COVID-19 Tag - Big Data Institute

ข่าวและบทความที่เกี่ยวข้อง

All COVID-19

บทความ

การเปลี่ยนแปลงข้อมูลขององค์กร หลังโควิด ในวิกฤติยังมีโอกาส นับตั้งแต่ช่วงแรกของการแพร่ระบาดของโควิด-19 ในปี 2563 หลาย ๆ องค์กรต้องปรับเปลี่ยนรูปแบบการทำงานเข้าสู่การทำงานรูปแบบ Work From Home อย่างเร่งด่วน รวมถึงยังได้รับผลกระทบกับธุรกิจในหลาย ๆ ด้าน ยิ่งสถานการณ์คาดเดาไม่ได้เท่าไร ยิ่งความเปลี่ยนแปลงไม่แน่นอนมากแค่ไหน ก็ยิ่งเป็นตัวผลักดันให้เหล่าผู้บริหารจำเป็นต้องคอยสอดส่องดูแลธุรกิจของตัวเองอย่างใกล้ชิดมากขึ้น จากเดิมที่การติดตามผลการบริหารที่อาจจะเป็นรายเดือน รายสัปดาห์ ก็แทบจะต้องลงมาพิจารณาลึกลงในระดับของรายวันแทบทั้งนั้น ยังไม่นับสถานการณ์การแพร่ระบาด ที่จำเป็นจะต้องติดตามทั้งในระดับของประเทศ และลงมาในระดับขององค์กรตนเองด้วย ยิ่งสำหรับธุรกิจผลิตและกระจายสินค้านั้น ถือว่าเป็นเรื่องสำคัญมากเพราะนั่นอาจหมายถึงการที่จะต้องหยุดการดำเนินธุรกิจไปชั่วระยะหนึ่งเลยทีเดียว ซึ่งแน่นอนว่าความเสียหายนั้นไม่สามารถประเมินค่าได้ และอาจรุนแรงถึงขั้นทำให้ต้องเลิกกิจการได้เลยทีเดียว เมื่อโลกไม่ยอมให้เราทำงานแบบเดิม ๆ แม้สถานการณ์โควิด-19 จะเป็นเรื่องที่บีบบังคับธุรกิจในหลาย ๆ ด้าน แต่ความพยายามแรก ๆ ในการฟันฝ่าปัญหาต่าง ๆ ย่อมหนีไม่พ้นการใช้วิธีการแก้ปัญหาแบบเดิม ๆ ซึ่งหลายธุรกิจคงทราบดี ว่าความพยายามเหล่านั้นล้วนติดขัดและเกิดปัญหาเป็นลูกโซ่มากขึ้นท่ามกลางวิกฤตินี้ไม่ว่าจะเป็น เพียงแค่พิจารณาจาก 3 ตัวอย่างข้างต้น ก็จะเห็นว่าสถานการณ์โควิด-19 นั้น นอกจากจะกระทบกับธุรกิจทางตรงแล้ว ยังส่งผลทางอ้อมอีกมากมายที่ทำให้ประสิทธิภาพในการทำงานลดลง ซึ่งก็ยิ่งเพิ่มความเสี่ยงและสร้างผลเสียให้กับองค์กรมากขึ้นเป็นทวีคูณ จนแทบจะไม่สามารถฟื้นตัวได้เลยหากยังคงพยายามทำงานในรูปแบบเดิมต่อไป สิ่งที่ตอบโจทย์ได้ดีกว่าอย่างไม่น่าเชื่อ กระแส Digital Transformation และ Data Visualization ต่างเป็นที่พูดถึงในวงกว้างตั้งแต่ช่วงก่อนการระบาดของโควิด-19 แต่เมื่อเข้าสู่ช่วงการระบาดนั้น กลับเป็นช่วงที่ทำให้องค์กรได้เห็นศักยภาพ และประโยชน์ของสิ่งเหล่านี้อย่างแท้จริง เพราะด้วยปัญหาข้างต้นที่กล่าวมานั้น สามารถนำแนวคิดทั้ง 2 เข้ามาปรับใช้เพื่อแก้ปัญหาได้แทบทั้งหมด