การวิเคราะห์จัดกลุ่มเดือนตามจำนวนผู้ป่วยไข้เลือดออก และปัจจัยภูมิอากาศในจังหวัดเชียงใหม่

ผู้แต่ง

  • วัฒนา ชยธวัช ปร.ด. (คณิตศาสตร์ประยุกต์) คณะสหเวชศาสตร์ มหาวิทยาลัยปทุมธานี
  • ฐาปกรณ์ ไตรยะวิภาค วท.ม. (เภสัชเคมีและพฤกษเคมี) คณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏเชียงใหม่

คำสำคัญ:

โรคไข้เลือดออก, การวิเคราะห์จัดกลุ่ม, ปัจจัยภูมิอากาศ, จังหวัดเชียงใหม่

บทคัดย่อ

การศึกษานี้มีวัตถุประสงค์เพื่อวิเคราะห์การจัดกลุ่มเดือนตามจำนวนผู้ป่วยโรคไข้เลือดออกและปัจจัยภูมิอากาศในจังหวัดเชียงใหม่ ประเทศไทย โดยใช้ข้อมูลรายเดือนจำนวน 120 เดือน ระหว่างปี พ.ศ. 2558-2567 จากระบบรายงานการเฝ้าระวังโรค 506 และข้อมูล
ภูมิอากาศจากฐานข้อมูลสากล ตัวแปรที่ใช้เป็นข้อมูลรายเดือน ได้แก่ จำนวนผู้ป่วย
ปริมาณฝน ความชื้นสัมพัทธ์ และอุณหภูมิ สำหรับการวิเคราะห์ข้อมูลใช้สถิติพรรณนา วิเคราะห์ความสัมพันธ์โดยใช้ค่าสัมประสิทธิ์สหสัมพันธ์แบบสเปียร์แมน และจัดกลุ่มเดือนด้วยวิธี K-means clustering โดยเลือกจำนวนกลุ่มที่เหมาะสมจากค่า Silhouette Scores ผลการศึกษาพบว่าสามารถจำแนกเดือนออกเป็น 3 กลุ่ม ได้แก่ กลุ่มที่ 1 (พฤษภาคม-ตุลาคม, ความเสี่ยงสูง) มีจำนวนผู้ป่วยสูงสุด และสัมพันธ์กับฝนและ
ความชื้นสูง กลุ่มที่ 2 (พฤศจิกายน-กุมภาพันธ์, ความเสี่ยงปานกลาง) มีจำนวนผู้ป่วยระดับปานกลางและอุณหภูมิต่ำที่สุด และกลุ่มที่ 3 (กุมภาพันธ์-พฤษภาคม, ความเสี่ยงต่ำ)
มีจำนวนผู้ป่วยต่ำสุดและสัมพันธ์กับฝนและความชื้นต่ำ ปัจจัยที่สัมพันธ์กับจำนวนผู้ป่วย
โรคไข้เลือดออกอย่างมีนัยสำคัญทางสถิติ ได้แก่ ปริมาณฝน และความชื้นสัมพัทธ์ โดยมีค่าสัมประสิทธิ์สหสัมพันธ์แบบสเปียร์แมน เท่ากับ 0.60 และ 0.69 ตามลำดับ (p-value < 0.001)  อย่างไรก็ตาม อุณหภูมิไม่มีความสัมพันธ์อย่างมีนัยสำคัญทางสถิติกับจำนวนผู้ป่วย โดยมีค่าสัมประสิทธิ์สหสัมพันธ์แบบสเปียร์แมน เท่ากับ 0.10 (p-value = 0.274) ซึ่งชี้ให้เห็นว่าอุณหภูมิไม่ใช่ตัวแปรภูมิอากาศหลักที่ส่งผลต่อการระบาดของโรคไข้เลือดออก
ในบริบทของจังหวัดเชียงใหม่ ข้อค้นพบการจัดกลุ่มเดือนสามารถนำไปใช้ในการพัฒนาระบบเฝ้าระวังร่วมกับข้อมูลพยากรณ์อากาศ เพื่อการรณรงค์ลดการระบาดของโรคไข้เลือดออกในพื้นที่จังหวัดเชียงใหม่ต่อไป

