การพยากรณ์ทิศทางการระบาดและวิเคราะห์พื้นที่เสี่ยงโรคไข้เลือดออกด้วยวิธีการทางสารสนเทศภูมิศาสตร์และเทคนิคเหมืองข้อมูลในเขตพื้นที่ตำบลบางแม่นาง อำเภอบางใหญ่ จังหวัดนนทบุรี

ผู้แต่ง

  • สกาวรัตน์ สุวิชญาศิริ แขนงวิชาเทคโนโลยีสารสนเทศและการสื่อสาร สาขาวิชาวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยสุโขทัยธรรมาธิราช
  • ณัฐพร เห็นเจริญเลิศ แขนงวิชาเทคโนโลยีสารสนเทศและการสื่อสาร สาขาวิชาวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยสุโขทัยธรรมาธิราช
  • รัตนะ บุลประเสริฐ คณะสิ่งแวดล้อมและทรัพยากรศาสตร์ มหาวิทยาลัยมหิดล

คำสำคัญ:

สารสนเทศภูมิศาสตร์, เหมืองข้อมูล, ไข้เลือดออก

บทคัดย่อ

โรคไข้เลือดออกยังคงเป็นปัญหาสำคัญที่มีการระบาดอย่างต่อเนื่อง แต่ละปีจะมีการพยากรณ์และคาดการณ์แนวโน้มการระบาดล่วงหน้า ทั้งในระดับประเทศ ระดับเขตสุขภาพ ระดับจังหวัด และระดับอำเภอ เพื่อเตรียมความพร้อมในการป้องกันการระบาด ผู้วิจัยจึงมีความสนใจที่จะศึกษาการพยากรณ์ทิศทางการระบาดและวิเคราะห์พื้นที่เสี่ยงโรคไข้เลือดออกในระหว่างเกิดการระบาด โดยมีวัตถุประสงค์เพื่อวิเคราะห์ปัจจัยที่สัมพันธ์กับการพยากรณ์ทิศทางการระบาดและวิเคราะห์พื้นที่เสี่ยงโรคไข้เลือดออก เพื่อพยากรณ์ทิศทางการระบาดและวิเคราะห์พื้นที่เสี่ยงโรคไข้เลือดออก และเพื่อเปรียบเทียบประสิทธิภาพความแม่นยำของอัลกอริทึมในการพยากรณ์ พื้นที่ศึกษาวิจัย คือ ตำบลบางแม่นาง อำเภอบางใหญ่ จังหวัดนนทบุรี ข้อมูลผู้ป่วยไข้เลือดออก จำนวน 235 ราย ดำเนินการวิเคราะห์ข้อมูลเชิงพื้นที่และข้อมูลเชิงคุณลักษณะและเชื่อมโยงข้อมูลด้วยวิธีการทางสารสนเทศภูมิศาสตร์ ปัจจัยที่คัดเลือกทั้งหมด 9 ปัจจัย ได้แก่ 1) การใช้ประโยชน์ที่ดิน 2) จำนวนแปลงที่ดิน 3) ความหนาแน่นครัวเรือน 4) กลุ่มอายุ 5 กลุ่มวัย 5) เพศ 6) ปริมาณน้ำฝน 7) ความชื้นสัมพัทธ์ 8) อุณหภูมิ และ 9) ดัชนีความร้อน ดำเนินการสร้างแบบจำลองในการพยากรณ์ด้วยเทคนิคเหมืองข้อมูล 3 อัลกอริทึม ได้แก่ วิธีต้นไม้ตัดสินใจ (Decision Tree) อัลกอริทึม CART (Classification and Regression Tree) วิธีต้นไม้ตัดสินใจ (Decision Tree) อัลกอริทึม ID3 (Iterative Dichotomiser3) และวิธีป่าสุ่ม (Random Forest) ผลการวิจัยพบว่า ปัจจัยที่มีความสำคัญต่อการพยากรณ์ 3 อันดับแรก ได้แก่ การใช้ประโยชน์ที่ดิน จำนวนแปลงที่ดิน และความหนาแน่นครัวเรือน ผลการพยากรณ์ทิศทางการระบาด พบว่าแบบจำลองสามารถพยากรณ์และวิเคราะห์พื้นที่เสี่ยง ระดับความเสี่ยง และจำนวนครัวเรือนที่อยู่ในพื้นที่เสี่ยงได้ แบบจำลองที่สร้างจากวิธีต้นไม้ตัดสินใจ (Decision Tree) อัลกอริทึม ID3 (Iterative Dichotomiser3) เป็นแบบจำลองการพยากรณ์ที่ดีสุดในการวิจัยนี้ มีค่าความถูกต้อง (Accuracy) 98% ค่าประสิทธิภาพโดยรวมเฉลี่ยเท่ากับ 98%

