การพยากรณ์จำนวนผู้ป่วยโรคความดันโลหิตสูงรายใหม่ จังหวัดปทุมธานี
Article Sidebar
Main Article Content
บทคัดย่อ
ในประเทศไทย โรคความดันโลหิตสูงเป็นโรคในกลุ่มหลอดเลือดที่เป็นสาเหตุของความเจ็บป่วยด้วยภาวะแทรกซ้อนมากที่สุดและทำให้ผู้ป่วยที่ได้ได้รับการรักษาอย่างทันท่วงทีเสียชีวิต เช่น ภาวะหัวใจล้มเหลว เส้นเลือดในสมองแตก เป็นต้น การพยากรณ์โรคเป็นมาตรการหนึ่งในแผนยุทธศาสตร์ของกรมควบคุมโรคที่ใช้คาดการณ์จำนวนผู้ป่วยที่จะเกิดขึ้นเพื่อนำไปสู่การวางแผนป้องกันด้วยการกำหนดมาตรการหรือนโยบายในรูปของกิจกรรมโครงการเพื่อสร้างเสริมสุขภาพให้เหมาะสมกับจำนวนผู้ป่วยเพื่อลดจำนวนผู้ป่วยในระยะยาว โดยการใช้เทคนิคการพยากรณ์หรือการวิเคราะห์อนุกรมเวลา วิธีบ็อกซ์-เจนกินส์ (Box-Jenkins method) ข้อมูลที่ใช้ในการพยากรณ์ คือ ข้อมูลทุติยภูมิผู้ป่วยโรคความดันโลหิตสูง ปีงบประมาณ 2560 - 2566 เป็นข้อมูลเดือนมกราคม 2560 ถึงธันวาคม 2565 จำนวน 72 เดือน ใช้พยากรณ์จำนวนผู้ป่วยรายเดือน พ.ศ. 2566 เปรียบเทียบกับข้อมูลจริงเดือนมกราคม ถึง กันยายน 2566 การสร้างแบบจำลองตามวิธีการบอกซ์และเจนกินส์ ARIMA(p,d,q)(P,D,Q)m ด้วยฟังก์ชั่น auto.arima() ใน packages (forecast) จากโมดูล snowCluster โปรแกรมจาโมวี (jamovi)
ผลการศึกษา พบว่า แบบจำลองอนุกรมเวลา ARIMA(2,1,1)(2,0,0)12 มีค่าความสอดคล้องกับข้อมูลจริง ค่าเฉลี่ยของเปอร์เซ็นต์ความผิดพลาดสัมบูรณ์ (MAPE) ของข้อมูล 72 เดือน ของปี พ.ศ. 2560 ถึง 2565 ร้อยละ 11.02 เมื่อนำค่าพยากรณ์ปี พ.ศ. 2566 12 เดือน เทียบกับข้อมูลจริงปี พ.ศ. 2566 มกราคม ถึง กันยายน 2566 พบว่ามีค่าเฉลี่ยของเปอร์เซ็นต์ความผิดพลาดสัมบูรณ์ เฉลี่ย 9 เดือน เท่ากับร้อยละ 8.86 ซึ่งอยู่ในเกณฑ์ที่ใช้พยากรณ์ได้ดี สอดคล้องกับผลการศึกษาในประเทศกานาที่ได้นำอนุกรมเวลาพยากรณ์จำนวนผู้ป่วยด้วยอนุกรมเวลาใช้ในการพยากรณ์โรคความดันโลหิตสูง แต่อย่างไรก็ตามผลที่ได้ยังข้อมีจำกัดเนื่องจากไม่ได้มีการนำปัจจัยอื่นๆ เช่น พฤติกรรมการบริโภคอาหาร ความเป็นอยู่ของประชากรในพื้นที่ เข้ามาร่วมในการวิเคราะห์ด้วย ในการศึกษาครั้งถัดไปต้องมีการศึกษาเปรียบเทียบร่วมกับวิธีการอื่นเพื่อให้ผลการศึกษามีความน่าเชื่อถือมากขึ้น
Downloads
Article Details
ลิขสิทธิ์บทความวิจัยที่ได้รับการตีพิมพ์เผยแพร่ในวารสารวิจัยและพัฒนา วไลยอลงกรณ์ ในพระบรมราชูปถัมภ์ ถือเป็นกรรมสิทธิ์ของสถาบันวิจัยและพัฒนา มหาวิทยาลัยราชภัฏวไลยอลงกรณ์ ในพระบรมราชูปถัมภ์ ห้ามนำข้อความทั้งหมดหรือบางส่วนไปพิมพ์ซ้ำ เว้นแต่จะได้รับอนุญาตจากมหาวิทยาลัยเป็นลายลักษณ์อักษร
