Early Warning for Dengue Outbreak in Thailand Using Entomology, Epidemiology and Meteorology Analysis with Advanced Statistics and Geographic Information System Dengue early warning for Thailand

Main Article Content

Chitti Chansang
Thanyapak Makruen
Jariya Krutbut
Wannisa Suebsaard
Ekarat Denchonchai
Piti Mongkalangoon
Uruyakorn Chansang


          Dengue fever is one of public health problems of Thailand and the disease control is usually focused on Aedes mosquito suppression. However, there are various factors concerned with the dengue outbreak. The models of dengue early warning were created in this study using the factors of Entomology, Epidemiology and Meteorology in accordance with the analysis by the advanced statistics and Geographic Information System (GIS). The data of dengue cases per 100,000 population (X1), mean temperature (X2), mean relative humidity (X3), mean rainfall (X4), and average eggs per ovitrap (X5) from January to May during 2012-2019 of 32 provinces in 4 regions of Thailand were combined and analyzed for the selected years in each region. The results showed that the models for prediction of dengue cases per 100,000 population (y) calculated by the multiple linear regression provided R2 between 0.616 and 0.647. In the meantime, the models for probability of dengue outbreak [logist (y)] calculated by the multinomial logistic regression produced the Overall Correct from 73.750 to 79.200. Then, the GIS was used to analyze the results from the models by overlay analysis for 77 provinces and the GIS maps were created to compare the predicted results to the real data. The accuracy of the prediction of all provinces in the years 2016, 2017 and 2019 were between 67.408 and 84.793. These models can be used to early warning the dengue outbreaks in advance for 2-3 months in each province for each year by in put all of the mentioned data into the models. In conclusion, this can be applied for dengue early warning in order to control dengue vectors in the target provinces for the disease control in Thailand.


Download data is not yet available.

Article Details

Original Articles


1. Hermann LL, Gupta SB, Manoff SB, Kalayanarooj S, Gibbons RV, Coller BAG. Advances in the understanding, management, and prevention of dengue. J Clin Virol 2015; 64: 153-9.

2. Wilder-Smith A, Ooi EE, Horstick O, Wills B. Dengue. Lancet 2019; 393(10169): 350-63.

3. Limkittikul K, Brett J, L’Azou M. Epidemiological trends of dengue disease in Thailand (2000-2011): a systematic literature review. PLoS Negl Trop Dis 2014; 8(11): e3241. (10 pages).

4. Gratz NG. Lessons of Aedes aegypti control in Thailand. Med Vet Entomol 1993; 7(1): 1-10.

5. Racloz V, Ramsey R, Tong S, Hu W. Surveillance of dengue fever virus: a review of epidemiological models and early warning systems. PLoS Negl Trop Dis 2012; 6(5): e1648. (9 pages).

6. Sivaprasad A, Beevi NS, Manojkumar TK. Dengue and Early Warning Systems: a review based on Social Network Analysis. Procedia Comput Sci 2020; 171: 253-62.

7. Myers MF, Rogers DJ, Cox J, Flahault A, Hay SI. Forecasting disease risk for increased epidemic preparedness in public health. Adv Parasitol 2000; 47: 309-30.

8. Promprou S, Jaroensutasinee M, Jaroensutasinee K. Forecasting dengue haemorrhagic fever cases in Southern Thailand using ARIMA Models. Dengue Bull 2006; 30: 99-106.

9. Wongkoon S, Jaroensutasinee M, Jaroensutasinee K. Development of temporal modeling for prediction of dengue infection in Northeastern Thailand. Asia Pac J Trop Med 2012; 5(3): 249-52.

10. สำนักโรคติดต่อนำโดยแมลง กรมควบคุมโรค. คู่มือวิชาการโรคติดเชื้อเดงกีและโรคไข้เลือดออกเดงกีด้านการแพทย์และสาธารณสุข. [ออนไลน์]. 2558; [สืบค้น 6 มี.ค. 2564]; [152หน้า]. เข้าถึงได้ที่: URL: https://www.pidst.or.th/A434.html?action=
download&fi le=481_คู่มือวิชาการโรคไข้เลือดออกปี2558_-%20

11. Morrison AC, Zielinski-Gutierrez E, Scott TW, Rosenberg R. Defi ning challenges and proposing solutions for control of the virus vector Aedes aegypti. PloS Med 2008; 5(3): e68. (5 pages).

12. Chien LC, Yu HL. Impact of meteorological factors on the spatiotemporal patterns of dengue fever incidence. Environ Int 2014; 73: 46-56.

13. Descloux E, Mangeas M, Menkes CE, Lengaigne M, Leroy A, Tehei T, et al. Climate-based models for understanding and forecasting dengue epidemics. PLoS Negl Trop Dis 2012; 6(2): e1470. (19 pages).

14. Campbell KM, Lin CD, Iamsirithaworn S, Scott TW. The Complex relationship between weather and dengue virus transmission in Thailand. Am J Trop Med Hyg 2013; 89(6): 1066-80.