Downloads

Download data is not yet available.

เอกสารอ้างอิง

Department of Desease Control. (2022). Dengue. https://ddc.moph.go.th/disease_detail.php?d=44 (In Thai).

Nonthburi Provincial Public Health Office. (2014). Rate of dengue fever per 100,000 people.

https://nbi.hdc.moph.go.th/hdc/reports/report.php?&cat_id=7f9ab56b0f39fd053143ecc4f05354fc&id=d4034b79ce2c889f3318a624543a4740 (In Thai).

Somard, J., Suwanlee, S. R., Turnbull, N., and Phommat, T. (2017). Analyzing dengue fever risk areas using geographic information systems in Dome Pradis Sub-district, Nam Yuen District, Ubon Ratchathani Province. Journal of Medicine and Health Sciences, 24(3), 65-76. https://he01.tci-thaijo.org/index.php/jmhs/article/view/107608/85153 (In Thai).

Rungrattanaubon, J. (2023). Data mining technique. Naresuan University Publishing House (In Thai).

Department of Desease Control. (2022). Guidelines for surveillance, prevention, and control of infectious diseases carried by Aedes mosquitoes. For public health officials 2021. https://online.fliphtml5.com/ bcbgj/nfvi/#p=58 (In Thai).

Tosasukul, J. (2021). A prediction modelling for dengue fever outbreaks using data mining techniques. PKRU SciTech Journal, 5(2), 51-60. https://ph01.tci-thaijo.org/index.php/pkruscitech/article/view/245824/167917 (In Thai).

Hnusuwan, B., Kajornkasirat, S., and Puttinaovarat, S. (2019). Dengue risk mapping from geospatial data using gis and data mining techniques. International Journal of Online and Biomedical Engineering, 16(11), 57-79. https://doi.org/10.3991/ijoe.v16i11.16455

Land Development Department. (2022). Soil service. https://dinonline.ldd.go.th (In Thai).

Open Government Data of Thailand. (2022). Land parcel. https://data.go.th/dataset?organization=land-parcel-center-department-of-lands&res_format=SHP (In Thai).

Thai Meteorological Department. (n.d.). Statistics Reports - Daily. http://www.aws-observation.tmd.go.th/rprt/weatherDays (In Thai).

Romsaiyud, W. (2023). Machine learning for predictive data analytics and applications. Office of The University Press Sukhothai Thammathirat Open University (In Thai).

Ministry of Public Health. (2016). Strategies, indicators, and data collection guidelines Ministry of Public Health Fiscal year 2016. http://data.ptho.moph.go.th/inspec/inspec2559/mophplan_2559_final.pdf (In Thai).

ดาวน์โหลด

เผยแพร่แล้ว

2024-10-07

รูปแบบการอ้างอิง

สุวิชญาศิริ ส., เห็นเจริญเลิศ ณ., & บุลประเสริฐ ร. (2024). การพยากรณ์ทิศทางการระบาดและวิเคราะห์พื้นที่เสี่ยงโรคไข้เลือดออกด้วยวิธีการทางสารสนเทศภูมิศาสตร์และเทคนิคเหมืองข้อมูลในเขตพื้นที่ตำบลบางแม่นาง อำเภอบางใหญ่ จังหวัดนนทบุรี. วารสารมหาวิทยาลัยศรีนครินทรวิโรฒ สาขาวิทยาศาสตร์และเทคโนโลยี, 16(32, July-December), 1–17, Article 252627. สืบค้น จาก https://ph02.tci-thaijo.org/index.php/swujournal/article/view/252627