ความเชื่อมโยงปริมาณฝนกับจำนวนผู้ป่วยโรคเมลิออยโดสิสรายจังหวัด ในเขตสุขภาพที่ 10 ประเทศไทย

ดรุณี  รอดมา; จันทนา  ตาดำนิล; จิณัชชา  วงษ์ประกอบ; วีรวิชญ์  พลายงาม; วนิดา ดุรงค์ฤทธิชัย

ผู้แต่ง

ดรุณี รอดมา คณะสหเวชศาสตร์ มหาวิทยาลัยปทุมธานี
จันทนา ตาดำนิล คณะเภสัชศาสตร์ มหาวิทยาลัยปทุมธานี
จิณัชชา วงษ์ประกอบ คณะเภสัชศาสตร์ มหาวิทยาลัยปทุมธานี
วีรวิชญ์ พลายงาม คณะเภสัชศาสตร์ มหาวิทยาลัยปทุมธานี
วนิดา ดุรงค์ฤทธิชัย คณะพยาบาลศาสตร์ มหาวิทยาลัยปทุมธานี

คำสำคัญ:

ความเชื่อมโยง, ปริมาณฝน, จำนวนผู้ป่วยโรคเมลิออยโดสิส, อัตราส่วนอัตราอุบัติการณ์

บทคัดย่อ

การวิจัยนี้มีวัตถุประสงค์เพื่อวิเคราะห์ความสัมพันธ์เชิงปริมาณระหว่างปริมาณฝนรายเดือนกับจำนวนผู้ป่วยโรคเมลิออยโดสิสรายเดือนใน 5 จังหวัดเขตสุขภาพที่ 10 การศึกษานี้เป็นการวิเคราะห์อนุกรมเวลาเชิงนิเวศ โดยใช้ข้อมูลทุติยภูมิรายเดือน (n=84 เดือน) ตั้งแต่มกราคม 2561 ถึง ธันวาคม 2567 ประกอบด้วยจำนวนผู้ป่วยโรคเมลิออยโดสิส และปริมาณฝน 3 รูปแบบ (ต่ำสุด, สูงสุด, และเฉลี่ย) วิเคราะห์ข้อมูลด้วยสถิติเชิงพรรณนา และวิเคราะห์ความสัมพันธ์โดยใช้ตัวแบบเชิงเส้นนัยทั่วไป

ผลการวิจัยพบว่า ตัวแบบเชิงเส้นนัยทั่วไปทั้ง 5 จังหวัดมี Loglikelihood ratio test ที่มีนัยสำคัญทางสถิติ (p<.05) แบบจำลองที่มีค่า R2 สูงสุด ได้แก่ จังหวัดอำนาจเจริญเป็นแบบจำลองตัวแบบควาไซปัวซงมีปริมาณฝนเฉลี่ยเป็นตัวแปรต้น จังหวัดมุกดาหารและจังหวัดยโสธรเป็นแบบจำลองตัวแบบควาไซปัวซงมีปริมาณฝนต่ำสุดเป็นตัวแปรต้น ส่วนจังหวัดศรีสะเกษและจังหวัดอุบลราชธานีเป็นตัวแบบการถดถอยทวินามลบมีปริมาณฝนต่ำสุดเป็นตัวแปรต้น อัตราส่วนอัตราอุบัติการณ์ของทั้ง 5 จังหวัด
อยู่ระหว่าง 1.0015-1.0030

ผลการศึกษาชี้ให้เห็นว่าปริมาณฝนเป็นปัจจัยเสี่ยงที่สำคัญของเขตสุขภาพที่ 10 ซึ่งต้องมีการรณรงค์ให้มีการป้องกันตนเองอย่างต่อเนื่อง

เอกสารอ้างอิง

Arushothy, R., Mohd Ali, MR, Zambri, H.F., Muthu, V., Hashim, R., Chieng, S., & Nathan, S. (2024). Assessing the national antibiotic surveillance data to identify burden for melioidosis in Malaysia, IJID Regions, 10, 94-99. https://doi.org/10.1016/j.ijregi.2023.11.014.

