ข้อมูลทางสรีรวิทยาที่ขาดหายไปใน NTDB และ TQP: การวิเคราะห์กรณีสมบูรณ์ส่งผลต่ออัตราการเสียชีวิตจากอุบัติเหตุมากน้อยเพียงใด

การตีพิมพ์ September 20, 2026

การวิเคราะห์ข้อมูลแบบสมบูรณ์ (Complete-case analysis) เป็นวิธีการที่ใช้กันโดยทั่วไปในการวิจัยเกี่ยวกับทะเบียนผู้บาดเจ็บ โดยจะตัดแถวข้อมูลที่มีค่า GCS, ความดันโลหิต หรืออัตราการหายใจหายไป แล้วใช้ข้อมูลที่เหลืออยู่มาสร้างแบบจำลอง และรายงานผลลัพธ์การทบทวนอย่างเป็นระบบในปี 2018 ของเอกสารทะเบียนผู้บาดเจ็บ 539 ฉบับพบว่ามากกว่าครึ่งหนึ่งไม่เคยกล่าวถึงความสมบูรณ์ของข้อมูล หรือกล่าวถึงข้อมูลที่หายไปโดยไม่ได้ระบุวิธีการจัดการ ซึ่งหมายความว่าการวิเคราะห์ข้อมูลแบบสมบูรณ์โดยปริยายโดยไม่บันทึกไว้ เป็นสิ่งที่ใกล้เคียงกับบรรทัดฐานมากกว่าข้อยกเว้น เราได้สร้างแบบจำลองอิสระ โดยใช้เครื่องมือทางสถิติสองตัว เพื่อหาตัวเลขที่แน่นอนว่าวิธีการโดยปริยายนี้มีค่าใช้จ่ายเท่าใด

เหตุใดการหายตัวไปครั้งนี้จึงไม่ใช่เรื่องบังเอิญ

ค่า GCS, ความดันโลหิตซิสโตลิก และอัตราการหายใจในห้องฉุกเฉินมักหายไป เนื่องจากแพทย์ไม่สามารถประเมินผู้ป่วยได้อย่างครบถ้วน และผู้ป่วยที่ประเมินได้ยากที่สุดมักจะเป็นผู้ป่วยที่มาถึงโรงพยาบาลในสภาพที่ใส่ท่อช่วยหายใจ ได้รับยาทำให้สงบ หรืออยู่ในภาวะวิกฤต การวิเคราะห์กรณีศึกษา 2,520 รายจากทะเบียนผู้บาดเจ็บของรัฐวิกตอเรียยืนยันรูปแบบนี้โดยตรง พบว่าอัตราการหายใจ ค่า GCS ตัวบ่งชี้การใส่ท่อช่วยหายใจ และความดันโลหิตซิสโตลิก มีสัดส่วนของข้อมูลที่หายไปมากที่สุดเมื่อเทียบกับตัวแปรอื่นๆ ที่จำเป็นสำหรับการปรับความเสี่ยงการบาดเจ็บมาตรฐาน และตรรกะทางการแพทย์ ไม่ใช่ความบังเอิญ เป็นตัวทำนายว่าผู้ป่วยรายใดมีข้อมูลที่หายไป นักสถิติเรียกสิ่งนี้ว่า ข้อมูลที่หายไปไม่ได้เกิดขึ้นโดยบังเอิญ เนื่องจากความน่าจะเป็นที่ค่าจะหายไปขึ้นอยู่กับค่านั้นเอง ค่า GCS ต่ำและสัญญาณชีพที่ไม่คงที่ถูกตัดออกจากแผนภูมิในอัตราเดียวกับที่การบาดเจ็บรุนแรงทำให้ต้องใช้ยาทำให้สงบและใส่ท่อช่วยหายใจ การวิเคราะห์กรณีศึกษาที่สมบูรณ์นั้นสันนิษฐานในทางตรงกันข้ามโดยปริยาย

การจำลอง

เราสร้างกลุ่มผู้ป่วยจำลองจำนวน 10,000 รายต่อการจำลองแต่ละครั้ง โดยมีองค์ประกอบความรุนแรงแฝงสองส่วนที่สัมพันธ์กันบางส่วน ส่วนหนึ่งขับเคลื่อนความรุนแรงของการบาดเจ็บทางกายวิภาคและสถานะทางโลหิตวิทยา (ISS, ความดันโลหิตซิสโตลิก, อัตราการหายใจ) อีกส่วนหนึ่งขับเคลื่อนสถานะทางระบบประสาท (GCS) ซึ่งสอดคล้องกับความสัมพันธ์ระดับปานกลาง ไม่สมบูรณ์แบบ ระหว่างการบาดเจ็บทางกายวิภาคและทางระบบประสาทที่พบในผู้ป่วยบาดเจ็บหลายส่วนในชีวิตจริง อัตราการเสียชีวิตที่แท้จริงถูกสร้างขึ้นจากแบบจำลองโลจิสติกส์ที่รวมอายุ กลไกการบาดเจ็บ ISS GCS ความดันโลหิตซิสโตลิก และอัตราการหายใจ การขาดหายไปของค่า GCS, ความดันโลหิตซิสโตลิก และอัตราการหายใจ ถูกกำหนดขึ้นตามที่ระบุไว้ในเอกสารทางวิชาการอย่างแม่นยำ โดยเป็นฟังก์ชันของค่าทางสรีรวิทยาที่แท้จริงของผู้ป่วยบวกกับตัวบ่งชี้การใส่ท่อช่วยหายใจ ดังนั้นอัตราการขาดหายไปจึงอยู่ในช่วงที่สมจริง โดยประมาณ 30% สำหรับ GCS, 24% สำหรับความดันโลหิตซิสโตลิก และ 16% สำหรับอัตราการหายใจ ซึ่งมีขนาดใกล้เคียงกับสัดส่วนการขาดหายไปที่รายงานสำหรับตัวแปรทั้งสามนี้ในการตรวจสอบทะเบียนผู้บาดเจ็บที่ตีพิมพ์เผยแพร่

จากนั้นจึงทำการวิเคราะห์ด้วยวิธีการวิเคราะห์สี่วิธีกับข้อมูลจำลองแต่ละชุด วิธีแรกคือ แบบจำลองออราเคิล (oracle model) ที่ปรับให้เข้ากับค่าทางสรีรวิทยาที่สังเกตได้จริงอย่างครบถ้วน ซึ่งใช้แทนการวิเคราะห์ที่นักวิจัยจะดำเนินการหากไม่มีข้อมูลใดขาดหายไป วิธีที่สองคือ แบบจำลองกรณีสมบูรณ์ (complete-case model) โดยตัดผู้ป่วยที่ขาดตัวแปรใดตัวแปรหนึ่งในสามตัวแปรออกไป ซึ่งสะท้อนถึงแนวทางปฏิบัติเริ่มต้นที่ไม่ได้บันทึกไว้ วิธีที่สามคือ แบบจำลองการเติมค่าเฉลี่ยแบบง่าย (naive single mean-imputation model) โดยแทนที่ค่าที่ขาดหายไปแต่ละค่าด้วยค่าเฉลี่ยโดยรวมของตัวแปรนั้น ซึ่งเป็นทางลัดที่ยังคงพบเห็นได้ในเอกสารที่ส่งมา และวิธีสุดท้ายคือ แบบจำลองการเติมค่าหลายครั้ง (multiple imputation model) ที่เหมาะสม ตามแนวทางที่เอกสารเฉพาะของ NTDB แนะนำ โดยรวมผลลัพธ์ด้านอัตราการเสียชีวิตไว้ในแบบจำลองการเติมค่า และรวมผลลัพธ์จากการเติมค่าต่างๆ โดยใช้กฎของรูบิน (Rubin's rules) กระบวนการทั้งหมดถูกเขียนโค้ดแยกกันใน Python และ R โดยใช้การใช้งานการเติมค่าที่แตกต่างกัน (iterative imputer ของ scikit-learn เทียบกับของ R) mice เรียกใช้สคริปต์ทั้งสองชุด (โดยใช้แพ็กเกจ) และรันซ้ำ 300 ครั้งใน Python และ 100 ครั้งใน R ความสอดคล้องกันระหว่างทั้งสองชุด ทั้งในทิศทางและขนาดโดยประมาณของผลกระทบแต่ละอย่างที่แสดงด้านล่าง เป็นสิ่งที่ยืนยันผลลัพธ์ได้ดีกว่าลักษณะเฉพาะของสคริปต์แต่ละตัว

