FORECASTING THE NUMBER OF HIGH BLOOD PRESSURE INCIDENTS IN PATHUM THANI PROVINCE
Article Sidebar
Main Article Content
Abstract
Hypertension is a leading vascular disease in Thailand, often resulting in severe complications and fatalities, such as heart failure and stroke, when timely treatment is not provided. To address this, the Department of Disease Control employs disease forecasting as part of its strategy to predict the number of potential hypertension cases. This forecasting aids in the development of preventive measures and health promotion activities, aiming to reduce the disease burden over time. In this study, time series analysis using the Box-Jenkins method was utilized for forecasting. The analysis was based on secondary data of hypertension patients from the fiscal years 2017 to 2023, covering the period from January 2017 to December 2022—a total of 72 months. Monthly patient numbers for 2023 were forecasted and subsequently compared with actual data from January to September 2023. The forecasting model was constructed using the Box-Jenkins ARIMA(p,d,q)(P,D,Q)m method, implemented through the auto.arima() function from the forecast package in the snowCluster module of the jamovi program.
The study found that the ARIMA (2,1,1)(2,0,0)12 time series model closely matched the actual data. The mean absolute percentage error (MAPE) over the 72 months from 2017 to 2022 was 11.02%. When comparing the forecasted values for the 12 months of 2023 with the actual data from January to September 2023, the MAPE over these 9 months was 8.86%, indicating a high level of forecast accuracy. This finding is consistent with a study in Ghana that used time series analysis to forecast hypertension cases. However, the results have limitations, as other factors such as dietary behaviors and living conditions of the population were not included in the analysis. Future studies should compare this method with others to improve the credibility of the results.
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.