ประวัติผู้แต่ง

วัฒนา ชยธวัช ปร.ด. (คณิตศาสตร์ประยุกต์), คณะสหเวชศาสตร์ มหาวิทยาลัยปทุมธานี

-

เอกสารอ้างอิง

กรมอุตุนิยมวิทยา. (2569). ฤดูกาลของประเทศไทย [ออนไลน์]. [สืบค้นเมื่อ 16 มกราคม 2569]; แหล่งข้อมูล: https://shorturl.asia/t5oTR

กองระบาดวิทยา. (2569). ระบบรายงานการเฝ้าระวังโรค 506 [ออนไลน์]. [สืบค้นเมื่อ 16 มกราคม 2569]; แหล่งข้อมูล: http://doe1.moph.go.th/surdata/index.php

กองระบาดวิทยา. (2569). รหัสโรค, เชื้อก่อโรค และ ICD-10, รายงานเฝ้าระวังทางระบาดวิทยา (รายงาน 506) ตามตามพระราชบัญญัติโรคติดต่อ พ.ศ. 2558 [ออนไลน์]. [สืบค้นเมื่อ 16 มกราคม 2569]; แหล่งข้อมูล: https://ddsdoe.ddc.moph.go.th/ddss/#download

พิมลกัลย์ เดชะชัย. (2568). สสจ. เชียงใหม่ เตือน ประชาชน ระมัดระวังและป้องกันตนเองจากโรคติดต่อที่มียุงลายเป็นพาหะ ในระยะนี้ [ออนไลน์]. [สืบค้นเมื่อ 16 มกราคม 2569]; แหล่งข้อมูล: https://radiochiangmai.prd.go.th/th/content/category/detail/id/57/iid/413283

วสันต์ จันทราทิตย์. (2567). ถอด 20 บทเรียนสำคัญที่ได้รับจากการระบาดของโรคโควิด-19 ในประเทศไทยตั้งแต่ปี พ.ศ. 2563-2566 เพื่อเป็นแนวทางในการเตรียมตัวรับมือกับการระบาดของโรคติดเชื้ออุบัติซ้ำและอุบัติใหม่ในอนาคต [ออนไลน์]. [สืบค้นเมื่อ 16 มกราคม 2569]; แหล่งข้อมูล: https://www.rama.mahidol.ac.th/rama-km/cat/main/CKM02/3245

สุภาภรณ์ จูจันทร์ และชญานิจ มหาสิงห์. (2568). สถานการณ์และแนวโน้มโรคไข้เลือดออกในประเทศไทย ปี พ.ศ. 2568 (ข้อมูล ณ วันที่ 19 สิงหาคม 2568). รายงานการเฝ้าระวังทางระบาดวิทยาประจำสัปดาห์, 56(8), e6538. [สืบค้นเมื่อ 16 มกราคม 2569]; แหล่งข้อมูล: https://doi.org/10.59096/wesr.v56i8.6538

สำนักงานพัฒนาวิทยาศาสตร์และเทคโนโลยีแห่งชาติ. (2569). แบบตรวจสอบกิจกรรม/งานวิจัยเข้าข่ายการวิจัยในมนุษย์ [ออนไลน์]. [สืบค้นเมื่อ 16 มกราคม 2569]; แหล่งข้อมูล: https://waa.inter.nstda.or.th/stks/pub/ori/docs/20200402-the-scientific-purposes-of-research-and-testing-in-human-inspection-form.pdf

สำนักบริหารการทะเบียน กรมการปกครอง. (2569). สถิติประชากรทางการทะเบียนราษฎร (รายเดือน) ประชากรรายอายุข้อมูลเดือนมิถุนายน 2568 จังหวัดเชียงใหม่ [ออนไลน์]. [สืบค้นเมื่อ16 มกราคม 2569]; แหล่งข้อมูล: https://stat.bora.dopa.go.th/stat/statnew/statMONTH/statmonth/#/view

Ahmed, M., Seraj, R., & Islam, S. M. S. (2020). The k-means algorithm: A comprehensive survey and performance evaluation. Electronics, 9(8), 1295. [cited 2026 January 15]; Available from: https://doi.org/10.3390/electronics9081295

Alam, K.E., Ahmed, M.J., Chalise, R., et al. (2025). Time series analysis of dengue incidence and its association with meteorological risk factors in Bangladesh. PLoS One, 20(8), e0323238. [cited 2026 January 15]; Available from: https://doi.org/10.1371/journal.pone.0323238