ผลการศึกษาหนึ่งชิ้น: การวิเคราะห์กรณีที่สมบูรณ์ช่วยลดอัตราการเสียชีวิตที่รายงานลงได้ประมาณครึ่งหนึ่ง

อัตราการเสียชีวิตที่แท้จริงของประชากรในกลุ่มตัวอย่างจำลองโดยเฉลี่ยอยู่ ที่ 5.50%เมื่อจำกัดการวิเคราะห์เฉพาะผู้ป่วยที่มีข้อมูล GCS ความดันโลหิตซิสโตลิก และอัตราการหายใจครบถ้วน ซึ่งเป็นสิ่งที่การวิเคราะห์กรณีสมบูรณ์ที่ไม่ได้บันทึกไว้ทำ อัตราการเสียชีวิตที่สังเกตได้ลดลงเหลือ2.68%ลดลงมากกว่าครึ่ง ช่องว่างนี้เกิดจากกระบวนการทางกลไก ไม่ใช่ทางสถิติ การตัดผู้ป่วยออกจากการวิเคราะห์เนื่องจากผู้ป่วยมีอาการไม่คงที่จนไม่สามารถบันทึกการประเมินทางสรีรวิทยาได้อย่างครบถ้วนนั้นเทียบเท่ากับการตัดผู้ป่วยที่น่าจะเสียชีวิตมากที่สุดออกไป และการสร้างแบบจำลองที่ซับซ้อนขึ้นเพียงใดก็ไม่สามารถแก้ไขอัตราการเสียชีวิตที่คำนวณจากกลุ่มย่อยที่มีสุขภาพดีกว่ากลุ่มที่ได้รับการรักษาจริงได้ จากหลักฐานนี้ การศึกษาเปรียบเทียบหรือรายงานคุณภาพที่อ้างถึงอัตราการเสียชีวิตดิบหรือที่ปรับเล็กน้อยจากกลุ่มผู้บาดเจ็บที่มีข้อมูลครบถ้วนนั้น รายงานตัวเลขที่ต่ำกว่าอัตราการเสียชีวิตที่แท้จริงอย่างมาก ไม่ใช่ความคลาดเคลื่อนเพียงเล็กน้อย

ผลการศึกษาของเราสอดคล้องกับผลการจำลองแบบมอนเตคาร์โลที่สร้างขึ้นจากผู้ป่วย NTDB จริง 63,020 รายใน 68 โรงพยาบาล ซึ่งพบในคำถามที่เกี่ยวข้องแต่แตกต่างกันออกไป คือ การเลือกวิธีการจัดการข้อมูลที่หายไปจะเปลี่ยนแปลงหรือไม่ว่าโรงพยาบาลใดจะถูกจัดว่าเป็นโรงพยาบาลที่มีคุณภาพต่ำกว่ามาตรฐานเมื่อพิจารณาจากอัตราการเสียชีวิตที่สังเกตได้เทียบกับที่คาดการณ์ไว้ งานวิจัยก่อนหน้านี้ได้เปลี่ยนแปลงวิธีการวิเคราะห์โดยคงกลุ่มตัวอย่างพื้นฐานไว้คงที่ แต่การศึกษาของเราได้เปลี่ยนแปลงกลไกการขาดหายของข้อมูลพื้นฐานเองในเชิงสังเคราะห์ เพื่อให้ทราบค่าที่แท้จริงที่กำลังประเมินอยู่เสมอ ซึ่งเป็นสิ่งที่ทำให้สามารถระบุความคลาดเคลื่อนที่แน่นอนได้ แทนที่จะเป็นเพียงความไม่สอดคล้องกันในลำดับการจัดอันดับระหว่างวิธีการต่างๆ

ข้อค้นพบที่สอง: ผลกระทบที่ปรับแล้วยังคงดีกว่าที่คาดไว้ แม้จะมีการจำกัดเฉพาะกรณีสมบูรณ์ก็ตาม

