Coronavirus

Coronavirus

ข่าวและบทความที่เกี่ยวข้อง

All Coronavirus

PostType Filter En

บทความ

เปรียบเทียบสถานการณ์โควิด-19 กับโรคระบาดที่เคยเกิดขึ้นในอดีต
ศึกษาข้อมูลโรคระบาดอื่น ๆ และเปรียบเทียบกับโรคโคโรนาไวรัส โดยประเมินตามความรุนแรงของโรคที่เกิดขึ้น รวมถึงหาความสัมพันธ์ของระยะเวลาในการผลิตวัคซีนของโรคระบาดในอดีต เพื่อประเมินระยะเวลาในการผลิตวัคซีนของโรคโคโรนาไวรัส
3 September 2020

บทความ

ตรวจไวรัสโคโรนาแบบกลุ่มด้วยหลักการวิทยาศาสตร์
ทางเลือกในการตรวจเชื้อในลักษณะเป็นกลุ่มดูจะสามารถระบุต้นตอของเชื้อได้ดีกว่าในระดับจังหวัดและระดับประเทศ รวมทั้งยังลดทรัพยากรที่ต้องใช้ในการระบุแหล่งที่มาของโรค ในสถานการณ์ที่จำนวนผู้ติดเชื้อไวรัสโคโรนา หรือ โควิด-19 ลดลงเรื่อย ๆ หรือในกรณีที่จำนวนผู้ติดเชื้อในปัจจุบันยังน้อย แต่อาจมีความเสี่ยงจากการระบาดในคลื่นลูกที่สอง (second wave) ดังที่กำลังเกิดขึ้นในหลาย ๆ ประเทศทั่วโลก ทั้งสหรัฐอเมริกา, เยอรมัน, จีน, และเกาหลี รวมถึงประเทศไทย เราจะมีวิธีใดบ้างที่ช่วยเพิ่มประสิทธิภาพการตรวจหาเชื้อโคโรนาไวรัส เพื่อช่วยในการติดตามและออกมาตรการหยุดการแพร่เชื้อได้อย่างทันท่วงที? ท่านรู้หรือไม่ว่าเทคนิคปัจจุบันที่เราใช้ตรวจหาผู้ป่วยติดเชื้อคือเทคนิค RT-PCR  ที่ทำการเก็บสารคัดหลั่งของผู้ป่วย (เช่น น้ำมูก หรือน้ำลาย) เพื่อจะระบุว่าผู้เข้ารับการตรวจมีเชื้อหรือไม่ผ่านการหาสารพันธุกรรมของไวรัสชนิดนี้ วิธีการนี้ใช้เพื่อค้นหาผู้ติดเชื้อในลักษณะรายบุคคลและใช้เวลาอย่างน้อย 5 ชั่วโมงในการทราบผล ด้วยเหตุนี้เราต้องใช้แรงงานบุคลากรทางการแพทย์มหาศาลในการตรวจหาเชื้อด้วยวิธีการดั้งเดิม ณ ขณะนี้ ทางเลือกในการตรวจเชื้อในลักษณะเป็นกลุ่มดูจะสามารถระบุต้นตอของเชื้อได้ดีกว่าในระดับจังหวัดและระดับประเทศ รวมทั้งยังลดทรัพยากรที่ต้องใช้ในการระบุแหล่งที่มาของโรค ในบทความนี้เราจะมาสำรวจแนวทางต่าง ๆ ที่ใช้ทรัพยากรอย่างมีประสิทธิภาพในการตรวจหาเชื้อในผู้ป่วยกันครับ การตรวจหาเชื้อโรคในระดับมหภาคจากสิ่งปฏิกูล เชื่อหรือไม่ว่าเราสามารถตรวจหาเชื้อโรคนี้จากสิ่งที่ใกล้ตัวกว่าที่เราคิด นักวิทยาศาสตร์สามารถตรวจหาเชื้อไวรัสโคโรนาได้ในอุจจาระของผู้ติดเชื้อ โดยความรู้ข้างต้นได้นำมาขยายผลและตรวจสอบผ่านงานวิจัยจากประเทศฝรั่งเศส งานวิจัยชิ้นนี้เป็นผลงานของรัฐวิสาหกิจระบบชลประทานแห่งปารีส (Eau de Paris) หน่วยงานนี้ได้เก็บตัวอย่างของของเสียตามพื้นที่ต่าง ๆ ในเมืองปารีสตอนช่วงกักตัว ผลการสำรวจค้นพบความสัมพันธ์ระหว่างความหนาแน่นของไวรัสกับจำนวนผู้ป่วยเชื้อไวรัสโคโรนาตามแต่ละพื้นที่ หลักการของวิธีนี้คือจำนวนผู้ป่วยที่อยู่ในพื้นที่ต่าง ๆ จะสัมพันธ์กับปริมาณของไวรัสที่ค้นพบจากสิ่งปฏิกูลของพื้นที่นั้น ๆ วิธีนี้เมื่อเทียบกับการตรวจเชื้อรายบุคคลจะมีเพิ่มประสิทธิภาพมากขึ้นมาก เนื่องจากสามารถตรวจสถานะของการติดต่อของทั้งเมืองเพียงครั้งเดียว ลดค่าใช้จ่ายในการตรวจรายบุคคล และยังสามารถตรวจพบเชื้อไวรัสที่อาจมาจากผู้ติดเชื้อที่ไม่มีอาการ (asymptomatic infected patients) ได้อีกด้วย นอกจากนี้ วิธีนี้ได้นำมาใช้เพื่อช่วยในการกวาดล้างโรคโปลิโอในทวีปแอฟริกา หลายคนอาจสงสัยว่า เชื้อไวรัสโคโรนานี้สามารถติดผ่านอุจจาระได้หรือไม่ เรื่องนี้นักวิทยาศาสตร์ออกมายืนยันว่าไวรัสที่พบในอุจจาระไร้สภาพความเป็นเชื้อโรคแล้ว (deactivated) เพราะฉะนั้นจึงสรุปได้ว่าการติดต่อโรค COVID-19 นั้นจะไม่พบผ่านการติดต่อทางอุจจาระ การตรวจหาเชื้อโรคที่รวดเร็วยิ่งขึ้น ด้วยหลักการคณิตศาสตร์ หากต้องการระบุผู้ป่วยเป็นรายบุคคลแต่ต้องการลดจำนวนการตรวจลง เพื่อเพิ่มประสิทธิภาพและความรวดเร็วในการตรวจหาเชื้อ เราจะทำได้หรือไม่? คณิตศาสตร์มีคำตอบให้กับปัญหานี้ โดยถ้าเรารู้ว่ากลุ่มตัวอย่างที่เรากำลังจะตรวจนั้นมีจำนวนผู้ป่วยน้อยมากเมื่อเทียบกับจำนวนผู้ที่มาตรวจ แทนที่เราจะเสียชุดตรวจจำนวนมากไปกับผู้ที่ไม่ป่วยจริง ๆ เราสามารถ “จับกลุ่ม” ผู้รับการตรวจเพื่อที่ตรวจเชื้อไวรัสโคโรนาของทุกคนรวมกัน