Quantitative Analysis

Quantitative analysis: Inferential statistics

Maneeratsami  Pattanasombutsook, PhD.

Boromarajonani College of Nursing, Yala, Thailand

Inferential statistics

The 'population' is the entire collection of individuals that we are interested in studying. It is typically impossible or difficult to observe/test each member of the population totally. So we choose a subset containing the characteristics of a large population, called a 'sample', to study.

Descriptive statistics and Inferential statistics
When it comes to statistic analysis, there are two classifications: descriptive statistics and inferential statistics. 
Both descriptive and inferential statistics rely on the same set of data.

Descriptive statistics is solely concerned with properties of the observed data, and does not assume that the data came from a larger population. When descriptive statistics are applied to populations, and the properties of populations, like the mean or standard deviation, are called parameters as they represent the whole population. Descriptive statistics are limited in so much that they only allow you to make summations about the people or objects that you have actually measured. You cannot use the data you have collected to generalize to other people or objects.

When examination of each member of an entire population is not convenient or possible, inferential statistics are valuable.

Inferential statistics does start with a sample and then generalizes to a population. Inferential statistics use a random sample of data taken from a population to describe and make generalizations about the population. Inferential statistics are based on the assumption that sampling is random. However, inferential statistics arise out of the fact that sampling naturally incurs sampling error and thus a sample is not expected to perfectly represent the population. There are two main areas of inferential statistics:
     1. The estimation of parameter. This means taking a statistic from sample data and using it to explain something about the population. This is expressed in terms of an interval and degree of confidence that the parameter is within the data.
     2. Testing of significance or hypothesis testing. This is where you use a statistical sample to answer research questions. However, there is some uncertainty in this process and can be expressed in terms of a level of significance.

Exploratory Factor Ananlysis (EFA)

Exploratory Factor Analysis (EFA)

Maneeratsami  Pattanasombutsook, PhD.

Boromarajonani College of Nursing Yala, Thailand

Factor analysis (FA) is a statistical technique applies to a set of variables to discover which variables in the set that is relatively independent of one another. Principal components analysis (PCA) is extremely similar to factor analysis, and is often used as preliminary stage to factor analysis. Exploratory factor analysis (EFA) is used to identify the hypothetical constructs in a set of data, while confirmatory factor analysis (CFA) is used to confirm the existence of the hypothetical constructs in a fresh set of data. In this blog, I will focus on exploratory factor analysis (EFA).

EFA is used to analyze the structure of the correlations among a large number of variables by defining sets of variables that are highly interrelated, known as factors (Hair et al., 2010). Thus, EFA is used to reduce a set of items and identify the internal dimensions of the scale.

There is no certain rule to say how much samples must have provided data for factor analysis. However, correlation coefficients tend to be less reliable when estimated from small samples. As a general rule of thumb, it should have at least 300 samples for factor analysis. In instrumentation, it should have a ratio of at least 5-10 subjects per item.

To perform FA, the data should meet certain requirements:
       1) data has been measured on an interval scale,
       2) samples vary in their scores on the variables,
       3) the scores on the variables have linear correlations with each other,
       4) the scores on the variables are normally distributed,
       5) absence of outliers among cases,
       6) absence of multicollinearity, and
       7) factorablity for EFA.

       The factorability indices for EFA including the alpha correlation of each item, factor loading, communalities, Bartlett's test of Sphericity, the test of KMO, and MSA will be performed before conducting EFA.

        - Alpha correlation: The interpretation of the factorability indices for EFA includes the correlation coefficient (r) in which all pairs of items should range from .30 to .70.  Conversely, if the items correlate very highly (.90 or more) then they are redundant, they should be dropped from the analysis.              

        - Factor loading: A factor loading is the correlation of the variable and the factor, the larger the size of factor loading, the more important the loading in interpreting the factor matrix. Factor loading greater than .30 is desirable.  However, if a variable persists in having cross-loadings, it becomes a candidate for deletion.

        - Communality: Communality represents the amount of variance accounted for by thefactor solution for each variance.  Communality greater than .50 is desirable. 