ผลกระทบที่ปรับตามความเสี่ยงของ GCS ต่ออัตราการเสียชีวิต ซึ่งแสดงในรูปของสัมประสิทธิ์ลอการิทึมของอัตราส่วนความน่าจะเป็น (log-odds coefficient) ของแบบจำลอง มีค่าเฉลี่ยอยู่ที่-0.300ในแบบจำลองออราเคิล (oracle model) ในแบบจำลองกรณีสมบูรณ์ (complete-case model) ซึ่งจำกัดเฉพาะผู้ป่วยประมาณครึ่งหนึ่งที่มีการสังเกตตัวแปรทั้งสามตัว สัมประสิทธิ์มีค่าเฉลี่ย อยู่ที่ -0.301ซึ่งใกล้เคียงกับค่าออราเคิลมากจนการสูญเสียนี้อธิบายได้ดีกว่าว่าเป็นการลดความแม่นยำจากกลุ่มตัวอย่างที่เล็กกว่าและมีความเป็นเนื้อเดียวกันมากกว่าที่จะเป็นอคติเชิงทิศทาง ความไม่สมมาตรที่เฉพาะเจาะจงและมีประโยชน์ซ่อนอยู่เบื้องหลังผลลัพธ์นั้น ความเสียหายจากการวิเคราะห์กรณีสมบูรณ์ในบริบทนี้จะกระจุกตัวอยู่ในปริมาณส่วนเพิ่ม คือ อัตราการเสียชีวิตที่รายงานและส่วนผสมของกรณี มากกว่าในสัมประสิทธิ์ที่ปรับตามความเสี่ยงแบบมีเงื่อนไข ซึ่งเอกสารเกี่ยวกับการบาดเจ็บส่วนใหญ่รายงานเป็นผลการค้นพบหลัก อัตราส่วนความน่าจะเป็นที่ปรับแล้วของ GCS ในเอกสารอาจถูกต้องโดยประมาณ แม้ว่าอัตราการเสียชีวิตของกลุ่มตัวอย่างที่ระบุไว้จะผิดพลาดอย่างมาก ซึ่งเป็นความเสียหายแบบเลือกสรรประเภทหนึ่งที่ผู้ตรวจสอบที่อ่านเฉพาะสถิติหลักของบทคัดย่อจะมองข้ามไป

ข้อค้นพบที่สาม: การประมาณค่าเฉลี่ยแบบง่ายๆ ลดทอนผลกระทบที่ปรับแล้วซึ่งการวิเคราะห์กรณีสมบูรณ์รักษาไว้

การแทนที่ค่า GCS, ความดันโลหิตซิสโตลิก และอัตราการหายใจที่หายไปด้วยค่าเฉลี่ยโดยรวมของแต่ละตัวแปร ซึ่งเป็นวิธีลัดที่อย่างน้อยก็ทำให้ผู้ป่วยทุกคนยังคงอยู่ในการวิเคราะห์ ส่งผลให้ค่าสัมประสิทธิ์ GCS เฉลี่ยอยู่ที่-0.165ซึ่งลดลงประมาณครึ่งหนึ่งเมื่อเทียบกับค่าอ้างอิง กลไกโดยตรง ไม่ใช่กลไกที่ซับซ้อน อธิบายว่าทำไมจึงเป็นเช่นนั้น การเติมค่า GCS ที่หายไปทั้งหมดด้วยค่าคงที่เดียวกันจะทำลายความแปรปรวนของ GCS ที่การถดถอยต้องการเพื่อประมาณผลกระทบต่ออัตราการเสียชีวิต และจะทำเช่นนั้นอย่างรุนแรงที่สุดสำหรับผู้ป่วยที่มีค่า GCS ที่แท้จริงสุดขั้วที่สุด เนื่องจากพวกเขามีแนวโน้มที่จะขาดข้อมูลมากที่สุดตั้งแต่แรก การแทนที่ด้วยค่าเฉลี่ยจะแลกเปลี่ยนอคติของอัตราการเสียชีวิตของการวิเคราะห์กรณีที่สมบูรณ์กับอคติที่แตกต่างกัน และในการจำลองนี้มีอคติที่ใหญ่กว่า ในผลกระทบที่ปรับแล้วซึ่งการศึกษาถูกสร้างขึ้นเพื่อประมาณค่าจริง ๆ