ถ้าหากผลตรวจของกลุ่มนี้มีผลเป็นบวก นั่นหมายความว่ามีมากกว่าหนึ่งคนในกลุ่มนี้ติดเชื้อไวรัสชนิดนี้เข้าไป หลังจากนั้นเราจึงจะทำการตรวจรายบุคคลในกลุ่มที่เราพบว่ามีผลเป็นบวก เทคนิคการตรวจนี้เรียกว่า เทคนิคการตรวจแบบรวมกลุ่ม (Pooled Sample Testing) ที่นำเสนอโดยสสวท. ทั้งนี้เราสามารถคำนวนสมการทางคณิตศาสตร์เพื่อกำหนดจำนวนคนในแต่ละกลุ่มตามเปอร์เซนต์ของผู้ติดเชื้อ โดยสสวท.ได้วางแบบแผนคร่าว ๆ ว่าหากความเสี่ยงของผู้ติดเชื้อประมาณ 1-2 % แต่ละกลุ่มควรจะมีจำนวนเท่ากับ 10 คน แต่ถ้าหากความเสี่ยงของผู้ติดเชื้อมากกว่านี้ไปจนถึง 10 % แต่ละกลุ่มควรจะลดลงเป็น 4 คน อย่างไรก็ดี ยังมีอีกวิธีที่น่าสนใจไม่แพ้กัน เราเรียกวิธีการนี้ว่า Poisoned Wine Approach ที่ยืมชื่อมาจากปัญหาคณิตศาสตร์ชื่อดัง วิธีการนี้จะเก็บตัวอย่างเชื้อจากผู้เข้ารับการตรวจเชื้อมาจำนวนหนึ่ง และกระจายสู่ชุดตรวจต่าง ๆ ร่วมกับตัวอย่างเชื้อคนอื่น ๆ ชุดตรวจแต่ละชุดจึงไม่ได้ใช้เพื่อตรวจแค่ตัวอย่างเดียวแต่เป็นผลรวมของตัวอย่างทั้งหมด เพื่อให้เข้าใจวิธีการนี้ได้ง่าย ลองสมมติให้มีผู้เข้ารับการตรวจเชื้ออยู่ 20 คน เราสามารถใช้เพียง 6 ชุดการทดลองเท่านั้น ในการตรวจสอบว่าใครบ้างที่ติดเชื้อ กระบวนการเริ่มต้นที่เราทำการเก็บตัวอย่างเชื้อของผู้เข้ารับการตรวจเชื้อมาคนละสามตัวอย่าง เรากำหนดให้ผู้ตรวจเชื้อคนแรกนำชุดทดลองนี้กระจายไปสู่หลอดทดลองหมายเลข 1, 2 และ 3  หลังจากนั้น เรากำหนดให้ผู้ตรวจเชื้อคนที่สองเลือกวางตัวอย่างเชื้อในตำแหน่งที่ 1, 2, และ 4 จากนั้นก็ทำการกระจายตัวอย่างเชื้อของทุก ๆ คนให้วิธีการเลือกหลอดทดลองไม่ซ้ำกันเลยในแต่ละคน การจัดเรียงตัวอย่างเชื้อจะเป็นไปดังตามตารางที่ 1 ผู้ตรวจเชื้อที่ 1 1,2,3 ผู้ตรวจเชื้อที่ 11 2,3,4 ผู้ตรวจเชื้อที่ 2 1,2,4 ผู้ตรวจเชื้อที่ 12 2,3,5 ผู้ตรวจเชื้อที่ 3 1,2,5 ผู้ตรวจเชื้อที่ 13 2,3,6 ผู้ตรวจเชื้อที่ 4 1,2,6 ผู้ตรวจเชื้อที่ 14 2,4,5 ผู้ตรวจเชื้อที่ 5 1,3,4 ผู้ตรวจเชื้อที่ 15 2,4,6 ผู้ตรวจเชื้อที่ 