        - Bartlett's test of Sphericity:  Bartlett's test of Sphericity is the method examining the entire correlation matrix.  A statistically significant Bartlett's test of Sphericity (sig. < .05) indicates that sufficient correlations exist among the variables to proceed.   
      

        - The Kaiser-Meyer-Olkin measure (KMO): The KMO is based on the principle that if variables share common factors, then partial correlations between pairs of variables should be small when effects of other variables are controlled.  The KMO measurement of sampling adequacy for factor analysis at least of .60 is desirable. 

           - Measure of Sampling Adequacy (MSA): The MSA is examining the degree of intercorrelations among the variables both the entire correlation matrix and each individual variable. An overall MSA value of above .50 before proceeding with the factor analysis is desirable.

       
After the appropriateness of performing a FA has been analyzed, factor extraction using PCA method will be performed.  This procedure condenses items into their underlying constructs which explain the pattern of correlations.  Examine the results of the PCA to decide how many factors which are worth keeping by considering Eigenvalues and Scree test (Eigenvalues greater than 1, the point at which there is an 'elbow' on the Scree test).

Carry out FA by using the number of factors determined from PCA. 'Rotation' is needed when extraction techniques produce two or more factors. Carry out FA, with an orthogonal rotation (Varimax, Quartimax, and Equamax), to see how clear the outcome is. Then, carry out FA again, with an oblique rotation (Oblim and Promax), to produce a clearer outcome. In orthogonal rotation, the factors remain uncorrelated with each other whereas in oblique rotation they are allowed to correlate. Several runs of the analysis will be executed to explore an appropriate factor solution.

The criteria for the number of factors to extract consists of: 1) Eigenvalues greater than 1, 2) a Scree test result, and 3) the value of factor loading for each item that is .30 or greater.

Conclusion: Factor analysis is used to describe things and to attach the conceptual ideas to its statistical results. Interpretation and naming of factors depend on the meaning of the combination of variables accounted for factors. A good factor makes sense. The variables in each factor should show theoretical sense and parsimonious accounting for the factors. 

Classical Test Theory and Item Response Theory

Classical Test Theory and Item Response Theory

Maneeratsami  Pattanasombutsook, PhD.

Boromarajonani College of Nursing, Yala, Thailand.

Classical test theory (CTT) and Item Response Theory (IRT) are widely used as statistical measurement frameworks. CTT is approximately 100 years old, and still remains commonly used because it is appropriate for certain situations. Although CTT has served the measurement community for most of this century, IRT has witnessed an exponential growth in recent decades. IRT is generally claimed as an improvement over CTT.

Classical Test theory (CTT)

          CTT is a theory about test scores that introduces three concepts - test score (observed score), true score, and error score. A simple linear model is postulated linking the three concepts as the basic formulation as follow:

            O (observed score)  =  T (true score) + E (random error)

            The assumptions in CTT model are that

            (1) true scores and error scores are uncorrelated, 

            (2) the average error score in the population of respondent is zero, and

            (3) error scores on parallel tests are uncorrelated.

            CTT is assumed that measurements are not perfect. The observed score for each person may differ from their true ability because the true score influenced by some degree of error. All potential sources of variation existing in the process of testing either external conditions or internal conditions of person are assumed to have an effect as random error. It is also assumed that random error found in observed scores are normally distributed and uncorrelated with the true scores. As this equation, minimizing the error score and reducing the difference between observed and true scores is desirable to yield more true score answers.

            The CTT models have linked test scores to true scores rather than item scores to true scores. Scores obtained from CTT applications are entirely test dependent. In addition, the two statistics (item difficulty and item discrimination) are entirely dependent on the respondent sample taken the test, as well as reliability estimates are dependent upon test scores from beta samples.

  
            Advantage and implication of CTT

            The main advantage of CTT is its relatively weak theoretical assumptions, which make CTT easy to meet real data and modest sample size, and apply in many testing situations. CTT is useful for assessing the difficulty and discrimination of items, and the precision with which scores are measured by an examination.

            In application, the main purpose of CTT within psychometric testing is to recognise and develop the reliability of psychological tests and assessments.

            1) True scores in the population are assumed to be measured at the interval level and normally distributed.

