การพยากรณ์จำนวนผู้ป่วยในในกลุ่มโรคฝุ่นจับปอด: กรณีศึกษาโรงพยาบาลในจังหวัดเชียงใหม่
คำสำคัญ:
การพยากรณ์, ผู้ป่วยใน, โรคฝุ่นจับปอดบทคัดย่อ
โรงพยาบาลในจังหวัดเชียงใหม่แห่งหนึ่งมีสถิติจำนวนผู้ป่วยในในกลุ่มโรคฝุ่นจับปอดรายเดือน ตั้งแต่ปีงบประมาณ 2558 จนถึงเดือนกันยายน 2566 เดือนละมากกว่า 4,000 คน ซึ่งเป็นข้อมูลอนุกรมเวลาที่มีส่วนประกอบของฤดูกาลและแนวโน้มเพิ่มขึ้น การวิจัยนี้มีวัตถุประสงค์เพื่อทำการพยากรณ์ด้วยการแยกตัวประกอบแบบดั้งเดิมแบบจำลองการคูณที่คำนวณดัชนีฤดูกาลด้วยวิธีอัตราส่วนต่อการเฉลี่ยเคลื่อนที่ (classical decomposition ratio to moving average: CDRMA) และวิธีบ็อกซ์และเจนกินส์แบบจำลอง seasonal autoregressive integrated moving average (SARIMA) กับการพยากรณ์ผสมทฤษฎีแบบจำลองเกรย์กับดัชนีฤดูกาล โดยใช้แบบจำลองเกรย์พยากรณ์จำนวนผู้ป่วยในรายปีที่มีค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์ (mean absolute percentage error: MAPE) น้อยที่สุดแล้วแจกแจงค่าพยากรณ์รายเดือนด้วยดัชนีฤดูกาลวิธีค่าเฉลี่ยอย่างง่าย (GSA) กับวิธีอัตราส่วนต่อการเฉลี่ยเคลื่อนที่ (GRMA) โดยใช้ข้อมูลจำนวนผู้ป่วยในรายเดือนที่รวบรวมจากระบบรายงานข้อมูล CMI ที่พัฒนาโปรแกรมภายใต้สังกัดสำนักงานสาธารณสุขจังหวัดเชียงใหม่ ระหว่างปีงบประมาณ 2557 - 2566 ผลการศึกษาพบว่า แบบจำลองที่เหมาะสมคือ ARIMA(1,1,1)(0,1,1)₁₂ ซึ่งมีค่า MAPE จากอดีต 96 เดือน ร้อยละ 4.44 ต่ำกว่าแบบจำลอง CDRMA ที่มี MAPE ร้อยละ 5.39 ส่วนการพยากรณ์แบบผสมตัวแบบเกรย์จากการพยากรณ์รายปีที่เหมาะสมคือ GM(1,1) Error Periodic Correction มีค่า MAPE ร้อยละ 1.18 เมื่อนำมาแจกแจงเป็นค่าพยากรณ์รายเดือนของปี 2566 แล้วเปรียบเทียบค่า MAPE 9 เดือนที่เทียบกับข้อมูลจริง พบว่าแบบจำลอง GRMA และ GSA มีค่า MAPE ร้อยละ 4.88 และ 4.05 ตามลำดับ เนื่องจากข้อมูลมีส่วนประกอบฤดูกาลและมีแนวโน้มเพิ่มขึ้น จึงเลือกแบบจำลอง GRMA การตรวจสอบความแม่นยำของการพยากรณ์ได้จากรายงานสถิติสาธารณสุขของจังหวัดเชียงใหม่ รายงานที่ 178 ต้นปี 2567 พบว่ามีจำนวน 56,937 ราย ซึ่งวิธี GRMA ที่พยากรณ์ด้วย GM(1,1)EPC สูงกว่าค่าจริงร้อยละ 2.05
Downloads
เอกสารอ้างอิง
Qi XM, Luo Y, Song MY, Liu Y, Shu T, Liu Y, et al. Pneumoconiosis: current status and future prospects. Chin Med J 2021;134(8):898–907.
วิวัฒน์ เอกบูรณวัฒน์. คู่มือการลงรหัส ICD-10 สำหรับโรคจากการประกอบอาชีพ. ชลบุรี: สัมมาอาชีวะ; 2554.
ทีมพัฒนาสารสนเทศ เขตบริการสุขภาพที่ 1. รายงานอัตราในปอด 2557-2566 [อินเทอร์เน็ต]. 2567 [สืบค้นเมื่อ 30 ต.ค. 2567]. แหล่งข้อมูล: https://cmi.ciorh1.com/web/index.php?r=report%2Fpdx&co_thip_ new=178&chwcode=50&year=2023
กระทรวงสาธารณสุข HDC v4.0. อัตราป่วยโรคระบบทางเดินหายใจ เขตสุขภาพที่ 1 จังหวัดเชียงใหม่ โรงพยาบาลนครพิงค์ ปี 2556 ถึง 2566 [อินเทอร์เน็ต]. 2567 [สืบค้นเมื่อ 30 ต.ค. 2567]. แหล่งข้อมูล: https://hdcservice.moph.go.th/hdc/reports/report.php?cat_id=f16421e617aed29602f9f09d951 cce68&id=4408d6d11a1efac662b6fd9e83594cea
Lou HR, Wang X, Gao Y, Zeng Q. Comparison of ARIMA model, DNN model and LSTM model in predicting disease burden of occupational pneumoconiosis in Tianjin, China. BMC Public Health 2022;22(1):2167.
