ติดอาวุธ Big Data ให้ทุกฝ่าย แก้ภัย Covid-19

เราพัฒนาดัชนีความเปราะบางเชิงพื้นที่เพื่อเพิ่มประสิทธิภาพในการควบคุมโรค การกระจายทรัพยากร และการคลายมาตรการล๊อคดาวน์ โดยผนึกกำลังข้อมูลจากปัจจัยต่อไปนี้

ด้านสาธารณสุข
1. จำนวนผู้ติดเชื้อ
2. บุคคลากรการแพทย์
3. อุปกรณ์การแพทย์
4. ความหนาแน่นประชากร
5. ดัชนีการแพร่กระจายโรค

ด้านเศรษฐกิจ
1. รายได้รายจ่ายครัวเรือน
2. อัตราความยากจน
3. ธุรกิจเสี่ยง
4. ความหนาแน่นประชากร
5. ดัชนีการแพร่กระจายโรค

ความเสี่ยงและความพร้อมในแต่ละจังหวัด

เศรษฐกิจ resilient
สาธารณสุขเปราะ

เศรษฐกิจ resilient
สาธารณสุข resilient

เศรษฐกิจเปราะ
สาธารณสุขเปราะ

เศรษฐกิจเปราะ
สาธารณสุข resilient

ภาพรวม CVI ในแต่ละจังหวัด

(กดที่ตาราง หรือแผนที่เพื่อชมรายละเอียด)

คะแนนความแข็งแกร่ง

จำนวนผู้ติดเชื้อสะสม

ผู้ติดเชื้อ

หายแล้ว

กำลังรักษา

เสียชีวิต

หน่วยงานที่ร่วมมือกับเรา

ร่วมมือกับเรา

งานของเรายังอยู่ใน Beta และยังพัฒนาไปได้อีก

เรายินดีรับฟังทุกความคิดเห็นและข้อเสนอในการพัฒนาให้งานของเรามีประโยชน์มากขึ้น

โดยเฉพาะอย่างยิ่งใน 4 ประเด็นต่อไปนี้

1. การหาข้อมูลดิบเพิ่มเติม

2. การปรับสูตรคำนวณดัชนีและการนิยามให้เหมาะกับ use-case

3. การประสานกับหน่วยงานที่น่าจะได้ประโยชน์จากงานของเรา

4. การหาทุนเพื่อสนับสนุนค่าใช้จ่ายในการผลิตดัชนีและข้อมูล mobility 

คำถามที่พบบ่อย

อะไรคือ COVID-19 VULNERABILITY INDEX (CVI) ?

CVI คือค่าดัชนีความเปราะบางต่อวิกฤต COVID-19 ของแต่ละพื้นที่ ซึ่งแบ่งออกเป็นสองส่วน คือ

1. Health CVI ชี้วัดความเปราะบางในเชิงสาธารณสุข ว่าหากสถานการณ์แย่ลง แต่ละพื้นที่จะมีความลำบากในการดูแลคุณภาพของระบบสาธารณสุขและการรักษามากน้อยเพียงใด [ยิ่งค่าสูง ยิ่งเปราะบาง]

2. Economic CVI ชี้วัดความเปราะบางในเชิงเศรษฐกิจและปากท้องประชาชน ว่าหากสถานการณ์ไวรัสแย่ลงหรือยาวนานขึ้น แต่ละพื้นที่จะมีความต้องการในการเยียวยาและดูแลปากท้องของประชาชนมากน้อยเพียงใด [ยิ่งค่าสูง ยิ่งเปราะบาง]

เราวางพื้นฐานของการสร้างดัชนีเหล่านี้บนองค์ความรู้และหลักการในสาขาการจัดการภัยพิบัติ ระบาดวิทยา และ เศรษฐศาสตร์ ภายใต้ความร่วมมือระหว่างเรากับกรมควบคุมโรค (สำหรับ Health CVI) และสำนักงานเศรษฐกิจการคลัง (สำหรับ Economic CVI)

References:

Flanagan, Barry E., et al. “A social vulnerability index for disaster management.” Journal of homeland security and emergency management 8.1 (2011).

Dwyer, Anita, et al. “Quantifying social vulnerability: a methodology for identifying those at risk to natural hazards.” (2004).

UCLA Center for Public Health and Disasters 2006


จุดประสงค์และวิธีนำไปใช้

การเตรียมการป้องกัน (preventive measures) และกระจายทรัพยากรให้ถูกที่ถูกเวลา (resource allocation) เป็นสิ่งสำคัญที่จะช่วยให้เราฝ่าวิกฤตที่กระทบทั้งสุขภาพและปากท้องได้รวดเร็วและจำกัดความเสียหายต่อชีวิต ความเป็นอยู่ และความเป็นปึกแผ่นของสังคม