6 1,3,5 ผู้ตรวจเชื้อที่ 16 2,5,6 ผู้ตรวจเชื้อที่ 7 1,3,6 ผู้ตรวจเชื้อที่ 17 3,4,5 ผู้ตรวจเชื้อที่ 8 1,4,5 ผู้ตรวจเชื้อที่ 18 3,4,6 ผู้ตรวจเชื้อที่ 9 1,4,6 ผู้ตรวจเชื้อที่ 19 3,5,6 ผู้ตรวจเชื้อที่ 10 1,5,6 ผู้ตรวจเชื้อที่ 20 4,5,6 ตาราง 1 รายละเอียดของชุดทดลองที่แต่ละคนจะต้องนำเชื้อของตนเองไปไว้ เช่น ผู้ตรวจเชื้อคนที่ 5 จะถูกนำตัวอย่างเชื้อใส่หลอดทดลองที่ 1, 3, และ 4 จาก 6 หลอดทดลอง ด้วยวิธีการนี้ เราสามารถใช้เพียงแค่ 6 ชุดการทดลอง เพื่อตรวจผู้รับการตรวจเชื้อทั้งหมด 20 คนได้ โดยที่ ถ้าเราพบว่า มีชุดทดลองที่ 1, 3, 4 ที่พบว่าเจอผลเป็นบวก เราสามารถสรุปได้ว่า ผู้ตรวจเชื้อหมายเลข 5 ที่มีเชื้ออยู่นั่นเอง ข้อดีที่ของวิธีนี้คือมันสามารถรับตรวจผู้ต้องสงสัยในการติดโรคได้เพิ่มขึ้นแบบก้าวกระโดดเมื่อเพิ่มจำนวนหลอดทดลองเพียงเล็กน้อยเท่านั้น เพื่อยกตัวอย่างให้เห็นภาพ เราสามารถรับตรวจได้กว่า 900 คน จากเพียงหลอดทดลองเพียงแค่ 12 หลอดเท่านั้น นอกจากนี้มันสามารถ ”ประมาณ” จำนวนผู้ป่วยคร่าว ๆ ได้ จากจำนวนของหลอดทดลองที่พบเชื้อไวรัสนี้อยู่ ข้อจำกัดของวิธีนี้ก็เหมือนกับวิธีก่อนหน้า นั่นคือ เหมาะสำหรับกลุ่มตัวอย่างที่มีผู้ป่วยในจำนวนที่น้อยกว่ามาก ๆ เมื่อเทียบกับผู้เข้ารับการตรวจ บทสรุป แนวคิดการตรวจหาเชื้อแบบกลุ่มบางวิธี อาจสามารถประหยัดทรัพยากรการตรวจได้หลายเท่าตัว เช่น เทคนิคการตรวจแบบรวมกลุ่ม (Pooled Sample Testing) หากเปอร์เซนต์ผู้ติดเชื้อเท่ากับ 1 ในประชากร 100 คน ด้วยวิธีนี้จะทำให้พบผู้ติดเชื้อได้โดยใช้ชุดตรวจเพียงแค่ 20 ชุดเท่านั้น ท้ายที่สุดแล้ว ถ้าเราต้องการทราบสถานะของผู้ได้รับเชื้อจริง ๆ ก็คงไม่มีทางเลือกอื่นนอกจากต้องตรวจให้ครบทุกคน แต่ถ้าเราเตรียมพร้อมกับการรับมือการระบาดในครั้งถัดไป ด้วยเทคนิควิธีการตรวจที่หลากหลายมากขึ้น เพื่อเพิ่มความรวดเร็วในการตรวจหาเชื้อในระดับกลุ่มคน จังหวัด หรือประเทศ การระบาดรอบที่สองอาจเป็นสถานการณ์ที่สามารถควบคุมได้ไม่ยากนัก
16 July 2020