15. World Health Organization. Public health mapping and GIS for global health security: a WHO strategic and operational framework. [online]. 2006; [cited 2021 Mar 19]; [22 screens] Available from: URL: https://apps.who.int/iris/bitstream/

16. Louis VR, Phalkey R, Horstick O, Ratanawong P, Wilder-Smith A, Tozan Y, et al. Modeling tools for dengue risk mapping a systematic review. Int J Health Geogr 2014; 13: 50. 1(15 pages).

17. จิตติ จันทร์แสง, จิรัติวัล เครือศิลป์, สุรภี อนันตปรีชา, อุรุญากร จันทร์แสง, อุษาวดี ถาวระ, รุ่งเรือง กิจผาติ และคณะ. ระบบสารสนเทศภูมิศาสตร์-โรคไข้เลือดออกสำหรับการหาพื้นที่เสี่ยงการเกิดโรคระดับอำเภอโดยใช้ข้อมูลระบาดวิทยาและข้อมูลภาพดาวเทียม. ใน: การประชุมวิชาการวิทยาศาสตร์การแพทย์ ครั้งที่ 15. วันที่ 27-29 สิงหาคม 2550. นนทบุรี: กรมวิทยาศาสตร์การแพทย์ กระทรวงสาธารณสุข; 2550. หน้า 39.

18. จิตติ จันทร์แสง, บุษยา ธูปพุดซา, สุรภี อนันตปรีชา, อุรุญากร จันทร์แสง, รุ่งเรือง กิจผาติ, ปฐม สวรรค์ปัญญาเลิศ. การพยากรณ์โรคไข้เลือดออกเชิงพื้นที่ด้วยระบบสารสนเทศภูมิศาสตร์ (GIS) และข้อมูลระบาดวิทยาเชิงคุณภาพ. ใน: การประชุมวิชาการวิทยาศาสตร์การแพทย์ ครั้งที่ 16. วันที่ 12-13 มิถุนายน 2551. นนทบุรี: กรมวิทยาศาสตร์การแพทย์ กระทรวงสาธารณสุข; 2551. หน้า 23.

19. จิตติ จันทร์แสง, อุรุญากร จันทร์แสง, สมชาย แสงกิจพร, นิพนธ์ โพธิ์พัฒนชัย. ระบบสารสนเทศภูมิศาสตร์-โรคไข้เลือดออกเพื่อการพยากรณ์โอกาสการเกิดการระบาดและอัตราผู้ป่วยระดับจังหวัด. ใน: การประชุมวิชาการวิทยาศาสตร์การแพทย์ ครั้งที่ 21. วันที่ 16-18 มิถุนายน 2556. นนทบุรี: กรมวิทยาศาสตร์การแพทย์ กระทรวงสาธารณสุข; 2556. หน้า 58.

20. สำนักระบาดวิทยา กรมควบคุมโรค. จำนวนผู้ป่วย-เสียชีวิตรายเดือน แยกรายจังหวัด, จำนวนและอัตราป่วย-ตายต่อแสนประชากร แยกรายจังหวัด. [ออนไลน์]. 2563; [สืบค้น 25 มีนาคม 2564]; [14 หน้า]. เข้าถึงได้ที่: URL: http://www.boe.moph.go.th/boedb/

21. กรมอุตุนิยมวิทยา. การสรุปลักษณะอากาศรายปี. [ออนไลน์]. 2558; [สืบค้น 25 มีนาคม 2564]. เข้าถึงได้ที่: URL: http://climate.

22. จิตติ จันทร์แสง, จริยา ครุธบุตร์, ธัณญภักษณ์ มากรื่น, วรรณิศา สืบสอาด, เอกรัฐ เด่นชลชัย, สุวรรณภา นิลพนมชัย, และคณะ. พื้นที่เสี่ยงโรคไข้เลือดออก: วิเคราะห์ผลการสำรวจกับดักไข่ยุงลายและข้อมูลผู้ป่วยโรคไข้เลือดออกของประเทศไทยด้วยระบบสารสนเทศภูมิศาสตร์. ว กรมวิทย พ 2564; 63(1): 78-91.

23. Katz MH. Multivariable analysis: a practical guide for clinicians. Cambridge: Cambridge University Press; 1999.

24. สุชาติ ประสิทธิ์รัฐสินธุ์. การใช้สถิติในงานวิจัยอย่างถูกต้องและได้มาตรฐานสากล. พิมพ์ครั้งที่ 6. กรุงเทพฯ: สามลดา; 2556.

25. Norusis, MJ. SPSS/PC+. Chicago: SPSS Inc.; 1988.

26. จิตติ จันทร์แสง, เบญญาภา ธูปพุดซา, อารีรัตน์ สง่าแสง, อุรุญากร จันทร์แสง, สมชาย แสงกิจพร. แผนที่ GIS เพื่อการประมาณค่าเชิงพื้นที่ของประเทศ จากผลการตรวจทางห้องปฏิบัติการด้านวิทยาศาสตร์การแพทย์: กรณีศึกษาการตรวจไวรัสเดงกีและประชากรยุงลายพาหะนำโรคไข้เลือดออก. ใน: การประชุมวิชาการวิทยาศาสตร์การแพทย์ ครั้งที่ 22. วันที่ 30 มิถุนายน – 2 กรกฎาคม 2557. นนทบุรี: กรมวิทยาศาสตร์การแพทย์ กระทรวงสาธารณสุข; 2557. หน้า 68-69.