ความรับผิดชอบ เนื้อหาต้นฉบับที่ปรากฏในวารสารวิจัยและพัฒนา วไลยอลงกรณ์ ในพระบรมราชูปถัมภ์ เป็นความรับผิดชอบของผู้นิพนธ์บทความหรือผู้เขียนเอง ทั้งนี้ไม่รวมความผิดพลาดอันเกิดจากเทคนิคการพิมพ์
References
กองโรคไม่ติดต่อ กรมควบคุมโรค กระทรวงสาธารณสุข. ( 2566). อัตราป่วยรายใหม่ของโรคความดันโลหิตสูงต่อแสนประชากรในปีงบประมาณ จังหวัดปทุมธานี ปีงบประมาณ 2560 ถึง 2566. สืบค้นจาก https://hdcservice.moph.go.th/hdc/reports/report.php?&cat_id=6a1fdf282fd28180eed7d1cfe0155e11&id=29eec762c9591d1f8092da14c7462361
เขตสุขภาพที่ 4. (2566). รายงานผลการดำเนินงาน ประจำปีงบประมาณ พ.ศ. 2566 เขตสุขภาพที่ 4. สืบค้นจาก https://rh4.moph.go.th/upload_file_section_r4/j11vNzxORx8YtJMDPvp7
x9ej0r671e.pdf
ธันวา เจริญศิริ, ชนาธิป โสภณพิมล, ดนุสรณ์ ธนะปาละ, และวีระชัย ขันทองคำ. (2558). การพยากรณ์จำนวนผู้ป่วยโรคสุกใสในจังหวัดเชียงใหม่ด้วยวิธีบ็อกซ์-เจนกินส์. บูรพาเวชสาร, 2(2), 41-49.
ประกาศมหาวิทยาลัยมหิดล. (2565). เรื่องแนวปฏิบัติสำหรับโครงการวิจัยที่ไม่เข้าข่ายการวิจัยในคน พ.ศ. 2565. สืบค้นจาก https://sp.mahidol.ac.th/th/LAW/policy/2565-MU-Non-Human.pdf.
สมาคมความดันโลหิตสูงแห่งประเทศไทย. (2562). แนวทางการรักษาโรคความดันโลหิตสูงในเวชปฏิบัติทั่วไป พ.ศ. 2562. กรุงเทพฯ: ทริคธิงค์.
ศูนย์ส่งเสริมจริยธรรมการวิจัย มหาวิทยาลัยมหิดล. (2565). Self-Assessment form whether an activity is human subject research which requires ethical approval. สืบค้นจาก https://sp.mahidol.ac.th/th/ethics-human/forms/checklist/2022-Human%20Research%20Checklist-research.pdf.
วรางคณา กีรติวิบูลย์. (2559). ตัวแบบการพยากรณ์จำนวนผู้ป่วยโรคปอดอักเสบในประเทศไทย. วารสารสาธารณสุขมหาวิทยาลัยบูรพา, 11(1), 24-38.
วรางคณา เรียนสุทธิ์. (2563). การพยากรณ์จำนวนผู้ป่วยโรคเฝ้าระวังในประเทศไทย. Thai Science and Technology Journal, 28(1), 1-13.
วรวิทย์ จุลทะกอง, ถิรวัฒน์ นาคนชม, ประภาวรรณ เสนาเพ็ง, และปิยภัทร บุษบาบดินทร์. (2563). แบบจำลองอัตราผู้ป่วยโรคเบาหวานที่เข้ารักษาในจังหวัดขอนแก่น. The National Undergraduate Conference on Statistics 2019, 14 May 2019, Chiang Mai University, Chiang Mai, Thailand, 11-35.
