สหสัมพันธ์ของจำนวนผู้ป่วยโรคอ้วน เบาหวาน ความดันโลหิตสูง และโรคหัวใจ
Article Sidebar
Main Article Content
บทคัดย่อ
โรคอ้วนเกิดขึ้นเมื่อมีปริมาณไขมันในร่างกายที่มากเกินไป อาจก่อให้เกิดโรคและปัญหาสุขภาพอื่น ๆ เช่น โรคเบาหวาน ความดันโลหิตสูง และโรคหัวใจ การศึกษาสหสัมพันธ์ข้อมูลอนุกรมเวลาจำนวนผู้ป่วยในสี่โรคจากข้อมูลสถิติผู้ป่วยในของประเทศไทยจากสรุปรายงานการป่วยของกระทรวงสาธารณสุขตั้งแต่ พ.ศ. 2564 ย้อนไป พ.ศ. 2555 จำนวน 10 ปี พบว่าเมื่อวิเคราะห์โดยใช้สหสัมพันธ์สเปียร์แมนของจำนวนผู้ป่วยในโรคอ้วนมีความสัมพันธ์กับจำนวนผู้ป่วยในโรคเบาหวาน และกับจำนวนผู้ป่วยในโรคความดันโลหิตสูงอย่างมีนัยสำคัญทางสถิติเท่ากับ 0.964 (p-value < .001) และ 0.952 (p-value < .001) ตามลำดับ จำนวนผู้ป่วยในโรคเบาหวานและจำนวนผู้ป่วยในโรคความดันโลหิตสูงมีสหสัมพันธ์สเปียร์แมนอย่างมีนัยสำคัญทางสถิติเท่ากับ 0.998 (p-value < .001) ส่วนจำนวนผู้ป่วยในโรคหัวใจกับจำนวนผู้ป่วยในโรคอ้วน จำนวนผู้ป่วยในโรคเบาหวาน และจำนวนผู้ป่วยในโรคความดันโลหิตสูง มีสหสัมพันธ์กันอย่างไม่มีนัยสำคัญทางสถิติ โดยมีค่าสถิติสหสัมพันธ์สเปียร์แมน เท่ากับ -0.442 (p-value = 0.204 ) -0.370 (p-value = 0.296) และ -0.394 (p-value = 0.263) ตามลำดับกล่าวได้ว่าจำนวนผู้ป่วยในโรคอ้วนมีความสัมพันธ์ในระดับสูงกับจำนวนผู้ป่วยในโรคเบาหวาน และจำนวนผู้ป่วยในโรคความดันโลหิตสูง
Article Details
เอกสารอ้างอิง
Patel SA, et al. (2016). Obesity and its relation with diabetes and hypertension: A cross-sectional study across 4 geographical regions. Global Heart Journal. 11(1), 71-79. doi: 10.1016/j.gheart.2016.01.003
วิชัย เอกพลากร (บรรณาธิการ). (2564). รายงานการสำรวจสุขภาพประชาชนไทยโดยการตรวจร่างกาย ครั้งที่ 6 พ.ศ. 2562 – 2563. กรุงเทพฯ: สำนักพิมพ์อักษรกราฟฟิคแอนด์ดีไซน์.
Altman N, and Krzywinski M. (2015). Association, correlation and causation. Nat Methods. 12, 899–900. https://doi.org/10.1038/nmeth.3587
Statistics Solutions. (2023). Correlation (Pearson, Kendall, Spearman). Retrieved July 30, 2023, from https://www.statisticssolutions.com/free-resources/directory-of-statistical-analyses/correlation-pearson-kendall-spearman/
Chen D, and Utter B. (2021). When correlation does not imply causation: Why your gut microbes may not (yet) be a silver bullet to all your problems. Retrieved July 30, 2023, from https://sitn.hms.harvard.edu/flash/2021/when-correlation-does-not-imply-causation-why-your-gut-microbes-may-not-yet-be-a-silver-bullet-to-all-your-problems/
JMP Statistical Discovery LLC. (2023). Correlation vs. Causation.Retrieved July 30, 2023, from https://www.jmp.com/en_au/statistics-knowledge-portal/what-is-correlation/correlation-vs-causation.html
กองยุทธศาสตร์และแผนงาน สำนักงานปลัดกระทรวงสาธารณสุข. (2564-2556). (2565-2557). สรุปรายงานการป่วย ปี 2564 ถึง 2556. ค้นเมื่อ 30 กรกฎาคม 2566, จาก https://spd.moph.go.th/illness-report/
Healthkpi. (2564). อัตราตายของผู้ป่วยโรคหลอดเลือดหัวใจ. สืบค้นเมื่อ 30 กรกฎาคม 2566, จาก http://healthkpi.moph.go.th/kpi2/kpi-list/view/?id=45
The jamovi project. (2022). Jamovi. (Version 2.3) [Computer Software]. Retrieved July 10, 2023, from https://www.jamovi.org.
R Core Team. (2021). R: A Language and environment for statistical computing. (Version 4.1) [Computer software]. Retrieved July 10, 2023, from https://cran.r-project.org. (R packages retrieved from MRAN snapshot 2022-01-01).
Patel SA, et al. (2016). Obesity and its Relation With Diabetes and Hypertension: A Cross-Sectional Study Across 4 Geographical Regions. Glob Heart.11(1):71-79. e4.
Wei OY. (2020). The Relationship Between Obesity, Diabetes and the Heart. Mount Elizabeth Hospitals. Retrieved July 10, 2023, from https://www.mountelizabeth.com.sg/health-plus/article/the-relationship-between-obesity-diabetes-and-the-heart
Deng J. (1982). Control problems of grey system. System and Control Letter. 1: 288-294.
Li GD, et al. 2007. New proposal and accuracy evaluation of grey prediction GM. IEICE TRANSACTIONS on Fundamentals of Electronics, Communications and Computer Sciences. E90, 1188-1197.
Gujarati, DN, and Porter DC. (2009). "Causality in Economics: The Granger Causality Test". Basic Econometrics (5th international ed.). New York: McGraw-Hill. pp. 652–658.
Granger, CWJ. (1969). Investigating causal relations by econometric models and cross-spectral methods. Econometrica: Journal of the Econometric Society. 37(3):424–438.
Grande, AF, et al. (2022). Granger causality and time series regression for modelling the migratory dynamics of infuenza into Brazil. SORT-Statistics and Operations Research Transactions. 46 (2), 161-188 DOI: 10.2436/20.8080.02.122