27. ESRI. ArcGIS 9: using ArcGIS desktop. New York: Esri Press; 2006.

28. จิตติ จันทร์แสง, ประคอง พันธ์อุไร, อุษาวดี ถาวระ, อุรุญากร จันทร์แสง, อภิวัฏ ธวัชสิน, สุพล เป้าศรีวงษ์. รูปแบบสำหรับการพยากรณ์จำนวนผู้ป่วยโรคไข้เลือดออกในเขตภาคตะวันออกเฉียงเหนือ. วารสารโรคติดต่อ 2540; 23(1): 72-8.

29. World Health Organization. Early warning and response system (EWARS) for dengue outbreaks: operational guide using the web-based dashboard. [online]. 2018; [cited 2021 Mar 22]; [52 screens] Available from: URL: https://apps.who.

30. คณะกรรมการวางแผนพัฒนาการสาธารณสุข. แผนพัฒนาการสาธารณสุขตามแผนพัฒนาการเศรษฐกิจและสังคมแห่งชาติ ฉบับที่ 7 (พ.ศ. 2535-2539). กรุงเทพฯ: โรงพิมพ์องค์การสงเคราะห์ทหารผ่านศึก; 2535.

31. จิตติ จันทร์แสง. การประยุกต์ใช้ระบบสารสนเทศทางภูมิศาสตร์และการสำรวจข้อมูลระยะไกลเพื่อการประเมินความเสี่ยงต่อไข้เลือดออกในประเทศไทย. [วิทยานิพนธ์]. ภาควิชาชีววิทยา, บัณฑิตวิทยาลัย. นครปฐม: มหาวิทยาลัยมหิดล; 2548.

32. จิรัติวัล เครือศิลป์. ระบบสารสนเทศทางภูมิศาสตร์เพื่อกำหนดพื้นที่เสี่ยงต่อการเกิดโรคไข้เลือดออกในจังหวัดนครราชสีมา. [วิทยานิพนธ์]. ภาควิชาภูมิศาสตร์, คณะอักษรศาสตร์. กรุงเทพฯ: จุฬาลงกรณ์มหาวิทยาลัย; 2549.

33. สมหวัง คุรุศาสตรา. การประเมินความเสี่ยงการระบาดของโรคไข้เลือดออกโดยใช้การวิเคราะห์เชิงพื้นที่ในจังหวัดฉะเชิงเทรา. [วิทยานิพนธ์]. ภาควิชานิเวศวิทยาอุตสาหกรรมและสิ่งแวดล้อม, บัณฑิตวิทยาลัย. นครปฐม: มหาวิทยาลัยมหิดล; 2553.

34. Ninphanomchai S, Chansang C, Hii YL, Rocklöv J, Kittayapong P. Predictiveness of disease risk in a global outreach tourist setting in Thailand using meteorological data and vector-borne disease incidences. Int J Environ Res Public Health 2014; 11(10): 10694-709.

35. QGIS Develop Team. QGIS: a free and open source geographic information system. [online]. 2021; [cited 2021 Mar 29]; [3 screens]. Available from: URL: https://qgis.org/en/site.

36. MapWindow Open Source Team. MapWindow GIS. [online]. 2021; [cited 2021 Mar 29]; [8 screens] Available from: URL: https://www.mapwindow.org.

37. จิตติ จันท์แสง. การประยุกต์ใช้ GIS, GPS, และ RS สำหรับการทำแผนที่และงานวิจัยด้านสาธารณสุข [วิดีโอออนไลน์]. 2563; [สืบค้น 31 มี.ค. 2564]. เข้าถึงได้ที่: URL: https://www.youtube.

38. สำนักโรคติดต่อนำโดยแมลง กรมควบคุมโรค. รายงานพยากรณ์โรคไข้เลือดออก ปี 2560. [ออนไลน์]. 2560; [สืบค้น 13 มี.ค. 2564]; [43 หน้า]. เข้าถึงได้ที่: URL: https://ddc.moph.go.th/uploads/

39. สำนักโรคติดต่อนำโดยแมลง กรมควบคุมโรค. รายงานพยากรณ์โรคไข้เลือดออก ปี 2562. [ออนไลน์]. 2562; [สืบค้น 13 มี.ค. 2564]; [53 หน้า]. เข้าถึงได้ที่: URL: https://ddc.moph.go.th/uploads/
ckeditor/6f4922f45568161a8cdf4ad2299f6d23/fi les/Dangue/Prophecy/2562.pdf.

40. จิตติ จันท์แสง และคณะ. สถานการณ์ยุงลายและพื้นที่เสี่ยงโรคไข้เลือดออก. [ออนไลน์]. 2559; [สืบค้น 30 มี.ค. 2564]; [2 หน้า]. เข้าถึงได้ที่: URL: http://nih.dmsc.moph.go.th/login/showimgdetil.