บทความ

ฝ่าวิกฤติโควิด-19 จากบทเรียนในอดีต : ไข้หวัดใหญ่สเปน (1918 Spanish Flu)
ในขณะที่โลกของเรากำลังเผชิญกับวิกฤติโคโรนาไวรัส (โควิด-19) นั้น ทราบหรือไม่ว่า เมื่อประมาณ 100 ปีก่อน โลกของเราเคยเผชิญกับการระบาดของโรคไข้หวัดใหญ่สเปน (Spanish Flu) ซึ่งเป็นโรคไข้หวัดใหญ่สายพันธุ์หนึ่งที่มีความร้ายแรงมาก และก่อให้เกิดการระบาดไปทั่วโลก (pandemic) เหมือนกับการระบาดของโควิด-19 ที่กำลังเกิดขึ้นในช่วงชีวิตของเราทุกคน โรคไข้หวัดใหญ่สเปนนี้ ร้ายแรงถึงขั้นที่ทำให้มีผู้ติดเชื้อทั่วโลกมากถึง 500 ล้านรายโดยประมาณ หรือ 1 ใน 3 ของประชากรโลกในขณะนั้น มีผู้เสียชีวิตมากกว่า 50 ล้านราย แม้กระทั่งประเทศใหญ่อย่างสหรัฐอเมริกาก็ยังมีผู้เสียชีวิตกว่า 675,000 ราย เป็นไปได้ไหม ที่เราจะเรียนรู้อะไรบางอย่างจากเหตุการณ์การระบาดอันร้ายแรงของไข้หวัดใหญ่สเปน ในปี ค.ศ. 1918 เพื่อให้เราฝ่าวิกฤติโควิด-19 นี้ไปได้โดยให้ประชาชนทุกคนได้แคล้วคลาดปลอดภัย ลดอัตราการเสียชีวิตให้ได้มากที่สุด? ในบทความนี้ เราจะตอบโจทย์ดังกล่าวโดยใช้ข้อมูลที่เมืองต่าง ๆ ในประเทศสหรัฐอเมริกา ได้มีการเก็บข้อมูลการแก้ปัญหาวิกฤติโรคระบาดนี้ ควบคู่กับปริมาณผู้เสียชีวิตในยุคนั้น เพื่อนำบทเรียนดังกล่าวมาประยุกต์ใช้กับสถานการณ์ของเรากันครับ ผมเชื่อว่าบทเรียนที่เราจะได้รับจากการศึกษาไข้หวัดใหญ่สเปนนั้น สามารถประยุกต์ใช้กับสถานการณ์โควิด-19 ได้ เพราะโรคระบาดทั้งสองนี้ มีความคล้ายคลึงกันอย่างน้อยถึงสี่ประการด้วยกัน มาตรการภาครัฐกับการต่อสู้กับโรคระบาด เมื่อภาครัฐไม่มีเครื่องมือทางการแพทย์ที่สามารถระงับโรคระบาดนี้ได้ในระดับมหภาค (เช่น วัคซีน) ภาครัฐจึงต้องอาศัยเครื่องมือเชิงนโยบาย ซึ่งหัวใจหลักก็คือการสร้างระยะห่างทางสังคม (social distancing) ทั้งนี้ ยังมีตัวแปรสำคัญที่ต้องพิจารณา ที่จะส่งผลต่อความมีประสิทธิภาพในการต่อสู้กับโรคระบาดนี้ คือ ข้อมูลจากเมืองใหญ่ของสหรัฐอเมริกา 4 เมือง ที่ภาครัฐของเมืองเหล่านี้เลือกตอบโต้วิกฤติไข้หวัดใหญ่สเปนด้วยมาตรการการสร้างระยะห่างทางสังคม เราจะพบว่า เมืองที่เริ่มมาตรการการสร้างระยะห่างทางสังคมอย่างรวดเร็ว นานเพียงพอ และไม่ลดความรัดกุมของมาตรการก่อนเวลาอันเหมาะสม เป็นเมืองที่ประสบความสำเร็จในการลดอัตราการเสียชีวิตได้ดีที่สุด เมืองฟิลาเดลเฟีย เป็นเมืองที่พบผู้ติดเชื้อรายแรกในประเทศสหรัฐอเมริกา แต่กลับมองความรุนแรงของโรคนี้ว่ามีผลกระทบน้อย และยืนยันการจัดพาเหรดเฉลิมฉลองให้เหล่าทหารจากสงครามโลกครั้งที่หนึ่ง