Forecasting Pneumonia Incidents: Phetchabun Province
Article Sidebar
Main Article Content
Abstract
This research aims to forecast the number of monthly pneumonia patients in 2023 in Phetchabun Province. The number of monthly pneumonia patients from 2003 to 2022 came from the Bureau of Epidemiology, Department of Disease Control, using the Box and Jenkins method (Seasonal ARIMA or SARIMA (Seasonal Autoregressive Integrated Moving Average), the decomposition method (the multiplicative model) (MMRMA), and the model based on Gray Systems Theory and distributing monthly forecast values with the seasonal index according to the ratio to moving average method (GREYRMA). The results showed that the number of patients was consistent from the beginning to the middle of the year and increased during September and October. In each year, there was a trend of increasing. Model selection was based on the accuracy criteria of mean absolute percentage error (MAPE). When considering actual values against forecast values over the past 240 months, the SARIMA model had a MAPE of 21.11 percent, lower than MMRMA by 10.19 percent. But when considering the monthly forecast values for the year 2023 compared to the actual values from January to October, it was found that the MAPE values of the SARIMA, GRAYRMA, and MMRMA methods were 63.32%, 82.81%, and 41.74%, respectively. Forecasting with the MMRMA model is closer to actual data for 2023 and therefore is an acceptable forecast for the remaining months of November and December.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ข้อลิขสิทธิ์วารสาร
บทความหรือข้อคิดเห็นใดๆ ที่ปรากฏในวารสารวิชาการป้องกันควบคุมโรค สคร. 2 พิษณุโลก เป็นวรรณกรรมของผู้เขียน กองบรรณาธิการวิชาการ และ สำนักงานป้องกันควบคุมโรคที่ 2 จังหวัดพิษณุโลกไม่จำเป็นต้องเห็นพ้องด้วยทั้งหมดหรือร่วมรับผืิดชอบใดๆ
References
กรมควบคุมโรค. โรคปอดบวม, ปอดอักเสบ (Pneumonia) [อินเทอร์เน็ต]. 2562 [เข้าถึงเมื่อ 16 พ.ย. 2566]เข้าถึงได้จาก: https://ddc.moph.go.th/disease_detail.php?d=21
กรมควบคุมโรค. คาดการณ์โรค ปี 2565 8 โรคสำคัญ [อินเทอร์เน็ต]. 2564 [เข้าถึงเมื่อ 16 พ.ย. 2566]. เข้าถึงได้จาก: https://www.ddc.moph.go.th/uploads/publish/1305720220831091702.pdf
สำนักระบาดวิทยา กรมควบคุมโรค. ระบบรายงานการเฝ้าระวังโรค 506. Pneumonia. สรุปสถานการณ์ ปี 65 รายสัปดาห์ [52] [อินเทอร์เน็ต]. 2566 [เข้าถึงเมื่อ 16 พ.ย. 2566]. เข้าถึงได้จาก: http://doe.moph.go.th/surdata/disease.php?ds=31
กลุ่มงานพัฒนายุทธศาสตร์สาธารณสุข งานข้อมูลข่าวสาร สำนักงานสาธารณสุขจังหวัดพิจิตร. สัปดาห์ระบาดวิทยา ปี 2566 [อินเทอร์เน็ต]. 2566 [เข้าถึงเมื่อ 16 พ.ย. 2566]. เข้าถึงได้จาก: http://www.ppho.go.th/mis-new/index.php?menu=5.19
สำนักระบาดวิทยา กรมควบคุมโรค. ระบบรายงานการเฝ้าระวังโรค 506. Pneumonia. สรุปสถานการณ์ ปี 66 รายสัปดาห์[43] [อินเทอร์เน็ต].2566 [เข้าถึงเมื่อ16พ.ย.2566].เข้าถึงได้จาก: http://doe.moph.go.th/surdata/disease.php?ds=31
วราพร ตั๋วทอง, สวพร หิญชีระนันทน์. 2564. การเปรียบเทียบตัวแบบการพยากรณ์จํานวนผู้ป่วยโรคปอดอักเสบในประเทศไทย. วารสารวิทยาศาสตร์และเทคโนโลยี(ววท.) 2564; 29(3): 365-377.