            2) Classical tests are built for the average respondents, and do not measure high or low respondents very well.

            3) Statistics about test items depend on the respondent sample being representative of population. It can only be confidently generalized to the population from which the sample was drawn. As well as generalization beyond that setting must be careful consideration.

            4) The test becomes longer, the more reliability.

            5) Researcher should not rely on previous reliability estimates of previous study. It is suggested to estimate internal consistency for every study using the sample obtained because estimates are sample dependent.

            Read more about CTT as this link 

Item Response Theory (IRT)

            The item response theory (IRT) refers to a family of mathematical models that establishes a link between the properties of items on an instrument, individuals responding to these items, and the underlying trait being measured. IRT assumes that the latent construct (e.g. stress, knowledge, attitudes) and items of a measure are organized in an unobservable continuum. It focuses on establishing the individual’s position on that continuum. IRT models can be divided into two families: unidimensional and multidimensional. There are a number of IRT models varying in the number of parameters (one, two and three-parameter models), and non-parametric (Mokken scale).

            IRT Assumptions

            The purpose of IRT is to provide a framework for evaluating how well assessments work, and how well individual items on assessments work. 

            1) Monotonicity – The assumption indicates that as the trait level is increasing, the probability of a correct response also increases.

            2) Unidimensionality – The model assumes that there is one dominant latent trait being measured and that this trait is the driving force for the responses observed for each item in the measure.

            3) Local Independence – Responses given to the separate items in a test are mutually independent given a certain level of ability.

            4) Invariance – It is allowed to estimate the item parameters from any position on the item response curve. Accordingly, we can estimate the parameters of an item from any group of subjects who have answered the item.

            Each item on a test has its own characteristic curve that describes the probability of getting each item right or wrong given the ability of the person.
            Item Response Function (IRF)

            IRF is the relation between the respondent differences on a construct and the probability of endorsing an item. The response of a person to an item can be modeled by a mathematical item response function (IRF).
            Item Characteristic Curve (ICC)

            IRFs can be converted into Item Characteristic Curve (ICC) which is graphic functions that represent the respondent ability as a function of the probability of endorsing the item. Depending on the IRT model used, these curves indicate which items are more difficult and which items are better discriminators of the attribute.

 Item Information Function (IIF)

            Each IRF can be transformed into an IIF. The information is an index representing the item's ability to differentiate among individuals.

            Discrimination - height of the information (tall and narrow IIFs- large discrimination, short and wide IIFs - low discrimination)
            Test Information Function

            We can judge the test as a whole and see at which part of the trait range it is working the best.

            The IRT mathematical model is defined by item parameters. Parameters on which items are characterized include their difficulty (b), discrimination (a), and a pseudoguessing parameter (c).

            -Location (b): location on the difficulty range

            "b" is the item difficulty that determines the location of the IRF, an index of what level of respondents for which the item is appropriate; typically ranges from -3 to +3, with 0 being an average respondent level.

            -Discrimination (a): slope or correlation

            "a" is the item's discrimination that determines the steepness of the IRF, an index of how well the item differentiates low from top respondents; typically ranges from 0 to 2, where higher is better.

            -Guessing (c)

            "c" is a lower asymptote parameter for the IRF, typically is focus on 1/k where k is the number of options. The inclusion of a "c" parameter suggests that respondents with low trait level may still have a small probability of endorsing an item.

            -Upper asymptote (d)           

            "d" is an upper asymptote parameter for the IRF. The inclusion of a "d" parameter suggests that respondents very high on the latent trait are not guaranteed to endorse the item.

            Advantages and Disadvantages of IRT

            IRT provides flexibility in situations where different sample or test forms are used. As IRT model’s unit of analysis is the item, they can be used to compare items from different measures provided that they are measuring the same latent construct. Moreover, they can be used in differential item functioning, in order to assess why items that are calibrated and test, still behave differently among groups. Thus, that is allowed IRT findings are foundation for computerized adaptive testing.

IRT models are generally not sample- or test-dependents.           