ไม่ว่าจะเป็นการจัดทำระบบข้อมูลเพื่อติดตามสถานการณ์ธุรกิจทั้งยอดขาย คลัง หรือการผลิต ที่มีการอัพเดทข้อมูลอัตโนมัติ ทำให้ลดขั้นตอนในการจัดทำรายงานต่าง ๆ และยังทำให้สามารถทราบสถานการณ์ที่เปลี่ยนแปลงไปได้อย่างทันท่วงทีอีกด้วย นอกจากเรื่องธุรกิจแล้ว เรายังสามารถประยุกต์เพื่อใช้ติดตามสถานะของพนักงานแต่ละคนได้แบบรายวัน รวมถึงยังจัดสรรรูปแบบรายงานที่เหมาะสมสำหรับผู้บริหาร/หัวหน้า อย่างอัตโนมัติโดยไม่ต้องใช้เวลาในการจัดทำรายงานเพิ่มเติมเลย ทั้งหมดนี้ดูแล้วอาจจะเหมือนเป็นการเปลี่ยนแปลงระบบครั้งใหญ่ ที่จำเป็นจะต้องใช้งบประมาณและกำลังพลปริมาณมาก แต่จริง ๆ แล้ว เราใช้เวลาเพียงแค่ 1-2 สัปดาห์ โดยใช้พนักงานเพียง 3-4 คนเท่านั้นในการจัดทำ เคล็ดลับความสำเร็จนั้นหาใช่การวางแผนระยะยาวที่แม่นยำ หรือการใช้เทคโนโลยีล้ำสมัย แต่เป็นการปรับเปลี่ยนที่รวดเร็วเพื่อให้แก้ปัญหาที่แท้จริงให้ได้นั่นเอง ความคล่องตัวคือหัวใจสำคัญ องค์ประกอบสำคัญของการจัดการข้อมูลนั้น ให้แบ่งออกเป็น 3 เรื่องหลักคือ จะเห็นว่า ในการพิจารณาทั้ง 3 ด้านนั้น เราจะต้องมองไปที่ ความคล่องตัวในการใช้งาน ให้มากที่สุด เนื่องจากในช่วงวิกฤตินั้น เราไม่สามารถวางแผนหรือจัดเตรียมอะไรได้มากนัก ดังนั้นควรหยิบเครื่องมือที่มีอยู่แล้ว มาใช้งานจะทำให้ได้ผลลัพธ์ที่รวดเร็วกว่า นอกจากเรื่องระบบแล้ว บุคลากรก็เป็นเรื่องสำคัญ ซึ่งความคล่องตัวนั้น ในมุมของบุคลากรคือความสามารถในการเข้าถึงข้อมูล และทำความเข้าใจข้อมูลนั้น ๆ ได้อย่างรวดเร็ว เนื่องจากเราอาจมีพนักงานที่มีความสามารถด้านข้อมูล ที่ไม่ได้ดูแลข้อมูลที่เราต้องการนำมาใช้งาน ดังนั้นการประสานงานและการจัดการการเข้าถึงข้อมูลได้รวดเร็วนั้นถือเป็นกลไกสำคัญที่ทำให้เกิดผลสำเร็จได้เร็ว ซึ่งการทำงานในรูปแบบของ Special Taskforce หรือ ทีมเฉพาะกิจ จะมีความเหมาะสมมากที่สุด เพื่อให้การอนุมัติการเข้าถึงต่าง ๆ ทำได้รวดเร็ว รวมถึงยังคงควบคุมความเสี่ยงไว้ในจุดที่ยอมรับได้ด้วย พัฒนาต่อเนื่องเพื่อเปิดมุมมองใหม่ ในช่วงแรกของการเปลี่ยนการทำงาน เราย่อมไม่สามารถจัดทำทุกรายงานออกมาพร้อม ๆ กันได้ ดังนั้นการคัดเลือกรายงาน/ข้อมูล ที่มีความต้องการสูงและมีผู้ใช้งานจำนวณมาก จึงเป็นเงื่อนไขสำคัญในการคัดเลือกโครงการเริ่มแรก