Birnie, E., Virk, H. S., Savelkoel, J., Spijker, R., Limmathurotsakul, D., Devleesschauwer, B., Haagsma, J. A., & Wiersinga, W. J. (2019). Global burden of melioidosis in 2015: a systematic review and data synthesis. The Lancet Infectious Diseases, 19(8), 892-902. https://doi.org/10.1016/S1473-3099(19)30150-2

Currie, B.J., & Meumann, E.M. (2025). Melioidosis in Asia-Pacific Nations: Expanding Boundaries but Unknowns Remain. Respirology, 30(10),917-919. doi: 10.1111/resp.70098

Epidemiology Division, Department of Disease Control. (2025). Digital Disease Surveillance Platform, R506, Disease Surveillance Reporting System 506: Melioidosis. Retrieved November 7, 2025, from http://doe1.moph.go.th/surdata/disease.php?ds=72

Fong, J. H., Pillai, N., Yap, C. G., & Jahan, N. K. (2021). Incidences, Case Fatality Rates and Epidemiology of Melioidosis Worldwide: A Review Paper. Open Access Library Journal, 8(e7537), Article e7537. https://www.scirp.org/journal/paperinformation.aspx?paperid=110072

Gallucci, M. (2019). GAMLj: General analyses for linear models [jamovi module]. [cited 2025 Sep 20]. Available from: https://gamlj.github.io/.

Havlicek, L. L., & Peterson, N. L. (1977). Effect of the violation of assumptions upon significance levels of the Pearson r. Psychological Bulletin, 84(2), 373–377. https://doi.org/10.1037/0033-2909.84.2.373

Jiee, S. F., Lim, K.J., Choon Vui, D.S., Marius, D.P., Illyana, N.S., & Jantim, A. (2023). Extreme Weather and Melioidosis: An Endemic Tropical Disease in the Penampang District of Sabah, Malaysia. Journal of Health Research, 37(5), Article 3.

Limmathurotsakul, D., Golding, N., Dance, D. A., Messina, J. P., Pigott, D. M., Moyes, C. L., Rolim, D. B., Wuthiekanun, V., Bremell, T., Gleeson, F., Watson, S. J., Day, N. P., Hay, S. I., & Peacock, S. J. (2016). Predicted global distribution of Burkholderia pseudomallei and burden of melioidosis. Nature Microbiology, 1(1), 1-5. https://doi.org/10.1038/nmicrobiol.2015.8

Meumann E. M., Limmathurotsakul D., Dunachie S. J., Wiersinga W. J., & Currie B. J. (2024). Burkholderia pseudomallei and melioidosis. Nature Reviews Microbiology, 22(3), 155–169.

MORU Tropical Health Network. (2025). Meliodosis. Microbiology Department at Mahidol Oxford Tropical Medicine Research Unit. Retrieved November 15, 2025, from https://www.tropmedres.ac/units/moru-bangkok/microbiology/significant-achievements/melioidosis

National Hydroinformatics Data Center, Hydro-Informatics Institute (Public Organization). (2025). Monthly Spatial Rainfall by Province. Retrieved November 7, 2025, from https://data.hii.or.th/dataset/38cbfb06-e174-4653-accd-d491121ba752/resource/120aba77-b0a7-44c0-8043-91124dac45ed/download/spatial-rain-hii.csv

Nguyen, M. (2020). A Guide on Data Analysis. Bookdown. [cited 2025 Sep 20]. Retrieved November 15, 2025, from https://bookdown.org/mike/data_analysis/

R Core Team. R: A language and environment for statistical computing. (Version 4.1) [Computer software]. 2021 [cited 2025 Sep 20]. Available from: https://cran.r-project.org. (R packages retrieved from MRAN snapshot 2022-01-01).

The jamovi project. jamovi (Version 2.3) [Computer Software]. 2022 [cited 2025 Sep 20]. Available from: https://www. jamovi.org.

Ver Hoef, J.M., & Boveng, P.L. (2007). Quasi-Poisson vs. negative binomial regression: how should we model overdispersed count data? Ecology, 88(11), 2766-72. doi: 10.1890/07-0043.1.

Prideaux, L., Sandeman, M., Stratton, H., Kelleher, A.D., Smith, S., & Hanson, J. (2025). Melioidosis in People Living With Diabetes; Clinical Presentation, Clinical Course and Implications for Patient Management. Acta Tropica, 263,107559