ใน 10 วันให้หลังหลังจากพบผู้ติดเชื้อ โดยมีผู้เข้าชมพาเหรดกว่า 200,000 คน จนกระทั่งมีจำนวนผู้เสียชีวิตจากไข้หวัดใหญ่สเปนเพิ่มสูงขึ้นจำนวนมาก จึงจะเริ่มมาตรการลดการแพร่เชื้อด้วยการสร้างระยะห่างทางสังคม เมืองฟิลาเดลเฟียจึงเป็นเมืองที่มีผู้เสียชีวิตมากที่สุดในช่วงเวลา 24 สัปดาห์แรกของการระบาด เมืองที่ประสบความสำเร็จในการลดจำนวนผู้เสียชีวิตรายสัปดาห์ได้สำเร็จ อย่างเมืองซานฟรานซิสโกหรือเมืองเซนต์หลุยส์ อาจพบกับกรณีของ “คลื่นลูกที่สอง” ที่มีการระบาดของโรคเพิ่มขึ้นอีกครั้ง เนื่องจากภาครัฐตัดสินใจลดความรัดกุมของมาตรการสร้างระยะห่างทางสังคมก่อนเวลาอันเหมาะสม สิ่งนี้อาจกำลังเกิดขึ้นในกรณีของโควิด-19 ในประเทศจีน ที่มีกรณีผู้ติดเชื้อโควิด-19 ใหม่เพิ่มขึ้น หลังจากที่คำสั่งปิดเมืองต่าง ๆ ได้เริ่มลดความรัดกุมลง เมืองนิวยอร์ก เป็นเมืองที่เริ่มมาตรการสร้างระยะห่างทางสังคมอย่างรวดเร็ว หลังจากที่พบผู้ติดเชื้อรายแรก ๆ ทำให้เป็นเมืองที่ประสบความสำเร็จในการลดการระบาดของโรคไข้หวัดใหญ่สเปนได้ที่ดีสุดเมืองหนึ่งในสหรัฐอเมริกา ด้วยจำนวนผู้เสียชีวิต 452 รายต่อประชากร 100,000 คน เรียกว่าช่วยชีวิตคนได้มากถึง 40% เมื่อเทียบกับเมืองฟิลาเดลเฟียที่มีจำนวนผู้เสียชีวิตถึง 748 รายต่อประชากร 100,000 คน ผู้อ่านสามารถศึกษาผลลัพธ์ของมาตรฐานภาครัฐในเมืองอื่น ๆ ของสหรัฐอเมริกาได้ที่บทความของ National Geographic ซึ่งให้ผลลัพธ์ในภาพรวมที่คล้ายคลึงกัน เมืองที่เริ่มมาตรการการสร้างระยะห่างทางสังคมอย่างรวดเร็ว นานเพียงพอ และไม่ลดความรัดกุมของมาตรการก่อนเวลาอันเหมาะสม เป็นเมืองที่ประสบความสำเร็จในการลดอัตราการเสียชีวิตได้ดีที่สุด บทสรุป จากกรณีศึกษาการระบาดของไข้หวัดใหญ่สเปน ค.ศ.1918 นั้น มาตรการภาครัฐเป็นเครื่องมือชิ้นสำคัญในการต่อสู้วิกฤติโรคระบาดในกรณีที่ยังไม่มีวัคซีนป้องกันโรค หัวใจหลักก็คือมาตรการการสร้างระยะห่างทางสังคม ซึ่งอาจได้ผลสัมฤทธิ์และประสิทธิภาพไม่เท่าเทียมกัน ขึ้นอยู่กับความรวดเร็วในการบังคับใช้เมื่อพบผู้ติดเชื้อรายแรก ๆ ระยะเวลาในการบังคับใช้ และความรัดกุมของมาตรการแม้พบจำนวนผู้ติดเชื้อที่เริ่มลดลง อย่างไรก็ดี ความร่วมมือของเราประชาชนทุกคนในมาตรการการสร้างระยะห่างทางสังคม ลดการเดินทาง ลดการไปสู่สถานที่ที่มีคนชุมนุมจำนวนมาก รักษาสุขอนามัยที่ดี เป็นปัจจัยสำคัญที่สุดที่จะช่วยชะลอการแพร่เชื้อของโควิด-19 นี้ ในระหว่างที่วัคซีนกำลังถูกค้นคว้าและวิจัยครับ
7 April 2020