            However, IRT are strict assumptions, typically require large sample size (minimum 200; 1000 for complex models), more difficult to use than CTT: IRT scoring generally requires relatively complex estimation procedures, computer programs not readily available and models are complex and difficult to understand.       

ภาวะเสี่ยงในหญิงตั้งครรภ์ (High Risk Pregnancy)

การประเมินภาวะเสี่ยงในหญิงตั้งครรภ์

ดร.มณีรัศมิ์  พัฒนสมบัติสุข

วิทยาลัยพยาบาลบรมราชชนนี ยะลา

       High risk pregnancy หมายถึง การตั้งครรภ์ซึ่งทำให้มารดาและทารกในครรภ์มีอันตราย หรือมีโอกาสเสี่ยงตายสูงขึ้น ทั้งในระยะตั้งครรภ์ ระยะคลอดและระยะหลังคลอด ตลอดจนการคลอดที่ผิดปกติและส่งผลต่อสุขภาพและความพิการของทารกในระยะต่อมาด้วย

           เป้าหมายของการประเมินภาวะเสี่ยง

1. ลดภาวะแทรกซ้อนของมารดาและทารก

2. ลดอัตราตายของมารดาและทารก

ปัจจัยเสี่ยงในหญิงตั้งครรภ์สามารถแบ่งออกได้เป็น 3 ประเภทใหญ่ ได้แก่

1. ปัจจัยเสี่ยงทางชีวภาพ เช่น อายุ จำนวนครั้งของการตั้งครรภ์และการคลอด ส่วนสูงของมารดา น้ำหนักของมารดา

2. ปัจจัยเสี่ยงทางสังคม เช่น ระดับการศึกษา ฐานะทางเศรษฐกิจ ความเชื่อที่มีผลต่อสุขภาพ

3. ปัจจัยเสี่ยงทางด้านสุขภาพของมารดา เช่น โรคเบาหวาน ความดันโลหิตสูง ซีด ประวัติคลอดก่อนกำหนด ประวัติคลอดยาก ประวัติทารกตายในครรภ์

       โดยทั่วไปแล้วเมื่อหญิงตั้งครรภ์มาฝากครรภ์ จะประเมินความเสี่ยงตามเกณฑ์คัดกรองเบื้องต้นในสมุดฝากครรภ์สีชมพู 

โดยทั่วไปจะใช้เกณฑ์ประเมินภาวะเสี่ยงในสมุดฝากครรภ์สีชมพู ดังนี้

รายการความเสี่ยง	ไม่มี	มี
ประวัติอดีต
1. เคยมีทารกตายในครรภ์หรือเสียชีวิตภายใน 1 เดือนแรกเกิด
2. เคยแท้ง ³ 3 ครั้งติดต่อกัน
3. เคยคลอดบุตร นน. < 2500 gm หรือคลอดเมื่ออายุครรภ์ <  37 สัปดาห์
4. เคยคลอดบุตร นน. > 4000 gm
5. เคยเข้ารับการรักษาความดันโลหิตสูงระหว่างการตั้งครรภ์หรือครรภ์เป็นพิษ
6. เคยผ่าตัดคลอดหรือเคยผ่าตัดอวัยวะในระบบสืบพันธุ์ เช่น เนื้องอกมดลูก ผูกปากมดลูก

รายการความเสี่ยง	ครั้งที่ 1		ครั้งที่ 1		ครั้งที่ 1		ครั้งที่ 1		ครั้งที่ 1
	ไม่มี	มี	ไม่มี	มี	ไม่มี	มี	ไม่มี	มี	ไม่มี	มี
ประวัติปัจจุบัน
7. ครรภ์แฝด
8. อายุ < 17 ปี (นับถึง EDC)
9. อายุ ³ 35 ปี (นับถึง EDC)
10. Rh negative
11. มีเลือดออกทางช่องคลอด
12. มีก้อนในอุ้งเชิงกราน
13. ความดัน Diastolic ³ 90 mmHg
14. BMI < 18.5 kg/m2
ประวัติทางอายุรกรรม
15. โลหิตจาง
16. เบาหวาน
17. โรคไต
18. โรคหัวใจ
19. ติดยาเสพติด ติดสุรา สูบบุหรี่ คนใกล้ชิดสูบบุหรี่
20. โรคทางอายุรกรรมอื่นๆ เช่น ไทรอยด์ SLE ฯลฯ
21. อื่นๆ ระบุ......................................