ซึ่งแม้จะได้รับการตอบสนองอย่างดีก็ตาม แต่สิ่งที่จะต้องรับฟังอยู่เสมอคือข้อเสนอแนะต่าง ๆ รวมถึงการเพิ่มช่องทางการเข้าถึง Dashboard นั้น ๆ ให้ได้ง่ายที่สุด เช่นการส่ง Dashboard ผ่านช่องทางอื่น ๆ ที่ผู้ใช้งานคุ้นเคย ไม่ว่าจะเป็นอีเมล์ หรือผ่านระบบ Chat Notification (Line Notify) ซึ่งจะทำให้ผู้ใช้งานเห็นถึงศักยภาพของการนำเสนอข้อมูลในรูปแบบใหม่ และช่วยจุดประกายให้มีการนำไปใช้ในข้อมูลชุดอื่น ๆ และการใช้งานอื่น ๆ มากขึ้นอย่างรวดเร็ว นอกจากจะพยายามสร้างสรรค์รูปแบบการนำเสนอใหม่ ๆ แล้ว สิ่งหนึ่งที่ต้องรีบสังเกตและตอบสนองคือ มุมมองที่แตกต่างออกไปบน Dashboard เดิม เพราะสิ่งเหล่านี้คือสัญญาณบ่งบอกถึงการวิเคราะห์ข้อมูลในแง่มุมที่หลากหลายขึ้น และเกิดการตั้งคำถามในมุมมองที่แตกต่างออกไปในข้อมูลชุดเดิม ซึ่งถือว่าเป็นรากฐานที่สำคัญของการสร้าง Analytic Culture ในองค์กรอย่างมาก และจะเป็นกลไกผลักดันสำคัญให้เกิดการขยายผลไปยังวงกว้าง ขยายผลสู่วงกว้าง หลังจากโครงการแรกเริ่มถูกนำไปใช้เพื่อกระตุ้นและเปิดมุมมองใหม่ๆเกี่ยวกับการทำงาน สิ่งที่จะเกิดขึ้นเป็นอย่างแรกคือ Request ให้ขยายผลไปยังข้อมูลหรืองานอื่นๆ ซึ่งการขยายในลักษณะนี้จะถูกจำกัดด้วยกำลังพลและทักษะของพนักงานที่มี ดังนั้นสิ่งที่จำเป็นในการขยายผลนั้น ไม่ใช่งบประมาณมหาศาล หรือการเปิดรับพนักงานด้านข้อมูลจำนวนมาก แต่เป็นการฝึกทักษะของบุคลากรภายใน ให้สามารถทำสิ่งเหล่านี้ได้ด้วยตนเอง และสร้างให้เกิดสังคมการเรียนรู้ด้านข้อมูลให้เกิดขึ้น เพื่อให้เกิดการถ่ายทอดความรู้กันเองโดยธรรมชาติระหว่างพนักงาน โดยเราสามารถแบ่งองค์ประกอบที่จำเป็นในการขยายผลให้เกิดผลสำเร็จได้เป็น 3 ส่วนดังนี้ จากทั้ง 3 องค์ประกอบนี้ จะเห็นว่าเป็นสิ่งที่สามารถทำได้โดยใช้งบประมาณไม่มาก และในอีกแง่มุมหนึ่งสถานการณ์โควิด-19 ก็กลับจะเป็นสถานการณ์ที่เอื้อให้เกิดการเปลี่ยนแปลงด้านข้อมูลขององค์กรได้เป็นอย่างดี หากเพียงแต่เราสามารถมองเห็นโอกาสที่แอบซ่อนอยู่ได้นั้น ก็จะสามารถพลิกมาเป็นเครื่องมือให้เกิดการเปลี่ยนแปลงในองค์กร ที่ทำให้เกิดการพัฒนาอย่างก้าวกระโดดและยั่งยืน ซึ่งจะเป็นเกราะป้องกันอย่างดี สำหรับการเปลี่ยนแปลงหรือวิกฤติใหม่ ๆ ในอนาคต เนื้อหาโดย เมธี ศรีสุบันฑิตตรวจทานและปรับปรุงโดย นนทวิทย์ ชีวเรืองโรจน์