เราจึงสร้างดัชนีเหล่านี้จากข้อมูลหลายล้าน data points เพื่อช่วยให้หน่วยงาน องค์กร มูลนิธิ ภาครัฐ เอกชน และ ประชาชน ในการเตรียมความพร้อมและการกระจายความช่วยเหลือ เงินบริจาค และทรัพยากรต่าง ๆ ไปสู่แต่ละพื้นที่ได้อย่างมีประสิทธิภาพมากขึ้น ทั้งในช่วงวิกฤต COVID-19 ในช่วงวางแผนนโยบายเปิดเมือง (reopening) และในช่วงหลังวิกฤตคลายตัวลงแล้วและยังต้องมีการเยียวยาเพิ่มเติม

พื้นที่ที่มีความเปราะบางด้านสาธารณสุขมากจะแสดงให้เห็นถึงความจำเป็นที่สังคมควรให้ความใส่ใจเป็นพิเศษเพื่อป้องกันมิให้เกิดการระบาด เนื่องจากหากเกิดการระบาดเพิ่มขึ้นจะสร้างความเสียหายได้มาก  กลับกัน พื้นที่ที่มีความเปราะบางด้านเศรษฐกิจและปากท้องมากจะแสดงให้เห็นถึงความต้องการในการเยียวยาเพิ่มเติม  

การคำนึงถึงและการหาจุดสมดุลระหว่างสองดัชนีนี้สามารถใช้เพื่อช่วยในการออกแบบนโยบายและการตัดสินใจได้อย่างมีหลักฐานเชิงข้อมูลมากขึ้น


Health CVI คำนวณมาจากอะไร?

COVID Health Vulnerability Index=Hazard×ln(1RH)×scale(density)\text{COVID Health Vulnerability Index}\newline = \text{Hazard} \times \ln({1 \over R_H}) \times scale(\text{density})

โดยอัตราส่วนความพร้อมทางด้านสาธารณสุข RH และความเสี่ยง Harzard คำนวณได้จาก: \text{โดยอัตราส่วนความพร้อมทางด้านสาธารณสุข } R_H \text{ และความเสี่ยง } Harzard \text{ คำนวณได้จาก: }

RH=(Health ResourceVulnerable Population)R_H = ({\text{Health Resource} \over \text{Vulnerable Population}})

Hazard=log2.5(Ninfected+1)+bHazard = \log_{2.5}(N_{infected}+1) + b

Ninfected=(0.75×Ninfectedin 2 weeks)+(0.25×Ninfectedin 6 weeks)N_{infected} = (0.75 \times N_{infected}\text{in 2 weeks})+(0.25 \times N_{infected}\text{in 6 weeks})

Health CVI คำนวณมาจาก 3 ส่วนปัจจัยหลัก คือ ทรัพยากรด้านสาธารณสุข (Health Resources) สภาวะเสี่ยงต่อการติดเชื้อ (Vulnerable Population) และ ความรุนแรงของโอกาสการติดเชื้อ (Hazard) 

จำนวนเตียงรองรับผู้ป่วยของโรงพยาบาลในพื้นที่ จำนวนบุลคลากรทางการแพทย์ และ จำนวนเครื่องมือที่จำเป็นต่อการรักษาโรค ถูกนำมาให้ค่าน้ำหนักที่เหมาะสม และคำนวณออกมาเป็น  Health Resources

Vulnerable Population คิดจาก อายุ และ ความหนาแน่นของประชากรในพื้นที่ ซึ่งมีการปรับค่าให้เหมาะสมโดยคำนึงถึงอัตราการเสียชีวิตจาก COVID-19 ของคนในกลุ่มอายุต่าง ๆ จากรายงานและบทวิจัยจากกรณีผู้เสียชีวิตทั่วโลก (เช่น ประชากรกลุ่มผู้สูงอายุ ที่มีอัตราการเสียชีวิตสูงกว่า จะได้รับค่าน้ำหนักที่มากกว่า)   

อัตราส่วนระหว่าง Health Resources กับ Vulnerable Population ที่ได้เบื้องต้น จะถูกนำมาปรับในขั้นตอนสุดท้ายด้วยค่า Hazard ที่สะท้อนถึงความรุนแรงของโอกาสการติดเชื้อ ซึ่งคำนวณมาจากจำนวนผู้ป่วยที่ได้รับการยืนยันการติดเชื้อ COVID-19 แล้วในพื้นที่นั้น ๆ บวกกับ background transmission rate ที่คำนึงถึง Hazard ในพื้นที่รอบ ๆ 

ดูรายละเอียดเชิงเทคนิคได้ที่นี่ 


Economic CVI คำนวณมาจากอะไร?