วิชัย เอกพลากร. (2564). รายงานการสำรวจสุขภาพประชาชนไทยโดยการตรวจร่างกายครั้งที่ 6 พ.ศ. 2562 - 2563. คณะแพทยศาสตร์โรงพยาบาลรามาธิบดี มหาวิทยาลัยมหิดล. กรุงเทพฯ: สำนักพิมพ์อักษรกราฟฟิคแอนด์ดีไซน์.
วัฒนา ชยธวัช. (2563). จาโมวี - โปรแกรมวิเคราะห์ทางสถิติสำเร็จรูปใช้ได้เสรี. วารสารกองทุนพัฒนาสื่อปลอดภัยและสร้างสรรค์, 2(3), 97-122.
Andrés, D. (2023). Machine learning pills: Error metrics for time series forecasting. Retrieved from https://mlpills.dev/time-series/error-metrics-for-time-series-forecasting/
Asante, D.O., Walker, A.N., Seidu, T.A., Kpogo, S.A., & Zou, J. (2022). Hypertension and diabetes in Akatsi South District, Ghana: Modeling and forecasting. Biomed Res Int, 2022
Box, G.E.P., & Jenkins, G.M. (1976). Time series analysis, forecasting and control. San Francisco: Holden-Day.
Hyndman, R.J., Athanasopoulos, G., Bergmeir, C., Caceres, G., Chhay, L., O'Hara-Wild, M., ... & Yasmeen, F. (2024). Forecast: Forecasting functions for time series and linear models (Version 8.22.0) [R package]. Retrieved from https://pkg.robjhyndman.com/forecast
Hyndman, R.J., & Athanasopoulos, G. (2018). Forecasting: principles and practice (2nd ed.). Retrieved from https://otexts.com/fpp2/
Hyndman, R.J., & Khandakar, Y. (2008). Automatic time series forecasting: the forecast package for R. Journal of Statistical Software, 27(3), 1-23.
Lartey, H., Wang, J., Lartey, P.L., Agyei, J., & Aboagye, J.S. (2020). Modeling and prediction of hypertension in Komfo Anokye Teaching Hospital (KATH), Ghana. Global Research. Journal of Public Health and Epidemiology, 8(6), 13-21.
Lewis, C.D. (1982). Industrial and business forecasting methods. London: Butterworths.
Madsen, H. (2008). Time series analysis. London: Chapman & Hall/CRC.
Makridakis S., A. Anderson, R.Fields, MD. Jibon, R. Lewandowski, J. Newton, E. Parzen, & R. Winkler. (1982). The accuracy of extrapolation (time-series) methods: Results of a forecasting competition. Journal of Forecasting, 1(2), 111-153.
MedlinePlus. (2020). High blood pressure. Retrieved from https://medlineplus.gov/highbloodpressure.html#summary.
Meese, R., & Geweke, J. (1982). A comparison of autoregressive univariate forecasting procedures for macroeconomic time series. Unpublished manuscript, University of California, Berkeley.
Mekparyup, J., & Saithanu, K. (2016). A new approach to detect epidemic of dengue hemorrhagic fever by combining ARIMA model and adjusted Tukey's control chart with interpretation rules. Interventional Medicine and Applied Science, 8(3), 118-120.
Osarumwense, O.-I. (2013). Applicability of Box-Jenkins SARIMA model in rainfall forecasting: A case study of Port-Harcourt, South-south Nigeria. Canadian. Journal on Computing in Mathematics, Natural Sciences, Engineering and Medicine, 4(1), 1-4.
Talirongan, F.J.B., Talirongan, H., & Orong, M.Y. (2020). Modeling national trends on health in the Philippines using ARIMA. Journal of Health & Medical Informatics, 11(1), 1-6. https://doi.org/10.37421/jhmi.2020.11.342
The jamovi project. (2022). jamovi (Version 2.3)[Computer software]. Retrieved from https://www.jamovi.org
R Core Team. (2021). R: A language and environment for statistical computing (Version 4.1) [Computer software]. Retrieved from https://cran.r-project.org
Seol, H. (2023). snowCluster: Multivariate analysis (Version 7.1.7) [jamovi module]. Retrieved from https://github.com/hyunsooseol/snowCluster
Tseng, Y.-J., & Shih, Y.-L. (2020). Developing epidemic forecasting models to assist disease surveillance for influenza with electronic health records. International Journal of Computers and Applications, 42(6), 616-621.