หากพบความเสี่ยงในข้อใดข้อหนึ่ง ให้ส่งต่อเพื่อได้รับการดูแลหรือประเมินเพิ่มเติมโดยสูติแพทย์

การประเมินภาวะเสี่ยงของหญิงตั้งครรภ์ แบ่งออกเป็น 3 ระดับ

ความเสี่ยงน้อย	ความเสี่ยงปานกลาง	ความเสี่ยงมาก
-อายุ < 17 ปี (นับถึง EDC) -อายุ ³ 35 ปี (นับถึง EDC) -น้ำหนักก่อนตั้งครรภ์ < 45 kg หรือ BMI < 19.8 kg/m2 -อ้วนหรือ BMI > 29 kg/m2 -ตั้งครรภ์ ³ 3 ครั้ง -เคยมีทารกตายในครรภ์หรือเสียชีวิตภายใน 1 เดือนแรกเกิด -เคยคลอดบุตร นน. < 2500 gm -เคยคลอดบุตร นน. > 4000 gm -เคยเข้ารับการรักษาความดันโลหิตสูงระหว่างการตั้งครรภ์ -เคยผ่าตัดคลอดบุตรหรือเคยผ่าตัดอวัยวะในระบบสืบพันธุ์ -ติดบุหรี่ สุรา ยาเสพติด -มีเลือดออกทางช่องคลอด -ค่า Hb ต่ำกว่าเกณฑ์เมื่อมาฝากครรภ์ครั้งแรก (ไตรมาสแรก < 11 g/dl, ไตรมาสที่สอง < 10.5 g/dl, ไตรมาสที่สาม < 11 g/dl) -ขนาดมดลูกไม่สัมพันธ์กับอายุครรภ์ (อายุครรภ์และขนาดมดลูกที่วัดเป็นเซนติเมตรแตกต่างกัน ³ 3) -น้ำหนักขึ้นน้อยกว่า 1 กก./เดือน -ทารกอยู่ในท่าผิดปกติ ตั้งแต่อายุครรภ์ 34 สัปดาห์ขึ้นไป -ตั้งครรภ์เกิน 40 สัปดาห์	-โรคทางอายุรกรรม เช่น โลหิตจาง ไทรอยด์ SLE ติดเชื้อ HIV เบาหวาน -ป่วยทางจิต -ความดัน Diastolic ³ 90 mmHg -มีก้อนในอุ้งเชิงกราน -เคยแท้งติดต่อกัน ³ 3 ครั้ง -มีประวัติคลอดก่อนกำหนด -Rh negative -ทารกดิ้นน้อยกว่า 10 ครั้ง/วัน เมื่ออายุครรภ์ ตั้งแต่ 32 สัปดาห์ขึ้นไป	-โรคหัวใจ -โรคไต -ครรภ์แฝด

แนวทางการดูแลหญิงตั้งครรภ์เมื่อมาฝากครรภ์ครั้งแรก

          ในการฝากครรภ์ครั้งแรก ควรให้การดูแลหญิงตั้งครรภ์ ดังนี้

1. ตรวจร่างกายทั่วไป ชั่งน้ำหนัก วัดส่วนสูง คำนวณ BMI วัดความดันโลหิต

2. ซักประวัติทั่วไป ประวัติทางสูติกรรม และอื่นๆ เพื่อเป็นข้อมูลพื้นฐาน

3. ยืนยันการตั้งครรภ์ (ซักประวัติ ตรวจร่างกาย ตรวจปัสสาวะ ตรวจภายใน)

4. คัดกรองภาวะเสี่ยงตามเกณฑ์ประเมินภาวะเสี่ยงในหญิงตั้งครรภ์

5. ตรวจครรภ์ ประเมินอายุครรภ์ (ประเมินอายุครรภ์เทียบกับความสูงของมดลูก และเทียบกับกราฟความสูงของมดลูกในสมุดฝากครรภ์) ท่าของทารกในครรภ์ และฟังเสียงหัวใจทารก

