navarro C, Dhiman P, et al. PROBAST+AI: an updated quality, risk of bias, and applicability assessment tool for prediction models using regression or artificial intelligence methods. BMJ. 2025;388:e082505.

doi:10.1136/bmj-2024-082505.

Riley RD, Archer L, Snell KIE, Ensor J, Dhiman P, Martin GP, et al. Evaluation of clinical prediction models (part 2): how to undertake an external validation study. BMJ. 2024;384:e074820.

doi:10.1136/bmj-2023-074820.

สถาบันบำบัดรักษาและฟื้นฟูผู้ติดยาเสพติดแห่งชาติบรมราชชนนี. คู่มือแนวทางการบำบัดฟื้นฟูผู้ใช้ยาเสพติดโดยชุมชนเป็นฐาน (CBTx). กรุงเทพฯ: บริษัท ออนป้า จำกัด; 2564.