Posted on

🫁ผลวิจัยชี้ ผู้รอดชีวิตจากมะเร็งอาจได้ประโยชน์จากการคัดกรองมะเร็งปอดมากขึ้น

เผยแพร่ออนไลน์: 30 กันยายน 2568 (September 30, 2025) • JAMA Network Open JAMA Network

งานวิจัยจากสหรัฐฯ เปรียบเทียบการตรวจคัดกรองมะเร็งปอดแบบเอกซเรย์คอมพิวเตอร์ขนาดรังสีน้อย (Low-Dose CT; LDCT) ระหว่าง “ผู้ที่เคยเป็นมะเร็งมาก่อน” กับ “คนที่ไม่เคยเป็นมะเร็ง” พบว่า อัตราการพบมะเร็งปอดภายใน 1 ปี สูงกว่าเล็กน้อยในกลุ่มผู้รอดชีวิตจากมะเร็ง แม้ อัตราผลตรวจเป็นบวก ของภาพสแกนจะใกล้เคียงกัน ข้อมูลชี้ว่าการคัดกรองอาจช่วยเจอ “มะเร็งปอดชนิดใหม่” ตั้งแต่เนิ่น ๆ ในกลุ่มนี้ได้ และควรมีการศึกษาในกลุ่มตัวอย่างขนาดใหญ่ขึ้นต่อไป. JAMA Network

🧪 งานวิจัยทำอย่างไร

  • การศึกษาเชิงกลุ่ม (cohort study) ใช้ข้อมูลจาก North Carolina Lung Screening Registry (NCLSR) ปี 2015–2019 เชื่อมกับ ทะเบียนมะเร็งของมลรัฐนอร์ทแคโรไลนา (2000–2020)
  • รวมผู้เข้าร่วม 7,295 คน อายุเฉลี่ย 64.7 ปี แบ่งเป็น ผู้รอดชีวิตจากมะเร็ง 814 คน และ ผู้ที่ไม่เคยเป็นมะเร็ง 6,481 คน
  • ประเมินผลหลักคือ การวินิจฉัยมะเร็งปอดภายใน 1 ปี หลังตรวจคัดกรองครั้งแรก พร้อมวิเคราะห์การตีความผล LDCT และอัตราตายจากทุกสาเหตุ (all-cause mortality) โดยใช้สถิติถดถอยโลจิสติกส์
    รายละเอียดวิธีวิจัยและแหล่งข้อมูลตามต้นฉบับ. JAMA Network

📊 ใครคือผู้เข้าร่วม และแตกต่างกันอย่างไร

  • กลุ่มผู้รอดชีวิตจากมะเร็ง มีอายุมากกว่า และ โรคร่วมมากกว่า (ทางเดินหายใจและหัวใจ-หลอดเลือด)
  • อดีตผู้สูบบุหรี่ พบมากกว่าในกลุ่มผู้รอดชีวิตเมื่อเทียบกับผู้ที่ยังสูบอยู่
  • สัดส่วนผู้เข้าร่วมเชื้อสาย Black สูงกว่าเล็กน้อยในกลุ่มผู้รอดชีวิตจากมะเร็ง
    ทั้งหมดนี้ยืนยันด้วยสถิติแตกต่างมีนัยสำคัญหลายตัวแปร. JAMA Network

🔍 ผลลัพธ์หลักที่ต้องรู้

  • อัตราพบมะเร็งปอดภายใน 1 ปี (ตรวจพบ/1,000 คน แบบปรับแล้ว):
    • ผู้รอดชีวิตจากมะเร็ง 26.0 ต่อ 1,000 (ช่วงเชื่อมั่น 95%: 17.0–38.2)
    • ไม่เคยเป็นมะเร็ง 17.0 ต่อ 1,000 (95%CI: 14.1–20.6)
    • ค่า P = 0.07 (แนวโน้มสูงกว่า แต่ยังไม่ถึงเกณฑ์นัยสำคัญทางสถิติทั่วไป)
  • การตายจากทุกสาเหตุภายใน 1 ปี (ปรับแล้ว): 19.4 ต่อ 1,000 vs 17.1 ต่อ 1,000 (P = 0.62) — ไม่ต่างกันชัดเจน
  • ผล LDCT เป็นบวก (Lung-RADS 3–4X): ใกล้เคียงกัน (15.8% vs 17.0%)
    ตัวเลขทั้งหมดอ้างอิงตารางผลลัพธ์ในบทความ. JAMA Network

