การพยากรณ์โรคคล้ายไข้หวัดใหญ่ในประเทศไทย
คำสำคัญ:
การพยากรณ์โรคไข้หวัดใหญ่, โรคระบาด, ILI%, การเรียนรู้ของเครื่อง, การคัดเลือกคุณลักษณะบทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อวิเคราะห์ข้อมูลการระบาดของโรคไข้หวัดใหญ่ในประเทศไทย โดยการศึกษาปัจจัยที่เกี่ยวข้องกับโรคไข้หวัดใหญ่และทำการพยากรณ์อัตราการติดเชื้อโรคคล้ายไข้หวัดใหญ่ (Influenza-like illness percentage : ILI%) ซึ่งค่า ILI% ถูกรวบรวมในรูปแบบรายเดือนของแต่ละจังหวัดในประเทศไทย โดยเปรียบเทียบการพยากรณ์ทั้ง 5 วิธี ได้แก่ สมการถดถอยเชิงเส้นพหุคูณ, Regression tree, Light Gradient Boosting Machine (LightGBM), Extreme Gradient Boosting (XGBoost) และRandom forest โดยคุณลักษณะที่นำมาใช้ประกอบด้วยปัจจัยด้านวัคซีน ปัจจัยด้านโรคกลุ่มเสี่ยง ปัจจัยด้านประชากร รวมถึงปัจจัยด้านสภาพอากาศ อีกทั้งยังมีการใช้วิธีในการคัดเลือกคุณลักษณะ (Feature Selection) เพื่อหาความสัมพันธ์ระหว่างคุณลักษณะ และค่าตัวแปรตอบสนอง ได้แก่ วิธี Stepwise, การจัดลำดับความสำคัญด้วยค่า Features Importance, การจัดลำดับความสำคัญด้วยค่า SHAP, วิธี Boruta, วิธี BorutaSHAP และ การใช้ค่า Mutual Information Scores (MI Scores) ร่วมกับ Boruta และ BorutaSHAP ในการประเมินประสิทธิภาพของแบบจำลองผู้วิจัยได้ใช้ค่าคลาดเคลื่อนเฉลี่ยร้อยละแบบสมมาตร (SMAPE) เป็นตัวชี้วัด ผลลัพธ์ที่ได้คือ วิธี Random forest ที่มีการคัดเลือกคุณลักษณะโดยใช้ค่า MI Scores ร่วมกับ BorutaSHAP ให้ค่า SMAPE ต่ำสุดในชุดข้อมูลทดสอบอยู่ที่ 59.11% และมีคุณลักษณะที่สำคัญ ได้แก่ อัตราการฉีดวัคซีน, จำนวนบ้าน, จำนวนประชากรในกลุ่มอายุ 7-9 ปี, จำนวนประชากรในกลุ่มอายุ 15-24 ปี และจำนวนผู้ป่วยหลอดเลือดสมองตีบ ซึ่งจากทั้งหมดนี้การพยากรณ์ค่า ILI% เพื่อป้องกันและลดผลกระทบที่เกิดจากโรคระบาด และใช้ประกอบการตัดสินใจในการกระจายวัคซีน รวมถึงกลยุทธ์การป้องกันการแพร่ระบาดในระดับชุมชน
References
ณัฐพล จำปาสาร, รายงานประจำปี 2565: Influenza, กรุงเทพมหานคร: กรมควบคุมโรค สำนักงานควบคุมโรคที่ 9 กระทรวงสาธารณสุข, 2565.
H. N. Zhai, “The Analysis of Relationship Between Influenza and Atmospheric Ambient and the Establishment of Influenza-Like-Illness Rates Forecasting Model,” China University of Geosciences Wuhan, China, 2009.
D. Sanguanrungsirikul, H. Chiewanantavanich and M. Sangkasem, "A Comparative study to determine optimal models for forecasting the number of patients having epidemiological-surveillance diseases in Bangkok," KMUTT Research and Development Journal., vol. 38, no. 1, pp. 35-55, 2015.
M. J. Paul, M. Dredze and D. Broniatowski, “Twitter Improves Influenza Forecasting,” PLOS Currents., vol. 1, no. 6, 2014.
S. Kandula and J. Shaman, “Near-term forecasts of influenza-like illness,” Epidemics., vol. 27, pp. 41–51, 2019.
S. Maairkien, D. Areechokchai, S. Saita and T. Silawan, “Time series analysis and forecast of Influenza cases for different age groups in Phitsanulok Province, Northern Thailand,” Current Applied Science and Technology., vol. 20, no. 2, pp. 310–320, 2020.
E. L. Ray and N. G. Reich, “Prediction of infectious disease epidemics via weighted density ensembles,” PLOS Computational Biology., vol. 14, no. 2, pp. 1-23, 2018.
Y. Lu, S. Wang, J. Wang, G. Zhou, Q. Zhang, X. Zhou, B. Niu, Q. Chen and K. C. Chou, “An epidemic Avian Influenza prediction model based on Google Trends,” Letters in Organic Chemistry., vol. 16, no. 4, pp. 303-310, 2019.
X. Zhou, Y. Zhang, C. Shen, A. Liu, Y. Wang, Q. Yu, F. Guo, A. C. A. Clements, C. Smith, J. Edwards, B. Huang and R. J. S. Magalhães, “Knowledge, attitudes, and practices associated with Avian Influenza along the live chicken market chains in Eastern China: a cross-sectional survey in Shanghai, Anhui, and Jiangsu,” Transboundary and Emerging Diseases., vol. 66, no. 4, pp. 1529-1538, 2019.
H. Xue, Y. Bai, H. Hu and H. Liang, “Influenza activity surveillance based on multiple regression model and artificial neural network,” IEEE Access., vol. 6, pp. 563–575, 2018.
H. Xue, L. Zhang, H. Liang, L. Kuang, H. Han, X. Yang and L. Guo, “Influenza trend prediction method combining Baidu index and support vector regression based on an improved particle swarm optimization algorithm,” AIMS Mathematics., vol. 8, no. 11, pp. 25528-25549, 2023.
J. Zhang and K. Nawata, “Multi-step prediction for influenza outbreak by an adjusted long short-term memory,” Epidemiology and Infection., vol. 146, no. 7, pp. 809–816, 2018.
A. Kara, “Multi-step influenza outbreak forecasting using deep LSTM network and genetic algorithm,” Expert Systems with Applications., vol. 180, no. 3, 2021.
H. Stoppiglia, G. Dreyfus, R. Dubois and Y. Oussar, “Ranking a random feature for variable and feature selection,” Journal of Machine Learning Research., vol. 3, pp. 1399–1414, 2003.
S. M. Lundberg and S. I. Lee, “A unified approach to interpreting model predictions,” in 31st Conference on Neural Information Processing Systems, United States, 2017.
Downloads
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