Campbell, K. M., Lin, C. D., Iamsirithaworn, S., & Scott, T.W. (2013). The complex relationship between weather and dengue virus transmission in Thailand. The American Journal of Tropical Medicine and Hygiene, 89(6), 1066-1080. [cited 2026 January 15]; Available from: https://doi.org/10.4269/ajtmh.13-0321

García, Y.E., Chou-Chen, S.W., Barboza, et al. (2023). Common patterns between dengue cases, climate, and local environmental variables in Costa Rica: A wavelet approach. PLOS Glob Public Health, 3(10), e0002417. [cited 2026 January 15]; Available from: https://doi.org/10.1371/journal.pgph.0002417

Harris, C. R., et al. (2020). Array programming with NumPy. Nature, 585(7825), 357-362. [cited 2026 January 15]; Available from: https://doi.org/10.1038/s41586-020-2649-2

Hunter, J. D. (2007). Matplotlib: A 2D graphics environment. Computing in Science & Engineering, 9(3), 90-95. [cited 2026 January 15]; Available https://doi.org/10.1109/mcse.2007.55

Mamenun, Koesmaryono, Y., Sopaheluwakan, A., Hidayati, R., Dasanto, B. D., & Aryati, R. (2024). Spatiotemporal Characterization of Dengue Incidence and Its Correlation to Climate Parameters in Indonesia. Insects, 15(5), 366. [cited 2026 January 15]; Available from: https://doi.org/10.3390/insects15050366

NASA Langley Research Center. (2026). POWER Source Native Resolution Monthly and Annual, Thailand (Lat 18.79, Lon 98.98) from 2015 to 2024 [Data set] [online]. [cited 2026 January 15]; Available from: https://power.larc.nasa.gov/api/temporal/monthly/point?parameters=T2M,RH2M,PRECTOTCORR&community=AG&longitude=98.98&latitude=18.79&format=CSV&start=2015&end=2024

Pedregosa, F., et al. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12, 2825-2830. [cited 2026 January 15]; Available from: https://jmlr.org/papers/volume12/pedregosa11a/pedregosa11a.pdf

Python Software Foundation. (2024). Python language reference, version 3.11.9 [Computer software]. [cited 2026 January 15]; Available from: https://www.python.org/

Salim, M.F., Satoto, T.B.T., & Danardono. (2025). Predicting spatio-temporal dynamics of dengue using INLA (integrated nested laplace approximation) in Yogyakarta, Indonesia. BMC Public Health, 25, 1321. [cited 2026 January 15]; Available from: https://doi.org/10.1186/s12889-025-22545-2

The pandas development team, Zenodo. (2025). pandas-dev/pandas: Pandas 3.0.3 [Computer software]. [cited 2026 January 15]; Available from: https://doi.org/10.5281/zenodo.3509134

Ueangsawat, K., Nilsamranchit, S., & Jintrawet, A. (2015). Fate of ENSO Phase on Upper Northern Thailand, a Case Study in Chiang Mai. Agriculture and Agricultural Science Procedia, 5, 2-8. [cited 2026 January 15]; Available from: https://doi.org/10.1016/j.aaspro.2015.08.001

Waskom, M. L. (2021). Seaborn: Statistical data visualization. Journal of Open Source Software, 6(60), 3021. [cited 2026 January 15]; Available from: https://doi.org/10.21105/joss.03021

Xu, C., Xu, J., & Wang, L. (2024). Long-term effects of climate factors on dengue fever over a 40-year period. BMC Public Health, 24, 1451. [cited 2026 January 15]; Available from: https://doi.org/10.1186/s12889-024-18869-0

ดาวน์โหลด

เผยแพร่แล้ว

2026-06-26

รูปแบบการอ้างอิง

ชยธวัช ว., & ไตรยะวิภาค ฐ. . (2026). การวิเคราะห์จัดกลุ่มเดือนตามจำนวนผู้ป่วยไข้เลือดออก และปัจจัยภูมิอากาศในจังหวัดเชียงใหม่. วารสารสาธารณสุขล้านนา, 22(1), 43–54. สืบค้น จาก https://he02.tci-thaijo.org/index.php/LPHJ/article/view/280041

ฉบับ

ประเภทบทความ

นิพนธ์ต้นฉบับ