พยากรณ์จำนวนผู้ป่วยโรคไม่ติดต่อเรื้อรังรายใหม่ในจังหวัดสุพรรณบุรี
คำสำคัญ:
การพยากรณ์, จำนวนผู้ป่วยรายใหม่, โรคไม่ติดต่อเรื้อรัง, ทฤษฎีระบบเกรย์บทคัดย่อ
การวิจัยเชิงปริมาณพยากรณ์นี้มีวัตถุประสงค์เพื่อศึกษาการพยากรณ์จำนวนผู้ป่วยรายใหม่โรคไม่ติดต่อเรื้อรังในจังหวัดสุพรรณบุรีปีงบประมาณ 2568 โดยรวบรวมข้อมูลจากกระทรวงสาธารณสุข กลุ่มรายงานมาตรฐาน การป่วยด้วยโรคไม่ติดต่อที่สำคัญ เขตสุขภาพที่ 5 เป็นข้อมูลปีงบประมาณ 2556 ถึง 2567 วิเคราะห์ข้อมูลรายปี ด้วยทฤษฎีระบบเกรย์ ผลการวิจัยพบว่า การพยากรณ์จำนวนผู้ป่วยรายใหม่โรคความดันโลหิตสูง, โรคเบาหวาน, และโรคหัวใจและหลอดเลือด ตัวแบบ GM(1,1) Error Periodic Correction มีค่าเฉลี่ยร้อยละความผิดพลาดสัมบูรณ์ (MAPE) ในช่วงเวลาระหว่างปีงบประมาณ 2556 ถึง 2567 ร้อยละ 3.66, 4.15, และ 7.23 ตามลำดับ ซึ่งอยู่ในเกณฑ์ที่ใช้พยากรณ์ได้แม่นยำสูง ส่งผลให้ค่าพยากรณ์ในปีงบประมาณ 2568 จะมีผู้ป่วยรายใหม่โรคความดันโลหิตสูง และ โรคเบาหวาน ลดลง โรคหัวใจและหลอดเลือดเพิ่มขึ้นเล็กน้อย แต่ถ้าเลือกตัวแบบ GM(1,1) ที่มี MAPE 13.16, 11.68, และ 13.00 ตามลำดับ ซึ่งจะทำให้มีผู้ป่วยรายใหม่ 12,940, 6,079, และ 82 ราย ตามลำดับ เพิ่มขึ้นจากปีงบประมาณ 2567 ร้อยละ 5.14, 7.97, และ 28.20 ตามลำดับ
เอกสารอ้างอิง
กระทรวงสาธารณสุข. (2567). กลุ่มรายงานมาตรฐาน - สถานะสุขภาพ >> การป่วยด้วยโรคไม่ติดต่อที่สำคัญ. https://hdcservice.moph.go.th
กลุ่มเทคโนโลยีและระบาดวิทยา, กองโรคไม่ติดต่อ, กรมควบคุมโรค, กระทรวงสาธารณสุข. (2566). รายงานการสำรวจและคัดกรองสภาวะสุขภาพประเด็นโรคไม่ติดต่อ ผ่าน Application smart อสม. ปี พ.ศ. 2566. https://ddc.moph.go.th
พรพิมล อดัมส์. (ม.ป.ป.). ความสำคัญของการขอรับรองจริยธรรมการวิจัย. https://www.tm.mahidol.ac.th
มหาวิทยาลัยมหิดล. (2565). ประกาศมหาวิทยาลัยมหิดล เรื่อง แนวปฏิบัติสำหรับโครงการวิจัยที่ไม่เข้าข่ายการวิจัยในคน. https://sp.mahidol.ac.th
ศูนย์ส่งเสริมจริยธรรมการวิจัยในคน สำนักงานอธิการบดีมหาวิทยาลัยมหิดล. (2565). แบบประเมินว่าโครงการวิจัยของท่านเข้าข่ายการวิจัยในคนหรือไม่. https://sp.mahidol.ac.th
Andrés, D. (2023). Machine Learning Pills: Error Metrics for Time Series Forecasting. Retrieved May 5, 2024 from https://mlpills.dev/time-series/error-metrics-for-time-series-forecasting/
Deng, J. (1982). Grey control system. Journal of Huazhong University of Science and Technology, 1, 9–18.
Duan, J., Jiao, F., Zhang, Q., & Lin Z. (2017). Predicting Urban Medical Services Demand in China: An Improved Grey Markov Chain Model by Taylor Approximation. International Journal of Environmental Research and Public Health, 14, 883. DOI: 10.3390/ijerph14080883
Hyndman, R.J., & Athanasopoulos, G. (2021). Forecasting: principles and practice. 3rd edition, Melbourne, Australia: OTexts:
Lewis, C.D. (1982). Industrial and business forecasting methods. London: Butterworths.
Lin, Y.H., Chiu, C.C., Lin, Y.J., & Lee P.C. (2013). Rainfall prediction using innovative grey model with the dynamic index. Journal of Marine Science and Technology, 21(1), 63-75. DOI:10.61 19/JMST-011-1116-1.
Liu, S. (2021). Grey systems: theory and its application. (9th Ed.). Beijing: Science Press.
Liu, S., & Lin, Y. (2010). Grey systems theory and its application. Berlin, Heidelberg: Spring.
Xie, N. (2022). A summary of grey forecasting models. Grey Systems: Theory and Application, 12(4), 703–22. doi:10.1108/GS-06-2022-0066
ดาวน์โหลด
เผยแพร่แล้ว
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ได้รับการตีพิมพ์เป็นลิขสิทธิ์ของวารสารวิทยาลัยพยาบาลบรมราชชนนี สุพรรณบุรี
ข้อความที่ปรากฏในบทความแต่ละเรื่องในวารสารวิชาการเล่มนี้เป็นความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่านไม่เกี่ยวข้องกับวิทยาลัยพยาบาลบรมราชชนนี สุพรรณบุรี และคณาจารย์ท่านอื่นๆในวิทยาลัยฯ แต่อย่างใด ความรับผิดชอบองค์ประกอบทั้งหมดของบทความแต่ละเรื่องเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใดๆ ผู้เขียนแต่ละท่านจะรับผิดชอบบทความของตนเองแต่ผู้เดียว
