การพัฒนาแบบจำลองพยากรณ์โรคไข้เลือดออกในเขตสุขภาพที่ 8 โดยใช้ SARIMA และ Holt-Winters Exponential Smoothing: Python

กฤษณะ สุกาวงค์; ทรงยศ ศรีหริ่ง; ฐิตินันท์  กล่ำศิริ

ผู้แต่ง

กฤษณะ สุกาวงค์ สำนักงานป้องกันควบคุมโรคที่ 8 จังหวัดอุดรธานี
ทรงยศ ศรีหริ่ง มหาวิทยาลัยราชภัฏอุดรธานี
ฐิตินันท์ กล่ำศิริ สำนักงานป้องกันควบคุมโรคที่ 8 จังหวัดอุดรธานี

คำสำคัญ:

โรคไข้เลือดออก, การพยากรณ์โรค, SARIMA, Holt-Winters, เขตสุขภาพที่ 8, Python

บทคัดย่อ

โรคไข้เลือดออกเป็นปัญหาสาธารณสุขสำคัญในเขตสุขภาพที่ 8 งานวิจัยนี้ มีวัตถุประสงค์เพื่อพัฒนาและประเมินประสิทธิภาพแบบจำลองพยากรณ์จำนวนผู้ป่วยโรคไข้เลือดออกรายเดือน โดยใช้เทคนิค SARIMA (Seasonal Autoregressive Integrated Moving Average) และ Holt-Winters Exponential Smoothing เพื่อสนับสนุนการวางแผนควบคุมโรค ศึกษาจากข้อมูลผู้ป่วยโรคไข้เลือดออกในเขตสุขภาพที่ 8 ระหว่างปี พ.ศ. 2563-2567 แบ่งข้อมูลเป็นชุดฝึก พ.ศ. 2563-2566 และชุดทดสอบ พ.ศ. 2567 แบบจำลอง SARIMA ถูกสร้างโดยวิเคราะห์ภาวะนิ่งและพารามิเตอร์จากกราฟ ACF/PACF ส่วน Holt-Winters Exponential Smoothing (Additive) ถูกเลือกใช้เพื่อรองรับข้อมูลที่มีแนวโน้มและฤดูกาล ประเมินประสิทธิภาพด้วยค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์ (MAE), รากที่สองของค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง (RMSE) และร้อยละความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAPE) ผลการศึกษา พบว่าแบบจำลอง SARIMA(2,0,0)(0,0,0)[12] intercept มีค่า MAE = 213.96, RMSE = 333.00, และ MAPE = 49.65% ซึ่งพยากรณ์แนวโน้มภาพรวมได้ดี แต่ยังไม่แม่นยำในการตรวจจับจุดสูงสุดของการระบาดได้ ขณะที่แบบจำลอง Holt-Winters Exponential Smoothing (Additive) มีค่า MAE = 193.02, RMSE = 234.03, และ MAPE = 52.32% ซึ่งสะท้อนแนวโน้มตามฤดูกาลได้ใกล้เคียงกับข้อมูลจริงมากกว่า สรุปและข้อเสนอแนะ Holt-Winters มีความแม่นยำเชิงสัมบูรณ์ (MAE และ RMSE) ที่ดีกว่า SARIMA ในการพยากรณ์โรคไข้เลือดออกรายเดือน โดยเฉพาะในการตรวจจับรูปแบบฤดูกาล แม้ว่า MAPE จะสูงกว่าเล็กน้อย แบบจำลองทั้งสองมีประโยชน์ต่างกัน โดย SARIMA เหมาะกับวางแผนเชิงนโยบายระยะยาว ส่วน Holt-Winters เหมาะกับการเตรียมความพร้อมระยะสั้นและตอบสนองต่อสถานการณ์ ทั้งนี้ ควรดำเนินการวิจัยเพิ่มเติมโดยบูรณาการปัจจัยอื่น ๆ เพื่อเพิ่มความแม่นยำของการพยากรณ์

เอกสารอ้างอิง

World Health Organization. Dengue and severe dengue. World Health Organization [Internet]. 2024 [cited 2025 Feb 20]. Available from: https://www.who.int/news-room/fact-sheets/detail/dengue-and-severe-dengue

กรมควบคุมโรค กระทรวงสาธารณสุข. แพลตฟอร์มเฝ้าระวังดิจิทัล รายงานสถานการณ์โรค [อินเทอร์เน็ต]. [เข้าถึงเมื่อ 1 มีนาคม 2568]. เข้าถึงได้จาก: https://dvis3.ddc.moph.go.th/t/DDC_CENTER_DOE/views/DDS2/sheet33?%3Aembed=y&%3AisGuestRedirectFromVizportal=y

Pedregosa et al. Scikit-learn: Machine Learning in Python [Internet]. [Cited 2025 Mar 1]. Available from: https://scikit-learn.org/

วัชราภรณ์ ฉุนแสนดี, วัฒนา ชยธวัช, ปริญ ใจหนุน. การพยากรณ์จำนวนผู้ป่วยโรคไข้เลือดออก จังหวัดตาก พ.ศ. 2566 [อินเทอร์เน็ต].2566 [เข้าถึงเมื่อ 20 มีนาคม 2567]. เข้าถึงได้จาก:https://research.kpru.ac.th/journalscience/journal/3412024-09-11.pdf

กาญจนา ยังขาว, กัญญรัตน์ สระแก้ว. การพยากรณ์โรคไข้เลือดออก เขตพื้นที่เครือข่ายบริการที่ 9 ปี พ.ศ. 2556. วารสารรายงานการเฝ้าระวังทางระบาดวิทยาประจำสัปดาห์. 2556;44(37):577-84.

ปณิธี ธัมมวิจยะ. ความแม่นยำของการพยากรณ์ระยะสั้นของการเกิดโรคกลุ่มไข้เลือดออกด้วยการวิเคราะห์อนุกรมเวลา พ.ศ. 2551–2556. รายงานการเฝ้าระวังทางระบาดวิทยาประจำสัปดาห์. 2557;45(15):225-31.

Hyndman RJ., Athanasopoulos G. Forecasting: principles and practice. 2nd ed. Melbourne: OTexts; 2018 [Internet]. [Cited 2025 Mar 1]. Available from: https://otexts.com/fpp2

Chen X, Moraga P. Assessing dengue forecasting methods: a comparative study of statistical models and machine learning techniques in Rio de Janeiro, Brazil. Trop Med Health [Internet]. 2025 [Cited 2025 April 2]; 53(52):23. Available from: https://doi.org/10.1186/s41182-025-00723-7

Jim Frost. Mean Absolute Percentage Error [MAPE] [Internet]. [Cited 2025 April 2]. Available from: https://statisticsbyjim.com/glossary/mean-absolute-percentage-error/?utm_source=chatgpt.com