แบบจำลองค่าสุดขีดของอัตราการป่วยโรคโควิด 19 ในภาคตะวันออกเฉียงเหนือของประเทศไทย
คำสำคัญ:
โควิด 19, การแจกแจงค่าสุดขีดวางนัยทั่วไป, กระบวนการคงที่, กระบวนการไม่คงที่บทคัดย่อ
การศึกษาครั้งนี้มีวัตถุประสงค์เพื่อพัฒนาแบบจำลองค่าสุดขีดสำหรับวิเคราะห์และคาดการณ์อัตราการป่วยโรคโควิด 19 ในพื้นที่ภาคตะวันออกเฉียงเหนือของประเทศไทย โดยใช้ข้อมูลจำนวนผู้ป่วยรายสัปดาห์สูงสุดของแต่ละจังหวัด จำนวนทั้งสิ้น 20 จังหวัด ในการคำนวณอัตราการป่วยสูงสุดรายสัปดาห์ (หน่วย: ต่อแสนประชากร) แบบจำลองที่นำมาใช้ คือ การแจกแจงค่าสุดขีดวางนัยทั่วไป (Generalized Extreme Value Distribution: GEV) โดยดำเนินการประมาณค่าพารามิเตอร์ด้วยวิธีภาวะน่าจะเป็นสูงสุด (Maximum Likelihood Estimation: MLE) ภายใต้สมมติฐานกระบวนการคงที่และไม่คงที่ รวมทั้งหมด 8 รูปแบบ จากนั้นทำการเปรียบเทียบและคัดเลือกแบบจำลองที่เหมาะสมโดยใช้สถิติทดสอบดีเวียนซ์และค่าล็อกภาวะน่าจะเป็น พร้อมทั้งประเมินความเหมาะสมของแบบจำลองด้วยกราฟความน่าจะเป็นและกราฟควอนไทล์ นอกจากนี้ยังคำนวณค่าระดับการเกิดซ้ำ (Return Level) เพื่อติดตามและประเมินความเสี่ยงของการเกิดเหตุการณ์รุนแรงในอนาคต ผลการศึกษาพบว่า ข้อมูลอัตราการป่วยโรคโควิด 19 สูงสุดรายสัปดาห์ในแต่ละจังหวัด มีรูปแบบพารามิเตอร์ที่เหมาะสมภายใต้กระบวนการไม่คงที่ คือ และ โดยที่ เป็นค่าคงที่ สำหรับทุกจังหวัด โดยจังหวัดอุดรธานีมีความเสี่ยงสูงสุดเมื่อพิจารณาค่าระดับการเกิดซ้ำ แสดงให้เห็นถึงเหตุการณ์การระบาดที่มีโอกาสเกิดขึ้น 1 ครั้งใน 40 สัปดาห์ (p=0.05) มีค่า Return Level สูงถึงประมาณ 60 รายต่อแสนประชากร ขณะที่การระบาดที่พบบ่อยกว่ามีค่า Return Level อยู่ในช่วง 13–42 รายต่อแสนประชากร สะท้อนให้เห็นถึงความจำเป็นในการเฝ้าระวังอย่างใกล้ชิดในพื้นที่ดังกล่าว
เอกสารอ้างอิง
Wikipedia contributors. COVID-19 pandemic in Thailand [Internet]. Wikipedia; 2022 [cited 2025 Sep 10]. Available from:https://th.wikipedia.org/wiki/
Coles S. An Introduction to Statistical Modeling of Extreme Values. London: Springer; 2004.
Villeneuve PJ, Weichenthal S, Crouse D, Miller AB, To T, Martin RV, et al. Long-term exposure to fine particulate matter air pollution and mortality among Canadian women. Epidemiology. 2015;26(4):536-45.
Reinhart A. An application of extreme value theory to the monitoring of influenza epidemics. arXiv [Preprint]. 2019 Oct 23. arXiv:1910.10788. Available from: https://arxiv.org/abs/1910.10788
Wang X, Gao Z, Zhang J. Modeling the impact of temperature extremes on mortality using bivariate peaks-over-threshold and ARIMA approaches. BMC Public Health. 2024;24:1586.
Alves I. Mortality and morbidity peaks modeling: An extreme value theory approach [master’s thesis]. Porto (PT): University of Porto; 2016.
Gampe J. Human mortality beyond age 110. In: Maier H, Jeune B, Vaupel JW, editors. Exceptional Longevity: From Prehistory to the Present. Berlin: Springer; 2006. p. 219-30.
Rootzén H, Zholud D. Human life is unlimited – but short. Extremes. 2017; 20(4):713-28.
Gilleland E, Katz RW. extRemes 2.0: An extreme value analysis package in R. J Stat Softw. 2016;72(8):1-39. doi:10.18637/ jss.v072.i08.
Ministry of Public Health (TH), Department of Disease Control. COVID-19 dashboard [Internet]. Bangkok: MOPH; 2022 [cited 2022 Mar 20]. Available from: https://covid19.ddc.moph.go.th/
Bauch CT, Lloyd-Smith JO, Coffee MP, Galvani AP. Dynamically modeling SARS and other newly emerging respiratory illnesses: past, present, and future. Epidemiology. 2005;16(6):791-801.
Chowell G, Abdirizak F, Lee S, Lee J, Jung E, Nishiura H, et al. Transmission characteristics of MERS and SARS in the healthcare setting: a comparative study. BMC Med. 2015;13:210.
Nishiura H. Early efforts in modeling the incubation period of influenza A (H1N1) and its application for surveillance. Euro Surveill. 2009;14(13):19193
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
บทความนี้ลงตีพิมพ์ในวารสารศูนย์อนามัยที่ 7 ขอนแก่น ถือเป็นผลงานทางวิชาการหรือวิจัย ผลการวิเคราะห์ตลอดจนข้อเสนอแนะเป็นความเห็นส่วนตัวของผู้เขียน ไม่ใช่ความเห็นของวารสารศูนย์อนามัยที่ 7 ขอนแก่น หรือกองบรรณาธิการแต่อย่างใด ผู้เขียนต้องรับผิดชอบต่อบทความของตนเอง