ข้อค้นพบที่สี่: การเติมข้อมูลที่ขาดหายไปหลายครั้งโดยรวมผลลัพธ์เข้าไปด้วย ช่วยกู้คืนข้อมูลที่ขาดหายไปได้เกือบทั้งหมด

การใช้การเติมค่าที่ขาดหายไปหลายครั้ง (Multiple imputation) โดยรวมผลลัพธ์ด้านอัตราการเสียชีวิตไว้ในแบบจำลองการเติมค่า และรวมค่าที่ขาดหายไปทั้งหมดโดยใช้กฎของรูบิน (Rubin's rules) ทำให้ได้ค่าสัมประสิทธิ์ GCS เฉลี่ยอยู่ที่-0.263ซึ่งสามารถชดเชยช่องว่างส่วนใหญ่ที่การเติมค่าเฉลี่ยแบบง่ายๆ (naive mean imputation) ทิ้งไว้ได้ ในขณะเดียวกันก็ยังคงรวมผู้ป่วยทุกคนไว้ในการคำนวณอัตราการเสียชีวิต แทนที่จะตัดผู้ป่วยที่อาการหนักที่สุดออกไปเหมือนกับการวิเคราะห์เฉพาะกรณีที่มีข้อมูลครบถ้วน (complete-case analysis) นี่คือทางเลือกในการออกแบบเดียวกัน คือการเติมค่าที่ขาดหายไปหลายครั้งที่รวมผลลัพธ์ไว้ด้วย ซึ่งเอกสารทางระเบียบวิธีเฉพาะของ NTDB ได้แนะนำมาตั้งแต่ปี 2009 เป็นอย่างน้อย และการจำลองในที่นี้ได้จำลองเหตุผลที่คำแนะนำดังกล่าวใช้ได้ผลโดยไม่ขึ้นอยู่กับชุดข้อมูลใดๆ โดยใช้ข้อมูลสังเคราะห์ทั้งหมดที่สร้างขึ้นเพื่อแยกกลไกการทำงาน แทนที่จะใช้ลักษณะเฉพาะของทะเบียนข้อมูลจริงใดๆ

นำสิ่งนี้ไปใช้กับข้อมูลที่ดึงมาจากรีจิสทรีของคุณเอง

การตรวจสอบสี่ประการนี้จะแปลงการจำลองนี้ไปใช้ในทางปฏิบัติกับไฟล์การใช้งานจริงของผู้เข้าร่วม วัดอัตราการขาดหายของข้อมูล GCS, ความดันโลหิตซิสโตลิก และอัตราการหายใจแยกกัน แทนที่จะรายงานตัวเลขความสมบูรณ์รวมเพียงตัวเดียวซึ่งจะซ่อนตัวแปรที่เป็นสาเหตุของปัญหา ทดสอบว่าการขาดหายของข้อมูลในแต่ละตัวแปรมีความสัมพันธ์กับตัวบ่งชี้ความรุนแรงอื่นๆ ที่ได้รับการสังเกตอย่างครบถ้วนหรือไม่ เช่น สัญญาณเตือนการใส่ท่อช่วยหายใจ การมาถึงโดยเฮลิคอปเตอร์ หรือ ISS เอง เนื่องจากความสัมพันธ์ที่ชัดเจนเป็นสัญญาณบ่งชี้ที่สำคัญของการขาดหายของข้อมูลที่การจำลองนี้จำลองขึ้น ดำเนินการเติมข้อมูลหลายครั้ง (multiple imputation) กับผลลัพธ์การเสียชีวิต และผลลัพธ์อื่นๆ ที่การศึกษาได้รายงานไว้ โดยรวมไว้เป็นตัวทำนายในแบบจำลองการเติมข้อมูล ไม่ใช่ละเว้นโดยสมมติว่าผลลัพธ์ควรอยู่ในขั้นตอนการวิเคราะห์เท่านั้น และรายงานผลลัพธ์กรณีที่สมบูรณ์ควบคู่ไปกับผลลัพธ์การเติมข้อมูลหลายครั้ง แทนที่จะแทนที่กัน เพื่อให้ผู้ตรวจสอบสามารถเห็นขนาดของการแก้ไขได้โดยตรง แทนที่จะเชื่อโดยไม่มีหลักฐานสนับสนุน