6. การตรวจภายใน เพื่อตรวจหาความผิดปกติ และการติดเชื้อในช่องคลอด
7. ให้คำปรึกษาก่อนตรวจเลือด

8. การตรวจทางห้องปฏิบัติการ

   8.1) การตรวจปัสสาวะ (Multiple dipstick test) : Nitrite, Leucocyte, Proteinuria, Glucosuria และ UA

   8.2) การตรวจเลือด CBC, VDRL, HIV Ab, HBsAg, Blood group (ABO, Rh), คัดกรองธาลัสซีเมีย (OF, DCIP)

9. หากประเมินแล้วพบความเสี่ยงหรือความผิดปกติ ต้องส่งต่อหรือส่งพบแพทย์ทุกราย

10. ดูแลให้ได้รับ dT toxoid ตามเกณฑ์

11. ดูแลให้ได้รับวิตามินและยาบำรุงเลือดตามแผนการรักษา

12. ให้ความรู้เกี่ยวกับการปฏิบัติตัวในขณะตั้งครรภ์และอาการที่ต้องมารพ.ก่อนวันนัดครั้งต่อไป

13. นัดฝากครรภ์ครั้งต่อไปตามเกณฑ์ แต่หากหญิงตั้งครรภ์มีภาวะเสี่ยงหรือมีภาวะผิดปกติ จะนัดฝากครรภ์เร็วกว่าเกณฑ์ที่กำหนดไว้

ครั้งที่	ช่วงอายุครรภ์
1	£ 12 wks
2	16-20 wks
3	24-28 wks
4	30-34 wks
5	36-40 wks

แนวทางการดูแลหญิงตั้งครรภ์ที่มีความเสี่ยง

1. อายุน้อยกว่า 17 ปี (นับถึง EDC)

          -ประเมินภาวะเสี่ยงในเรื่องโลหิตจาง ความดันโลหิตสูง การคลอดก่อนกำหนด

          -ดูแลองค์รวมในเรื่องสภาพของจิตใจ สังคม ครอบครัว และความพร้อมในการตั้งครรภ์-เลี้ยงดูบุตร ควรให้พบนักจิตวิทยาหรือผู้ที่ผ่านการอบรมการดูแลหญิงตั้งครรภ์วัยรุ่นทุกราย

2. อายุมากกว่า 35 ปี (นับถึง EDC)

          -ประเมินอายุครรภ์ที่แน่นอน และควรส่งพบแพทย์ก่อนอายุ 15 สัปดาห์ เพื่อให้คำปรึกษาเรื่องการตรวจวินิจฉัยก่อนคลอด (Prenatal diagnosis)

          -ส่งพบแพทย์เมื่ออายุครรภ์ 18-22 สป. และ 30-32 สป. เพื่อ ultrasound

          -เฝ้าระวังภาวะความดันโลหิตสูง

          -คัดกรองเบาหวานเมื่ออายุครรภ์ 24-28 สัปดาห์

3. น้ำหนักก่อนตั้งครรภ์น้อยกว่า 45 kg หรือ BMI < 19.8 g/m²

          -ประเมินอายุครรภ์ที่แน่นอน

          -ส่งพบแพทย์เมื่ออายุครรภ์ 18-22 สป. และ 30-32 สป. เพื่อ ultrasound

          -ประเมินขนาดมดลูกกับอายุครรภ์ทุกครั้งที่มาฝากครรภ์ หาก size < date

(หากแตกต่างกัน ³ 3 ให้ส่งพบแพทย์ หากแตกต่างกัน £ 3 ให้แนะนำเรื่องของอาหาร การพักผ่อน การรับประทานยาเสริมธาตุเหล็ก และนัดมาฝากครรภ์ทุก 2-4 สัปดาห์เพื่อติดตามการเพิ่มขึ้นของน้ำหนักตัวหญิงตั้งครรภ์ การเจริญเติบโตและสุขภาพของทารกในครรภ์)