บทความ

วิทยาศาสตร์ข้อมูลและปัญญาประดิษฐ์ ตัวช่วยในการฝ่าวิกฤติโควิด 2019 ไปด้วยกัน
ล่าสดุ (3 เม.ย. 2563) ยอดผู้ติดเชื้อไวรัสโคโรนา(COVID-19) พุ่งเกินกว่า 1 ล้านคนเป็นที่เรียบร้อยแล้ว โดยมีประเทศสหรัฐอเมริกาที่ก้าวกระโดดแซงประเทศอื่นๆไปอย่างน่าเป็นห่วงจริงๆภายในระยะเวลาไม่ถึง 1 เดือน  บทเรียนจากไข้หวัดใหญ่สเปน (1918 Spanish Flu) สมัยช่วงสงครามโลกครั้งที่ 1 น่าจะเป็นกรณีศึกษาแบบอย่างที่นักรบโควิด-19ทั่วโลกสามารถนำมาเป็นเรียนรู้และประยุกต์ได้ (สามารถอ่านเพิ่มเติมได้ที่ “ฝ่าวิกฤติโควิด-19 จากบทเรียนในอดีต : ไข้หวัดใหญ่สเปน (1918 Spanish Flu)”)  ตั้งแต่มีข่าวการแพร่ระบาดของเชื้อไวรัสโคโรน่าในประเทศจีน ทางรัฐบาลของทุกประเทศรวมถึงรัฐบาลของประเทศจีนเองด้วยนั้น ก็ได้หันมาใช้เทคโนโลยีและข้อมูลที่มีทั้งขนาดเล็กและขนาดใหญ่เพื่อศึกษาและวิเคราะห์หาวิธีรับมือกับการแพร่ระบาดของโควิด 2019 เทคโนโลยีที่รัฐบาลทั่วโลกได้นำมาใช้ประโยชน์ในการรับมือกับการแพร่ระบาดของโควิด 2019 ล้วนแล้วแต่เป็นเทคโนโลยีที่ล้ำสมัยและเป็นที่นิยมในโลกยุคดิจิตัลทั้งสิ้น อาทิเช่น การวิเคราะห์ข้อมูลเชิงตำแหน่งจากโทรศัพท์มือถือ การใช้แอปฯเพื่อติดตามผู้มีความเสี่ยงในการติดเชื้อ การทำDashboard เพื่อติดตามจำนวนผู้ติดเชื้อทั้งในและต่างประเทศแบบเรียลไทม์ ตลอดจนการใช้เป็นช่องทางในการสื่อสารกับประชาชนได้อย่างรวดเร็วและมีประสิทธิภาพ วันนี้เราจะมาดูว่าเทคโนโลยีที่ล้ำสมัยและศาสตร์ใหม่ๆที่กำลังติดเทรดอย่าง การใช้วิทยาศาสตร์ข้อมูล (Data Sciences) การใช้ปัญญาประดิษฐ์ (Artificial Intelligence) หรือการทำMachine Learning นั้นสามารถนำมาใช้ประโยชน์ในการต่อสู้กับโควิด 2019 ได้อย่างไรบ้างดังต่อไปนี้ (ปรับปรุงจากข้อเสนอของคุณ Bernard Merr ที่เป็นหนึ่งในผู้มีชื่อเสียงในวงการ Big Data Analyticsซึ่งได้เขียนไว้ใน Forbes) เหตุการณ์แพร่ระบาดของโควิด 2019 ครั้งนี้ต้องถูกจารึกไว้เป็นวิกฤติอันดับต้นๆของโลกอย่างแน่นอน แต่เราทุกคนต้องร่วมกันต่อสู้และฝ่าฟันวิกฤตินี้ไปด้วยกัน และที่สำคัญเราต้องพยายามเปลี่ยนวิกฤตินี้ให้เป็นโอกาสเพื่ออนาตคของเราทุกคน และ เทคโนโลยีที่ล้ำสมัยและศาสตร์ใหม่ๆที่กำลังติดเทรดอย่างการใช้วิทยาศาสตร์ข้อมูล (Data Sciences) หรือการใช้ปัญญาประดิษฐ์ (Artificial Intelligence) จะสามารถช่วยให้เราผ่านวิกฤตินี้ไปด้วยกันอย่างประสบความสำเร็จ ที่มา: 
7 April 2020

บทความ

การใช้ข้อมูลผู้ใช้โทรศัพท์มือถือในการประเมินผลกระทบของการมาตรการ Social Distancing และ work-from-home
ล่าสุดทางบริษัท Descartes Labs ซึ่งเป็นบริษัทที่เชี่ยวชาญด้านการวิเคราะห์ข้อมูลเชิงพื้นที่ (Spatial data) ได้นำเสนอข้อมูลที่แสดงให้เห็นถึงผลกระทบของการแพร่ระบาดของเชื้อไวรัสโคโรนาในอเมริกาว่าประชาชนลดการเดินทางลงอย่างเห็นได้ชัดหลังจากที่มีจำนวนผู้ติดเชื้อเพิ่มสูงขึ้น
7 April 2020

บทความ

แบบจำลองตัวเลขผู้ติดเชื้อไวรัสโคโรนาและอัตราการใช้เตียงผู้ป่วย
ล่าสุด ทาง Harvard Global Health Institute ของมหาวิทยาลัยชั้นนำของโลกได้สร้างแบบจำลองในการพยากรณ์ตัวเลขผู้ติดเชื้อไวรัสโคโรนาและอัตราการใช้เตียงผู้ป่วย (Bed Occupancy Rate) เพื่อออกมาเตือนสติให้รัฐบาลและประชาชน
7 April 2020