กมล กัญญาประสิทธิ์. การพยากรณ์การเกิดโรคไข้เลือดออก ในพื้นที่ จังหวัดเพชรบูรณ์ พ.ศ. 2558. วารสารวิชาการสาธารณสุข 2559; 25(4): 604-614.
จารุณี กันธุ. ปัจจัยทํานายพฤติกรรมส่งเสริมสุขภาพของผู้สูงอายุตําบลนางั่ว อําเภอเมือง จังหวัดเพชรบูรณ์. วารสารวิชาการป้องกันควบคุมโรค สคร.2 พิษณุโลก 2565; 9(3):19-35.
สำนักระบาดวิทยา กรมควบคุมโรค. ระบบรายงานการเฝ้าระวังโรค 506>Pneumonia>ข้อมูลย้อนหลัง>สรุปสถานการณ์รายปี 2546-2565 [อินเทอร์เน็ต]. 2566 [เข้าถึงเมื่อ 16 พ.ย. 2566]. เข้าถึงได้จาก: http://doe.moph.go.th/surdata/disease.php?dcontent=old&ds=31
Santa R. Introduction to SARIMA Model [Internet]. 2023 [cited 2023 Nov 1]. Available from: https://medium.com/@ritusantra/introduction-to-sarima-model-cbb8
The R Foundation. The R Project for Statistical Computing [Internet]. 2023 [cited 2023 Nov 1]. Available from: https://www.r-project.org/
Hyndman R, Athanasopoulos G, Bergmeir C, Caceres G, Chhay L, O'Hara-Wild M, Petropoulos F, Razbash S, Wang E, Yasmeen F. forecast: Forecasting functions for time series and linear models. R package version 8.21.1 [Internet]. 2023 [cited 2023 Nov 1]. Available from: https://pkg.robjhyndman.com/forecast/.
Hyndman RJ, Khandakar Y. Automatic time series forecasting: the forecast package for R. Journal of Statistical Software 2008; 26(3), 1–22. doi:10.18637/jss.v027.i03.
Wischke AF. Forecasting with R: Auto-ARIMA Step by Step [Internet]. 2018 [cited 2023 Nov 1]. Available from: https://www.linkedin.com/pulse/forecasting-r-auto-arima-step-anton-figuerola-wischke
Bevans R. March 26, 2020. Akaike Information Criterion | When & How to Use It (Example) [Internet]. Scribbr; 2023 [cited 2023 Nov 1]. Available from: https://www.scribbr.com/statistics/akaike-information-criterion/
Liu S., Lin Y. Grey systems theory and application. Verlag: Springer; 2010. pp. 106-130.
Zhang, Y. (2012). Improved grey derivative of grey Verhulst model and its application. International Journal of Computer Science 2012; 9(6), 443-448.
Strathmore University Business School. ANALYSIS OF TIME SERIES [Internet]. 2021 [cited 2023 Nov 1]. Available from: https://sbselearning.strathmore.edu/pluginfile.php/177213/mod_resource/content /1/T opic-4-Analysis-of-Time-Series.pdf
Shukla, GK., Trivedi, M. eGyanKosh> Block 4: Time Series Modelling> UNIT 14 SEASONAL COMPONENT ANALYSIS [Internet]. 2017 [cited 2023 Nov 1]. Available from: https://www.egyankosh.ac.in/bitstream/123456789/20805/1/Unit-14.pdf
Chan B. Classical Multiplicative Decomposition – YouTube [Internet]. 2015 [cited 2023 Nov 1]. Available from: https://www.youtube.com/watch?v=S31b-vh0Ce0
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.