🧭 ทำไมข้อมูลนี้สำคัญ

ผลชี้ว่า การคัดกรองมะเร็งปอดด้วย LDCT อาจมีบทบาทพิเศษ ในผู้รอดชีวิตจากมะเร็ง ซึ่งเป็นกลุ่มเสี่ยงต่อ “มะเร็งปอดชนิดใหม่ (second primary)” แม้ผลภาพสแกนเป็นบวกจะพอ ๆ กัน แต่ อัตราพบมะเร็งจริง สูงกว่าเล็กน้อยในกลุ่มผู้รอดชีวิต สะท้อน “ความคุ้มค่าเชิงคลินิก” ที่ควรศึกษาเพิ่มเติมเพื่อตัดสินใจนโยบายคัดกรองที่เหมาะสม. JAMA Network

⚠️ ข้อจำกัดที่ควรรู้ก่อนตีความ

  • เป็นข้อมูลจาก รัฐเดียว (North Carolina) อาจไม่สะท้อนทั้งประเทศ
  • ระยะติดตามผลหลัก 1 ปี อาจสั้นสำหรับผลลัพธ์ระยะยาว
  • ความต่างบางค่าอยู่ในระดับ “แนวโน้ม” (P ใกล้ขอบ) ต้องการ กลุ่มตัวอย่างใหญ่ขึ้น เพื่อยืนยัน
    ข้อจำกัดเหล่านี้ระบุไว้ในส่วนอภิปรายของงานวิจัย. JAMA Network

➡️ แล้วควรเดินหน้าต่ออย่างไร

  • สถานพยาบาลที่ดูแลผู้รอดชีวิตจากมะเร็งอาจ พิจารณาความเสี่ยงรายบุคคล (อายุ โรคร่วม ประวัติการสูบ) เมื่อตัดสินใจคัดกรอง
  • ผู้กำหนดนโยบายควรสนับสนุน การศึกษาแบบหลายศูนย์/หลายรัฐ และติดตามผลยาวขึ้น เพื่อวัดผลด้านการรอดชีวิตและต้นทุน-ประสิทธิผล
  • ผู้ป่วยและครอบครัวควร ปรึกษาแพทย์ประจำ เรื่องเกณฑ์คัดกรองมะเร็งปอดที่เหมาะกับตน (เช่น แนวทาง USPSTF/NCCN) โดยพิจารณาความเสี่ยงและประโยชน์รายคนควบคู่กัน. JAMA Network

📝 หมายเหตุสำคัญสำหรับผู้อ่านเว็บไซต์

ข้อมูลและเนื้อหาที่เผยแพร่ในบทความนี้อ้างอิงจากงานวิจัยทางการแพทย์ที่ตีพิมพ์ใน JAMA Network Open โดยมีจุดประสงค์เพื่อ เผยแพร่ความรู้และให้ข้อมูลเชิงวิชาการแก่สาธารณชน ไม่ใช่คำแนะนำทางการแพทย์ส่วนบุคคล

หากคุณหรือคนใกล้ชิดมีข้อสงสัยเกี่ยวกับภาวะสุขภาพของตนเอง หรือกำลังพิจารณาการตรวจคัดกรองโรค ควรปรึกษาแพทย์หรือผู้เชี่ยวชาญด้านสุขภาพ เพื่อขอคำแนะนำที่เหมาะสมกับสภาพร่างกายและความเสี่ยงของแต่ละบุคคล

เว็บไซต์นี้ ไม่สามารถรับผิดชอบต่อผลลัพธ์ทางสุขภาพที่อาจเกิดขึ้น จากการนำข้อมูลไปใช้โดยไม่ได้รับคำปรึกษาจากบุคลากรทางการแพทย์


📚 แหล่งอ้างอิง/ที่มา

  1. Rivera MP, Benefield T, Durham DD, et al. Lung Cancer Screening in Cancer Survivors vs Those Without a History of Cancer. JAMA Network Open. ตีพิมพ์ออนไลน์ 30 กันยายน 2568; 8(9):e2535000. doi:10.1001/jamanetworkopen.2025.35000. เข้าถึงได้ทาง JAMA Network Open: JAMA Network
Posted on

งานวิจัยใหม่เผย: AI ช่วยคัดกรองมะเร็งเต้านมแม่นยำขึ้น แม้ในกลุ่มชาติพันธุ์ที่หลากหลาย

งานวิจัยล่าสุดจากประเทศแคนาดาเผยว่า แบบจำลองปัญญาประดิษฐ์ (AI) ที่ใช้ภาพแมมโมแกรมย้อนหลังถึง 4 ปี ช่วยประเมินความเสี่ยงของมะเร็งเต้านมล่วงหน้าได้อย่างแม่นยำยิ่งขึ้น โดยเฉพาะในกลุ่มผู้หญิงหลากหลายเชื้อชาติ ซึ่งนับเป็นก้าวสำคัญของการวางแผนคัดกรองและป้องกันมะเร็งเต้านมในระดับปัจเจก