บทความ

งานวิจัยบ่งชี้ อาจมีผู้ติดเชื้อโควิด-19 มากกว่าที่รายงานอยู่หลายเท่าตัว
งานวิจัยล่าสุดจากสหรัฐอเมริกาได้มีข้อสรุปที่น่าเป็นห่วงว่า จำนวนผู้ติดเชื้อเราทราบกันว่ามีอยู่ทั่วโลกจากการนำเสนอข้อมูลผ่านแผนภาพตามสถานการณ์จริงหรือ dashboard นั้น อาจน้อยกว่าจำนวนผู้ติดเชื้อที่มีอยู่จริงในขณะนี้หลายเท่าตัว!
7 April 2020

บทความ

สู้ศึก COVID-19 เชิงรุกด้วย Big Data
หลังจากที่มีรายงานว่ามีผู้ป่วยเป็นระยะๆ เดินทางมาจากประเทศจีน (วันที่ 20 ม.ค. 2563) ไต้หวันได้เปิดศูนย์บัญชาการการแพร่ระบาดของโรคกลาง (CECC) อย่างเป็นทางการภายใต้ NHCC โดยมี รมว.สาธารณสุขและสวัสดิการเป็นผู้บัญชาการ CECC ประสานกับกระทรวงต่างๆ เพื่อเป็นเอกภาพในการทำงาน
30 March 2020

บทความ

“ไวรัสโคโรนา” การติดตามการแพร่กระจายของ โควิด 2019 จากทั่วโลก
Online Dashboard ที่ได้รับการจัดให้เป็น “The best coronavirus map and dashboard”นั้น จัดทำขึ้นโดยศูนย์วิทยาศาสตร์และวิศวกรรม (The Center for Systems Science and Engineering หรือ CSSE) มหาวิทยาลัยจอห์น ฮอปกินส์ เพื่อติดตามสถานการณ์ของไวรัสโคโรนาสายพันธุ์ใหม่ (Coronavirus) หรือที่เรารู้จักกันในชื่อของ โควิด 2019 (COVID 2019)
30 March 2020
PDPA Icon

We use cookies to optimize your browsing experience and improve our website’s performance. Learn more at our Privacy Policy and adjust your cookie settings at Settings

Privacy Preferences

You can choose your cookie settings by turning on/off each type of cookie as needed, except for necessary cookies.

Accept all
Manage Consent Preferences
  • Strictly Necessary Cookies
    Always Active

    This type of cookie is essential for providing services on the website of the Personal Data Protection Committee Office, allowing you to access various parts of the site. It also helps remember information you have previously provided through the website. Disabling this type of cookie will result in your inability to use key services of the Personal Data Protection Committee Office that require cookies to function.
    Cookies Details

  • Performance Cookies

    This type of cookie helps the Big Data Institute (Public Organization) understand user interactions with its website services, including which pages or areas of the site are most popular, as well as analyze other related data. The Big Data Institute (Public Organization) also uses this information to improve website performance and gain a better understanding of user behavior. Although the data collected by these cookies is non-identifiable and used solely for statistical analysis, disabling them will prevent the Big Data Institute (Public Organization) from knowing the number of website visitors and from evaluating the quality of its services.

  • Functional Cookies

    This type of cookie enables the Big Data Institute (Public Organization)’s website to remember the choices you have made and deliver enhanced features and content tailored to your usage. For example, it can remember your username or changes you have made to font sizes or other customizable settings on the page. Disabling these cookies may result in the website not functioning properly.

  • Targeting Cookies

    "This type of cookie helps the Big Data Institute (Public Organization) understand user interactions with its website services, including which pages or areas of the site are most popular, as well as analyze other related data. The Big Data Institute (Public Organization) also uses this information to improve website performance and gain a better understanding of user behavior. Although the data collected by these cookies is non-identifiable and used solely for statistical analysis, disabling them will prevent the Big Data Institute (Public Organization) from knowing the number of website visitors and from evaluating the quality of its services.

Save settings
This site is registered on wpml.org as a development site. Switch to a production site key to remove this banner.