เครื่องมือฟรีสำหรับการตรวจสอบประเภทนี้

• หกเทคนิคสำหรับการทำความสะอาดข้อมูลทะเบียนผู้ป่วยทางคลินิกสำหรับการตรวจสอบข้อมูลที่ขาดหายไป ซึ่งควรดำเนินการก่อนการตัดสินใจใดๆ เกี่ยวกับการเติมข้อมูลที่ขาดหายไป
• คู่มือการใช้งานเช็คลิสต์สำหรับการรายงาน STROBEสำหรับวิธีการบันทึกข้อมูลที่ขาดหายไปในต้นฉบับงานวิจัยนั้นเอง
• คำอธิบายฐานข้อมูล NTDB และ TQPสำหรับประเด็นการออกแบบที่กว้างกว่าแค่การขาดหายไป ซึ่งการศึกษา TQP จำเป็นต้องพิจารณา

สิ่งนี้หมายความว่าอย่างไรสำหรับต้นฉบับ

มีข้อสรุปเชิงปฏิบัติสามประการดังต่อไปนี้ อัตราการเสียชีวิตหรือสัดส่วนการเสียชีวิตจากกรณีต่างๆ ที่ได้จากกลุ่มผู้ป่วยในทะเบียนผู้บาดเจ็บ ควรได้รับการตรวจสอบอย่างละเอียดถี่ถ้วนถึงวิธีการคำนวณตัวหาร เนื่องจากข้อจำกัดเรื่องจำนวนผู้ป่วยที่ครบถ้วนอาจทำให้อัตราที่รายงานลดลงครึ่งหนึ่งโดยไม่มีข้อความแสดงข้อผิดพลาดหรือสัญญาณเตือนที่ชัดเจนในผลลัพธ์ อัตราส่วนความน่าจะเป็นที่ปรับแล้วสำหรับตัวแปรทางสรีรวิทยาจะมีความแข็งแกร่งต่อการจัดการกรณีผู้ป่วยที่ครบถ้วนมากกว่าอัตราดิบ แม้ว่าขนาดตัวอย่างที่ลดลงจะยังคงส่งผลต่อความแม่นยำและทำให้ช่วงความเชื่อมั่นกว้างขึ้นก็ตาม และจากสองวิธีลัดที่ใช้กันทั่วไป คือ การตัดกรณีที่ไม่สมบูรณ์ออกหรือการเติมช่องว่างด้วยค่าเฉลี่ยของตัวอย่าง การเติมข้อมูลหลายครั้งโดยรวมตัวแปรผลลัพธ์ไว้ด้วยนั้นดีกว่าทั้งสองวิธี ซึ่งเป็นแนวทางปฏิบัติที่วิธีการของ Editverse เองใน NTDB และ TQP Trauma Registry Study ยึดมั่นในทุกโครงการที่ดำเนินการ

สรุปผลการทดลองจากชุดข้อมูล Python 300 ชุด และ R 100 ชุด

การวิเคราะห์เฉพาะกรณีที่มีข้อมูลครบถ้วนเท่านั้นที่จะเปลี่ยนแปลงอัตราการเสียชีวิตที่รายงาน เนื่องจากเป็นวิธีเดียวที่เปลี่ยนแปลงว่าผู้ป่วยรายใดจะถูกนำมาวิเคราะห์ แทนที่จะเป็นการเติมเต็มข้อมูลที่ขาดหายไป มีเพียงสองวิธีที่ใช้การประมาณค่าเท่านั้นที่ยังคงใช้กลุ่มตัวอย่างทั้งหมดในการคำนวณอัตราการเสียชีวิต และในสองวิธีนั้น การประมาณค่าแบบหลายครั้งที่รวมผลลัพธ์ไว้ด้วย เป็นวิธีที่ช่วยรักษาระดับผลกระทบที่ปรับตามความเสี่ยงไว้ได้ด้วย