4. อ้วน หรือ BMI > 29 g/m²

          -ประเมินอายุครรภ์ที่แน่นอน

          -ส่งพบแพทย์เมื่ออายุครรภ์ 18-22 สป. และ 37 สป. เพื่อ ultrasound

          -คัดกรองเบาหวานเมื่ออายุครรภ์ 24-28 สัปดาห์

          -แนะนำการรับประทานอาหาร การออกกำลังกาย

-น้ำหนักตลอดการตั้งครรภ์ควรขึ้น 5-9 กก. (ไม่ควรเกิน 1 กก./เดือน)

5. มีเลือดออกทางช่องคลอด

          -ส่งพบแพทย์เพื่อหาสาเหตุ

6. เคยคลอดบุตรน้ำหนัก < 2,500 gms

          -ซักประวัติเพิ่มเติมถึงอายุครรภ์ที่คลอด และภาวะแทรกซ้อนในขณะตั้งครรภ์

          -ประเมินอายุครรภ์ที่แน่นอน

-ประเมินขนาดของมดลูกกับอายุครรภ์ทุกครั้ง หากพบว่าไม่สัมพันธ์กัน ให้ส่งพบแพทย์

-แนะนำการรับประทานอาหาร การพักผ่อน การรับประทานยาเสริมธาตุเหล็ก

7. เคยคลอดบุตรน้ำหนัก > 4,000 gms

          -ประเมินอายุครรภ์ที่แน่นอน

          -คัดกรองเบาหวาน

-ประเมินขนาดของมดลูกกับอายุครรภ์ทุกครั้ง หากพบว่าไม่สัมพันธ์กัน ให้ส่งพบแพทย์

-แนะนำการรับประทานอาหาร การพักผ่อน การออกกำลังกาย

8. มีประวัติทารกตายในครรภ์หรือเสียชีวิตภายใน 1 เดือนแรกเกิด

          -ซักประวัติเพิ่มเติมถึงสาเหตุการเสียชีวิตของทารก และอายุครรภ์ที่ทารกเสียชีวิต

          -คัดกรองเบาหวาน

9. เคยมีประวัติความดันโลหิตสูงระหว่างตั้งครรภ์

          -วัดความดันโลหิตแล้วพบว่า ³ 130/90 mmHg ให้หญิงตั้งครรภ์นั่งพักแล้ววัดซ้ำ หาก ³ 140/90 mmHg ส่งพบแพทย์ หาก £ 130/90 mmHg แนะนำการพักผ่อน การสังเกตอาการผิดปกติ

          -ตรวจปัสสาวะดูโปรตีนและน้ำตาลทุกครั้ง หาก albumin > 1+ ส่งพบแพทย์

10. เคยผ่าตัดคลอด

-ประเมินอายุครรภ์ที่แน่นอน

-ส่งพบแพทย์เมื่ออายุครรภ์ 34-36 สัปดาห์ เพื่อนัดผ่าตัดคลอด

11. การใช้สารเสพติด ติดสุรา บุหรี่

-ประเมินอายุครรภ์ที่แน่นอน

-ประเมินขนาดของมดลูกกับอายุครรภ์ทุกครั้ง หากพบว่าไม่สัมพันธ์กัน ให้ส่งพบแพทย์

-เฝ้าระวังการคลอดก่อนกำหนด

12. ค่า Hb ต่ำกว่าเกณฑ์ (ไตรมาสแรก < 11 g/dl, ไตรมาสที่สอง < 10.5 g/dl, ไตรมาสที่สาม < 11 g/dl)

          -ซักประวัติเพื่อหาสาเหตุ

          ถ้าผล Hb < 10 g/dl ส่งพบแพทย์ ถ้า Hb 10.0-10.9 g/dl นัดฝากครรภ์ตามปกติ แต่ให้ยาบำรุงเลือดเพิ่มขึ้น

          -นัดตรวจ CBC 1 เดือน

13. มีประวัติโรคอายุรกรรมอื่นๆ เช่น เบาหวาน ความดันโลหิตสูง หัวใจ โรคไต ไทรอยด์ SLE ฯลฯ และป่วยทางจิต

          -ประเมินอาการและส่งพบแพทย์ทุกราย