11 November 2022

บทความ

Movements

การประเมินโอกาสในการเสียชีวิต (Survival Rate Calculator) จากการติดเชื้อไวรัสโคโรนาด้วย Big Data

รู้หรือไม่ ผู้สูงอายุวัย 65 ปีที่มีโรคเบาหวาน และโรคความดันโลหิตสูงเป็นโรคประจำตัว มีความเสี่ยงประมาณ 60% ที่จะเสียชีวิตหากป่วยด้วยโรค COVID-19 (ภาพที่ 1) โดยเราสามารถวิเคราะห์ผ่านเครื่องมือที่เรียกว่า Survival Rate Calculator การคำนวนเหล่านี้สามารถทำได้โดยใช้ Big Data มาช่วยในการพยากรณ์โอกาสในการเสียชีวิต หรือกล่าวอีกนัยหนึ่งคือการคำนวณอัตราการรอดชีวิต (Survival Rate Calculator) จากการรายงานข่าวผู้เสียชีวิตจากโรค COVID-19 เรามักพบว่า ผู้เสียชีวิตเหล่านั้นมักมีโรคประจำตัวอย่างน้อย 1 โรค บทความนี้จะช่วยให้ท่านเข้าใจเหตุผลว่าทำไมถึงเป็นเช่นนั้น โดยอธิบายว่า Big Data ที่ใช้มีอะไรบ้าง การคำนวณเบื้องต้นทำได้อย่างไร เว็บไซต์ Coronavirus Dashboard (ncov2019.live) นำเสนอการวิเคราะห์อัตราการเสียชีวิตของผู้ป่วยที่ติดเชื้อไวรัสโคโรนา โดยได้นำข้อมูลผู้ป่วยที่ผ่านการศึกษาปัจจัยที่เกี่ยวข้องกับการเสียชีวิตของผู้ป่วยโรคเดียวกันนี้ เพื่อคำนวณโอกาสในการเสียชีวิตที่จะเกิดขึ้นจากปัจจัยต่าง ๆ ได้แก่ ช่วงอายุ เพศ และโรคประจำตัว Avi Schiffmann ผู้คิดค้น Survival Rate Calculator นี้ที่ใช้ในเว็บไซต์ดังกล่าวเป็นเพียงเด็กมัธยมปลายอายุ 18 ปี ซึ่งทำให้เราเห็นว่า Big Data ไม่ใช่เรื่องยากอย่างที่หลาย ๆ คนคิด ที่จริงแล้วใคร ๆ ก็สามารถทำได้ ในการเข้าใช้บริการ เราต้องป้อนข้อมูลช่วงอายุ เพศ และรายละเอียดเกี่ยวกับโรคประจำตัว (ถ้ามี) โดยผู้ที่มีความเสี่ยงสูงคือผู้ที่มีโรคประจำตัวได้แก่ โรคหลอดเลือดหัวใจ (Cardiovascular disease) โรคเบาหวาน (Diabetes) โรคระบบทางเดินหายใจเรื้อรัง (Chronic respiratory disease) โรคความดันโลหิตสูง (Hypertension) และโรคมะเร็ง (Cancer) ตัวอย่างหน้าจอในการป้อนข้อมูลแสดงดังภาพที่ 2 ตัวอย่างเช่น ชายอายุ 65 ปี ที่มีโรคประจำตัวคือ โรคเบาหวาน และโรคความดันโลหิตสูง ผลลัพธ์จากการคำนวณชี้ว่า ชายคนดังกล่าวมีความเสี่ยงในการเสียชีวิตหากเขาติดเชื้อ COVID-19 อยู่ที่ 63.34% ดังแสดงในภาพที่ 3 การวิเคราะห์อาศัยข้อมูลจาก COVID-19 #CoronaVirus Infographic Datapack — Information is Beautiful ซึ่งได้ทำการศึกษาวิจัยผู้ป่วยที่หายป่วยและเสียชีวิตจากโรค COVID-19 โดยจากการศึกษาพบว่า ผู้สูงอายุหรือผู้ที่มีอายุมากกว่า 60 ปี ถือเป็นกลุ่มที่มีความเสี่ยงสูง