Li Z, Li Y. A comparative study on the prediction of the BP artificial neural network model and the ARIMA model in the incidence of AIDS. BMC Med Inform Decis Mak 2020;20(1):143.
Wang Y, Xu C, Yao S, Zhao Y. Forecasting the epidemiological trends of COVID-19 prevalence and mortality using the advanced alpha-Sutte Indicator. Epidemiol Infect 2020;148:e236.
Adeyinka DA, Muhajarine N. Time series prediction of under-five mortality rates for Nigeria: comparative analysis of artificial neural networks, Holt-Winters exponential smoothing and autoregressive integrated moving average models. BMC Med Res Methodol 2020;20(1): 292.
Ceylan Z. Estimation of COVID-19 prevalence in Italy, Spain, and France. Sci Total Environ 2020;729:138817.
Zhang L, Hong T, Miao H. Grey system analysis in the field of medicine and health. Grey Systems 2019;9(2): 251-8.
Zhou D, Zhu D, Li N, Han B. Exploration of Three Incidence Trend Prediction Models Based on the Number of Diagnosed Pneumoconiosis Cases in China From 2000 to 2019. J Occup Environ Med 2021;63(7):e440-44.
Liu S, Lin Y. Grey systems theory and application. Berlin: Springer; 2010.
โรงพยาบาลนครพิงค์. ประวัติโรงพยาบาล [อินเทอร์เน็ต]. 2567 [สืบค้นเมื่อ 30 ต.ค. 2567]. แหล่งข้อมูล: https://www.nkp-hospital.go.th/th/history.php
Microsoft. Support >> Excel functions (by category) [Internet]. 2023 [cited 2023 Oct 20]. Available from: https://support.microsoft.com/en-us/office/excel-functions-by-category-5f91f4e9-7b42-46d2-9bd1-63f26a86c0eb
Excel Easy. Line chart [Internet]. 2023 [cited 2023 Oct 20]. Available from: https://www.exceleasy.com/examples/trendline.html
The R Foundation. The R project for statistical computing [Internet]. 2023 [cited 2023 Oct 20]. Available from: https://www.r-project.org/
Hyndman R, Athanasopoulos G, Bergmeir C, Caceres G, Chhay L, Kuroptev K, et al. Methods and tools for displaying and analysing univariate time series forecasts including exponential smoothing via state space models and automatic ARIMA modelling [Internet]. 2023 [cited 2023 Oct 20]. Available from: https://cran.rproject.org/web/packages/forecast/index.html
Vision Academy. Measurement of seasonal indices using ratio to moving average method for monthly data [Internet]. 2021 [cited 2023 Oct 20]. Available from: https://www.youtube.com /watch?v=dqGUvOWT_14
Srivastava M. University of Lucknow - methods of time series [Internet]. 2023 [cited 2023 Oct 20]. Available from: https://www.lkouniv.ac.in/site/writereaddata/siteContent/ 202003291612342405mukeshsrivastava_businessstastics3.pdf
Shweta. Towards data science - part 1: average and smoothing models [Internet]. 2021 [cited 2023 Oct 20]. Available from: https://towardsdatasci ence.com/introduction-to-time-series-forecasting-part-1-average-and-smoothing-models-a739d832315
Hyndman RJ, Athanasopoulos G. Forecasting: principles and practice. 2nd edition. Melbourne: OTexts; 2018.
Shweta. Towards data science - introduction to time series forecasting — part 2 (ARIMA Models) [Internet]. 2021[cited 2023 Oct 20]. Available from: https://towardsdatascience.com/ introduction-to-time-series-forecasting-part-2-arima-models-9f47bf0f476b
CRAN. Package forecast. forecast: forecasting functions for time series and linear models [Internet]. 2023 [cited 2023 Oct 20]. Available from: https://cran.r-project.org/web/packages/ forecast/index.html
Cobb B. Deseasonalized data with a centered moving average [Internet]. 2020 [cited 2023 Oct 20]. Available from: https://www.youtube.com/watch?v=lCGw53-tlRw
Emmanuel J. Calculating seasonal indexes (without trend) in Excel | Forecasting [Internet]. 2021 [cited 2023 Oct 20]. Available from: https://www.youtube.com/watch?v=5foKJgA7mWw
Andrés D. Machine learning pills: error metrics for time series forecasting [Internet]. 2023 [cited 2023 Oct 20]. Available from: https://mlpills.dev/time-series/error-metrics-for-time-series-forecasting/
Lewis CD. Industrial and business forecasting methods. London: Butterworths; 1982.
Indeed Editorial Team. Quantitative forecasting vs. qualitative forecasting [Internet]. 2022 [cited 2023 Oct 20]. Available from: https://www.indeed.com/career-advice/career-development/quantitative-vs-qualitative-forecasting-pros-and-cons
Lou J, Li Y, Wang H, Zhang X, Chen Y. Forecasting the burden of pneumoconiosis using ARIMA, deep neural networks and LSTM models in China. BMC Public Health 2022;22:1456.
Indeed Editorial Team. Quantitative forecasting vs. qualitative forecasting [Internet]. 2022 [cited 2023 Oct 20]. Available from: https://www.indeed.com/career-advice/career-development/quantitative-vs-qualitative-forecasting-pros-and-cons
ดาวน์โหลด
เผยแพร่แล้ว
วิธีการอ้างอิง
ฉบับ
บท
การอนุญาต
ลิขสิทธิ์ (c) 2026 กระทรวงสาธารณสุข
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