ข้อจำกัดของการจำลองนี้

นี่คือภาพประกอบสังเคราะห์ที่สร้างขึ้นเพื่อแยกกลไกหนึ่งออกมาอย่างชัดเจน ไม่ใช่การวิเคราะห์ข้อมูล TQP จริงอีกครั้ง เนื่องจาก Editverse ไม่มีข้อตกลงการใช้ไฟล์ของผู้เข้าร่วม TQP และไม่ได้จัดหาชุดข้อมูลในนามของลูกค้า อัตราการขาดหายของข้อมูล โครงสร้างความสัมพันธ์ และแบบจำลองการตายถูกเลือกให้อยู่ในช่วงที่สมจริงโดยอิงจากเอกสารทางวิชาการที่ตีพิมพ์ซึ่งอ้างอิงไว้ตลอดทั้งเอกสาร ไม่ได้ปรับให้เข้ากับปีทะเบียนใดโดยเฉพาะ การทำงานร่วมกับลูกค้าจะใช้ข้อมูลที่ลูกค้าดึงออกมาเอง ระบุลักษณะรูปแบบการขาดหายของข้อมูลจริงในไฟล์นั้นโดยตรง และรายงานการวิเคราะห์ความไวของกรณีสมบูรณ์ควบคู่ไปกับผลลัพธ์การเติมข้อมูลหลายครั้งหลักอย่างถูกต้องตามที่อธิบายไว้ในคำอธิบาย NTDB และ TQP ของ เรา

บริการระดับมืออาชีพ

Editverse สร้างงานวิจัยเกี่ยวกับผลลัพธ์ของการบาดเจ็บจาก NTDB และ TQP โดยจัดการกับข้อมูลที่ขาดหายไปทางสรีรวิทยาด้วยวิธีการเติมข้อมูลหลายครั้งแบบครอบคลุมผลลัพธ์ และมีการรายงานการวิเคราะห์ความไวต่อกรณีสมบูรณ์ควบคู่ไปด้วย ซึ่งตรงกับที่ได้รับการตรวจสอบความถูกต้องในที่นี้

อ้างอิง

1. Shivasabesan G, Mitra B, O'Reilly GM. ข้อมูลที่ขาดหายไปในทะเบียนผู้บาดเจ็บ: การทบทวนอย่างเป็นระบบ ความเสียหาย. 2018;49(9):1641-1647. doi: 10.1016/j.injury.2018.03.035
2. O'Reilly GM, Cameron PA, Jolley DJ. ผู้ป่วยรายใดบ้างที่มีข้อมูลไม่ครบถ้วน? การวิเคราะห์ข้อมูลที่ขาดหายไปในทะเบียนผู้บาดเจ็บ ความเสียหาย. 2013;43(11):1917-1923. doi: 10.1016/j.injury.2012.07.185
3. Moore L, Hanley JA, Turgeon AF, Lavoie A, Emond M. แบบจำลองการเติมข้อมูลแบบหลายวิธีสำหรับการเติมข้อมูลทางสรีรวิทยาที่ขาดหายไปในฐานข้อมูลการบาดเจ็บแห่งชาติ วารสารวิทยาลัยศัลยแพทย์อเมริกัน. 2009;209(5):572-579. doi: 10.1016/j.jamcollsurg.2009.07.004
4. Glance LG, Osler TM, Mukamel DB, Meredith W, Dick AW. ผลกระทบของวิธีการทางสถิติในการจัดการข้อมูลที่ขาดหายไปต่อคุณภาพของศูนย์รักษาผู้บาดเจ็บ พงศาวดารศัลยกรรม. 2009;249(1):143-148. doi: 10.1097/SLA.0b013e31818e544b
5. Newgard CD. ความถูกต้องของการใช้การเติมข้อมูลแบบหลายวิธีสำหรับข้อมูลที่ขาดหายไปนอกโรงพยาบาลในทะเบียนผู้บาดเจ็บของรัฐ วิชาการแพทย์ฉุกเฉิน. 2006;13(3):314-324. doi: 10.1197/j.aem.2005.09.011
6. O'Reilly GM, Jolley DJ, Cameron PA, Gabbe B. สูญหายระหว่างปฏิบัติการ: กรณีศึกษาการประยุกต์ใช้วิธีการจัดการกับข้อมูลที่หายไปในการเปรียบเทียบมาตรฐานระบบการดูแลผู้บาดเจ็บ วิชาการแพทย์ฉุกเฉิน. 2011;17(10):1122-1129. doi: 10.1111 / j.1553-2712.2010.00887.x