โดยเฉพาะช่วงอายุ 80-89 ปี และเพศชายมีความเสี่ยงมากกว่าเพศหญิงดังแสดงในภาพที่ 4 และภาพที่ 5 ตามลำดับ ภาพที่ 6 แสดงความเสี่ยงแยกตามโรคประจำตัวของผู้เสียชีวิต โดยผู้ที่มีความเสี่ยงในการเสียชีวิตมากที่สุดคือ ผู้ที่มีโรคหลอดเลือดหัวใจเป็นโรคประจำตัว รองลงมาคือโรคเบาหวาน โรคระบบทางเดินหายใจเรื้อรัง โรคความดันโลหิตสูง และโรคมะเร็งตามลำดับ หากผู้ป่วยรายใดมีโรคประจำตัวข้างต้นมากกว่า 1 โรค ความเสี่ยงในการเสียชีวิตก็จะเพิ่มมากยิ่งขึ้น โดยเฉพาะตั้งแต่ 3 โรคขึ้นไป จะมีความเสี่ยงสูงกว่า 50% ดังแสดงในภาพที่ 7 การมีโรคประจำตัวถือเป็นปัจจัยสำคัญ ตัวอย่างเช่น ผู้ที่มีอายุ 60 – 79 หากไม่โรคประจำตัวจะมีความเสี่ยงอยู่ 5% แต่หากผู้ติดเชื้อในช่วงอายุดังกล่าวมีโรคหลอดเลือดหัวใจเป็นโรคประจำตัว ความเสี่ยงจะมีสูงถึง 52.5% อย่างไรก็ตามการคำนวณครั้งนี้ใช้ Big Data ที่มีการศึกษาวิจัยในประเทศจีน อิตาลี และสหราชอาณาจักร มิได้ใช้ข้อมูลผู้เสียชีวิตจากไวรัสโคโรนาทั่วโลก และใช้เพียง 5 โรคที่มีสัดส่วนในการมีโรคประจำตัวดังกล่าวของกลุ่มตัวอย่างสูง แต่ก็สามารถใช้เป็นแนวทางในการเฝ้าระวังพิเศษโดยเฉพาะในประชาชนกลุ่มเสี่ยง ได้แก่ ผู้สูงอายุที่มีโรคประจำตัว เนื่องจากการติดเชื้อไวรัสโคโรนาจะมีความเสี่ยงในการเสียชีวิตสูง และหากมีโรคประจำตัวมากกว่า 1 โรค ก็จะยิ่งเพิ่มโอกาสในกาสเสียชีวิตให้สูงขึ้นอีกด้วย นอกจากนั้นแล้ว Survival Rate Calculator นี้อ้างอิงการคำนวณจากข้อมูลทางสถิติเท่านั้น ไม่ได้มีผลทางการแพทย์เข้ามาเกี่ยวข้อง สามารถใช้เครื่องมือในการประเมินเบื้องต้นได้ และนี่ก็เป็นอีกหนึ่งตัวอย่างของ Big Data กับการประยุกต์ใช้เกี่ยวกับโรค COVID-19 Reference

10 May 2021

บทความ

Movements

AI...สามารถช่วยธุรกิจได้อย่างไร…ในภาวะถดถอย

การระบาดของโรคโควิด19 ทำให้เกิดการชะลอตัวของการเจริญเติบโตทางเศรษฐกิจไปทั่วโลก การใช้ AI ก็เป็นอีกหนึ่งทางออกในการพลิกวิกฤตินี้ให้กลายเป็นโอกาสในการชนะคู่แข่ง

26 October 2020

บทความ

Movements

เปรียบเทียบสถานการณ์โควิด-19 กับโรคระบาดที่เคยเกิดขึ้นในอดีต

ศึกษาข้อมูลโรคระบาดอื่น ๆ และเปรียบเทียบกับโรคโคโรนาไวรัส โดยประเมินตามความรุนแรงของโรคที่เกิดขึ้น รวมถึงหาความสัมพันธ์ของระยะเวลาในการผลิตวัคซีนของโรคระบาดในอดีต เพื่อประเมินระยะเวลาในการผลิตวัคซีนของโรคโคโรนาไวรัส

3 September 2020

บทความ

Movements

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