วิเคราะห์ภาพแมมโมแกรมหลายปี เพิ่มความแม่นยำ

การศึกษานี้วิเคราะห์ข้อมูลจากผู้หญิงกว่า 206,000 คน อายุระหว่าง 40–74 ปี ที่เข้าร่วมโครงการตรวจคัดกรองมะเร็งเต้านมในรัฐบริติชโคลัมเบีย ประเทศแคนาดา ตั้งแต่ปี 2013–2019 โดยใช้ภาพแมมโมแกรมดิจิทัลทั้งภาพปัจจุบันและภาพย้อนหลังในช่วง 4 ปีที่ผ่านมา เพื่อประเมินความเสี่ยงเกิดมะเร็งภายใน 5 ปี

ผลการวิจัยพบว่า แบบจำลอง AI ที่ใช้ภาพย้อนหลัง (dynamic model) มีค่า AUROC (ค่าชี้วัดความแม่นยำของโมเดล) เท่ากับ 0.78 ซึ่งถือว่าแม่นยำสูงกว่าการใช้เพียงภาพปัจจุบันเพียงภาพเดียว (AUROC = 0.71) อย่างมีนัยสำคัญ

ใช้ได้กับทุกเชื้อชาติ – ลดความเหลื่อมล้ำ

ที่สำคัญ แบบจำลองนี้สามารถใช้ได้กับสตรีทุกเชื้อชาติ ไม่ว่าจะเป็นหญิงผิวขาว เอเชียใต้ เอเชียตะวันออก หรือชนพื้นเมือง โดยมีค่า AUROC ใกล้เคียงกัน (อยู่ระหว่าง 0.75–0.80) แสดงให้เห็นว่าโมเดลนี้มีความแม่นยำและเป็นธรรมในทุกกลุ่มประชากร

สะดวก ไม่ต้องใช้ข้อมูลสุขภาพหรือพันธุกรรม

ต่างจากโมเดลดั้งเดิมที่ต้องอาศัยข้อมูลเชิงคลินิก เช่น ประวัติครอบครัว ความหนาแน่นของเต้านม หรือคะแนนพันธุกรรม แบบจำลองใหม่นี้ใช้เพียงภาพแมมโมแกรมที่มีอยู่แล้ว จึงสามารถนำไปใช้ในระบบบริการสุขภาพได้ง่ายขึ้น ลดภาระของแพทย์และผู้ป่วย

ศักยภาพสู่การแพทย์แม่นยำ (Precision Medicine)

ด้วยความแม่นยำในการคาดการณ์ความเสี่ยงภายใน 5 ปี และความสามารถในการประเมินผู้ที่มีความเสี่ยงสูง (มากกว่า 3%) แบบจำลองนี้จึงสามารถใช้เป็นเครื่องมือช่วยในการกำหนดแนวทางป้องกัน เช่น การตรวจถี่ขึ้น หรือใช้ยาต้านฮอร์โมนในกลุ่มเสี่ยงสูง

ข้อสังเกตและข้อจำกัด

อย่างไรก็ตาม งานวิจัยนี้ยังใช้ข้อมูลย้อนหลังได้เพียง 4 ปี เนื่องจากข้อจำกัดของระบบดิจิทัลที่เพิ่งเริ่มใช้ในปี 2013 และยังไม่มีการผสานข้อมูลทางพันธุกรรมซึ่งอาจช่วยเพิ่มความแม่นยำได้อีกในอนาคต

บทสรุป

การใช้ AI วิเคราะห์ภาพแมมโมแกรมย้อนหลังหลายปี ช่วยยกระดับการประเมินความเสี่ยงมะเร็งเต้านมอย่างแม่นยำและทั่วถึงในผู้หญิงหลากหลายเชื้อชาติทั่วโลก งานวิจัยนี้เป็นก้าวสำคัญสู่การแพทย์เชิงป้องกันเฉพาะบุคคล และเป็นเครื่องมือที่พร้อมนำไปประยุกต์ใช้จริงในระบบบริการสุขภาพ.

แหล่งที่มา:
Jiang S, et al. Validation of a Dynamic Risk Prediction Model Incorporating Prior Mammograms in a Diverse Population. JAMA Network Open. 2025;6(6):e2512681. doi:10.1001/jamanetworkopen.2025.12681