การพยากรณ์อนุกรมเวลาและการประยุกต์ในทางเภสัชกรรม
Article Sidebar
Main Article Content
บทคัดย่อ
การพยากรณ์เป็นการคาดการณ์เหตุการณ์ที่จะเกิดขึ้นในอนาคต ซึ่งมีความสำคัญและถูกนำมาใช้ในการวางแผนอย่างมีประสิทธิภาพ การพยากรณ์เชิงปริมาณจากการวิเคราะห์ข้อมูลในอดีตที่นิยมใช้มากคือการพยากรณ์ด้วยข้อมูลอนุกรมเวลา อนุกรมเวลาคือชุดข้อมูลที่ได้จากการสังเกตหรือเก็บเรียงตามลำดับเวลา การพยากรณ์อนุกรมเวลาเป็นกระบวนการพยากรณ์ค่าของข้อมูลอนุกรมเวลาที่จะเกิดขึ้นในอนาคตจากการสังเกตที่ผ่านมา ข้อมูลอนุกรมเวลาประกอบด้วยส่วนต่างๆ ได้แก่ แนวโน้ม (Trend), ฤดูกาล (Seasonal), วัฏจักร (Cyclic) และ สิ่งรบกวน (Noise) ขั้นตอนการพัฒนาแบบจำลองในการพยากรณ์อนุกรมเวลามักใช้ขั้นตอนมาตรฐานตามหลักการ Cross Industry Standard Process for Data Mining (CRISP-DM) เทคนิคที่ใช้ในการพยากรณ์อนุกรมเวลาและหารูปแบบความสัมพันธ์ของข้อมูลสามารถแบ่งออกตามวิธีการสร้างแบบจำลองคือ วิธีการทางสถิติ และวิธีการเรียนรู้ของเครื่อง ในทางเภสัชกรรมได้มีการประยุกต์ใน 2 ส่วนที่น่าสนใจโดยมีวัตถุประสงค์และเทคนิคในการสร้างแบบจำลองที่แตกต่างกัน คือ 1) การพยากรณ์ค่าใช้จ่ายด้านยา นำข้อมูลย้อนหลังของค่าใช้จ่ายด้านยาระยะยาวมาสร้างแบบจำลองเพื่อพยากรณ์ค่าใช้จ่ายในระยะถัดไป ผลการศึกษาสามารถนำไปใช้ในการตัดสินใจเชิงนโยบายหรือวางแผนรองรับสถานการณ์ต่างๆ 2) การพยากรณ์ความต้องการใช้ยา นำหลักการพยากรณ์ความต้องการสินค้ามาใช้ เพื่อประโยชน์ต่อระบบโซ่อุปทานที่ซับซ้อนของอุตสาหกรรมยา สามารถนำปริมาณการใช้ยาหรือยอดขายยาของหน่วยงานมาสร้างแบบจำลองด้วยเทคนิคที่พัฒนาเพื่อเน้นความแม่นยำในการพยากรณ์ และนำไปกำหนดแนวปฏิบัติภายในองค์กรได้ทันต่อความเปลี่ยนแปลง การพยากรณ์อนุกรมเวลาในทางเภสัชกรรมเป็นวิธีการหนึ่งในการนำข้อมูลด้านยาที่บันทึกไว้อย่างต่อเนื่องมาวิเคราะห์เพื่อหาคำตอบล่วงหน้าของสิ่งที่สนใจศึกษา อีกทั้งยังสามารถพัฒนาเทคนิคการพยากรณ์ต่างๆ เพื่อปรับใช้กับข้อมูลที่มีได้ ความแม่นยำในการพยากรณ์ขึ้นอยู่กับการเลือกวิธีการที่เหมาะสมกับบริบทของข้อมูลอนุกรมเวลา ช่วงเวลาที่ศึกษาและวัตถุประสงค์ในการพยากรณ์
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
กรณีที่ใช้บางส่วนจากผลงานของผู้อื่น ผู้นิพนธ์ต้อง ยืนยันว่าได้รับการอนุญาต (permission) ให้ใช้ผลงานบางส่วนจากผู้นิพนธ์ต้นฉบับ (Original author) เรียบร้อยแล้ว และต้องแนบเอกสารหลักฐาน ว่าได้รับการอนุญาต (permission) ประกอบมาด้วย
เอกสารอ้างอิง
Ahmed, N. K., Atiya, A. F., Gayar, N. E., & El-Shishiny, H. (2010). An Empirical Comparison of Machine Learning Models for Time Series Forecasting. Econometric Reviews, 29(5-6), 594-621. https://doi.org/https://doi.org/10.1080/07474938.2010.481556
Bengio, Y., Goodfellow, I., & Courville, A. (2015). Deep Learning.
Bontempi, G., Taieb, S., & Borgne, Y.-A. L. (2013). Machine Learning Strategies for Time Series Forecasting. ResearchGate, 62-77.
Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C., & Wirth, R. (2000). CRISP-DM 1.0: Step-by-Step Data Mining Guide. SPSS Inc.
Choosri, P., Noimanee, J., & Pansin, K. (2019). AI for Government Administration and Services (C. Teerathitiyangkul, Ed. 1 ed.). Digital Government Development Agency.
Dix, P. (2020). Time series forecasting methods. InfluxData Inc. https://www.influxdata.com/time-series-forecasting-methods/#:~:text=Time%20series%20forecasting%20is%20a,Astronomy
Hyndman, R. J., & Athanasopoulos, G. (2018, 11 October 2022). Forecasting: principles and practice. OTexts. Retrieved 8 May from https://otexts.com/fpp2/index.html
Illukkumbura, A. (2021). Introduction to Time Series Analysis (1 ed.). Anusha Illukkumbura.
Ingle, C., bakliwal, D., Jain, J., singh, P., Kale, P., & Chhajed, V. (2021, 6-8 July). Demand Forecasting: Literature Review On Various Methodologies. 12th International Conference on Computing Communication and Networking Technologies (ICCCNT) India.
Kaladee, A., Laopaiboon, M., & Ungpansattawong, S. (2013). Assessment of Pharmacy Interventions Articles with Interrupted Time Series Design in Healthcare Journals: A Systematic Review. Srinagarind Med J, 28, 7.
Kaushik, S., Choudhury, A., Dasgupta, N., Natarajan, S., Pickett, L. A., & Dutt, V. (2017). Using LSTMs for Predicting Patient’s Expenditure on Medications. 2017 International Conference on Machine learning and Data Science,
Kaushik, S., Choudhury, A., Sheron, P. K., Dasgupta, N., Natarajan, S., Pickett, L. A., & Dutt, V. (2020). AI in Healthcare: Time-Series Forecasting Using Statistical, Neural, and Ensemble Architectures. Front. Big Data, 3(4), 17.
Kotu, V., & Deshpande, B. (2019). Data science concepts and practice (2 ed.). Elsevier Inc. https://doi.org/https://doi.org/10.1016/B978-0-12-814761-0.00001-0
Kravets, A. G., Gunaid, M. A., Loshmanov, V. I., Rasulov, S. S., & Lempert, L. B. (2018). Model of medicines sales forecasting taking into account factors of influence. J. Phys.: Conf. Ser., 1015(3), 8.
Kullimratchai, P. (2018). Entering into the Era of Data Science. EAU Heritage Journal Science and Technology, 12(2), 10.
Linnér, L., Eriksson, I., Persson, M., & Wettermark, B. (2020). Forecasting drug utilization and expenditure: ten years of experience in Stockholm. BMC Health Serv. Res., 20(410), 11.
Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2018). Statistical and Machine Learning forecasting methods: Concerns and ways forward. PLoS One, 13(3), 26.
Merkuryevaa, G., Valbergab, A., & Smirnov, A. (2019). Demand forecasting in pharmaceutical supply chains: A case study. Procedia Comput. Sci., 149, 8.
Ord, K., Fildes, R., & Kourentzes, N. (2017). Principles of Business Forecasting (second ed.). Wessex Press Publishing Co.
Saena, W., & Suttichaya, V. (2019, 30 October - 01 November 2019). Predicting Drug Sale Quantity Using Machine Learning. 14th International Joint Symposium on Artificial Intelligence and Natural Language Processing (iSAI-NLP),
Sruamsiri, R., Wagner, A. K., Ross-Degnan, D., Lu, C. Y., Dhippayom, T., Ngorsuraches, S., & Chaiyakunapruk, N. (2016). Expanding access to high-cost medicines through the E2 access program in Thailand: effects on utilisation, health outcomes and cost using an interrupted time-series analysis. BMJ Open, 6, 10, Article e008671.
Sun, J., Lin, Q., Zhao, P., Zhang, Q., Xu, K., Chen, H., Hu, C. J., Stuntz, M., Li, H., & Liu, Y. (2017). Reducing waiting time and raising outpatient satisfaction in a Chinese public tertiary general hospital-an interrupted time series study. BMC Public Health, 17, 11, Article 688.
Willmann, M., Marschal, M., Holzl, F., Schroppel, K., Autenrieth, I. B., & Peter, S. (2013). Time Series Analysis as a Tool To Predict the Impact of Antimicrobial Restriction in Antibiotic Stewardship Programs Using the Example of Multidrug-Resistant Pseudomonas aeruginosa. Antimicrob. Agents Chemother., 57, 7.
Zadeh, N. K., Sepehri, M. M., & Farvaresh, H. (2014). Intelligent Sales Prediction for Pharmaceutical Distribution Companies: A Data Mining Based Approach. Hindawi, 2014(Mathematical Problems in Engineering), 15.
Zdravkovic, M. (2019). Pharma sales data analysis and forecasting. Kaggle Inc. https://www.kaggle.com/code/milanzdravkovic/pharma-sales-data-analysis-and-forecasting/notebook