COVID Economic Vulnerability Index=Hazard×[f(Vincome)+g(Vbusiness)]\text{COVID Economic Vulnerability Index}\newline = \text{Hazard} \times [f(V_{income}) + g(V_{business})]

โดยความเปราะบางในมิติปากท้องของประชากร Vincome, ความเปราะบางในมิติธุรกิจ Vbusiness และความเสี่ยงHarzard คำนวณได้จาก: \text{โดยความเปราะบางในมิติปากท้องของประชากร } V_{income}\text{, ความเปราะบางในมิติธุรกิจ } V_{business} \text{ และความเสี่ยง} Harzard \text{ คำนวณได้จาก: }

Vincome=(1income)×f(Poverty Indicator)V_{income} = ({1 \over \text{income}}) \times f(\text{Poverty Indicator})

Poverty Indicator=w1f(population density×poverty proportion)+w2f(lowincome population)+w3f(unemployed population)\text{Poverty Indicator} = \text{w1} \cdot f(\text{population density} \times \text{poverty proportion}) + \text{w2} \cdot f(\text{low} - \text{income population}) + \text{w3} \cdot f(\text{unemployed population})

Vbusiness=0.5×f(Vbusiness company)+0.5×f(Vbusiness labor)V_{business} = 0.5 \times f(V_\text{business company}) + 0.5 \times f(V_\text{business labor})

f(Vbusiness company)=targeted business proportionf(V_\text{business company}) = \text{targeted business proportion}

f(Vbusiness labor)=0.75×f(affected labor proportion×number of workings labor)+0.25×f(google trend "ตกงาน")f(V_\text{business labor}) = 0.75 \times f(\text{affected labor proportion} \times \text{number of workings labor}) + 0.25 \times f(\text{google trend "ตกงาน"})

Hazard=log2.5(Ninfected+1)+bHazard = \log_{2.5}(N_{infected}+1) + b

Ninfected=(0.75×Ninfectedin 2 weeks)+(0.25×Ninfectedin 6 weeks)N_{infected} = (0.75 \times N_{infected}\text{in 2 weeks})+(0.25 \times N_{infected}\text{in 6 weeks})

Economic CVI มองความเปราะบางจาก 3 มิติต่อไปนี้ 

1) รายได้และความยากจนก่อนโควิด (prior income and poverty) ว่าทุนเดิมมีความยากลำบากเพียงใด โดยอาศัยข้อมูลเกี่ยวกับรายรับรายจ่าย ข้อมูลผู้ยากจน ข้อมูลผู้มีรายได้น้อยเชิงพื้นที่

2) ผลกระทบเชิงเศรษฐกิจจากโควิด (shock) ว่าถูกกระทบมากเป็นพิเศษเพียงใด โดยอาศัยข้อมูลธุรกิจจดทะเบียนที่อยู่ในกลุ่มถูกกระทบมากเป็นพิเศษ ได้แก่ ร้านอาหาร โรงแรมและที่พัก ท่องเที่ยว ค้าปลีก และ บริการ  รวมถึงข้อมูล Point-of-Interest (POI) ในกลุ่มนี้

3) ความยืดหยุ่นในการ absorb shock ว่ามีช่องทางในการเอาตัวรอดและขอความช่วยเหลือมากเพียงใด โดยอาศัยข้อมูลจปฐ. และข้อมูลเกี่ยวกับการเข้าถึงแหล่งเงินทุน (coming soon) 

อัตราส่วนที่ได้เบื้องต้น จะถูกนำมาปรับในขั้นตอนสุดท้ายด้วยค่า Hazard ที่สะท้อนถึงความรุนแรงของโอกาสการติดเชื้อ ซึ่งคำนวณมาจากจำนวนผู้ป่วยที่ได้รับการยืนยันการติดเชื้อ COVID-19 แล้วในพื้นที่นั้น ๆ บวกกับ background transmission rate ที่คำนึงถึง Hazard ในพื้นที่รอบ ๆ เพื่อ capture ความเข้มข้นของมาตรการล๊อคดาวน์

ดูรายละเอียดเชิงเทคนิคได้ที่นี่ 


ขอขอบคุณ

มูลนิธิ ดร.เทียม โชควัฒนา และ ธนาคารกรุงเทพ สำหรับเงินทุนสนับสนุนการทำงานและการประมวลข้อมูล

รายละเอียดและที่มาของข้อมูล

1. ทรัพยากรด้านสาธารณสุข (HEALTH RESOURCEs)

ความพร้อมทางด้านสาธารณสุขมาจาก จำนวนเตียงที่สามารถรอบรับผู้ป่วยของโรงพยาบาลในพื้นที่  จำนวนบุคลากรทางการแพทย์ที่เกี่ยวข้องทั้งหมด ได้แก่ แพทย์ พยาบาล เภสัชกร นักเทคนิคการแพทย์ นักรังสีการแพทย์ นักวิชาการสาธารณสุข เป็นต้น ชุดข้อมูลเครื่องมือทางการแพทย์ที่จำเป็นต่อการรักษาโรคนี้ ครอบคลุมหลายเครื่องมือ ได้แก่ เครื่อง CT SCAN เครื่องตรวจอวัยวะด้วยสนามแม่เหล็กไฟฟ้า

***ข้อมูลด้านนี้ยังไม่สมบูรณ์และยังไม่เป็น most updated version เมื่อทางการอัพเดตข้อมูลนี้ เราจะนำมันมาใส่ในสูตร***

ที่มาของข้อมูล:

ข้อมูลตำแหน่งโรงพยาบาล health facilities และ capacity – กรมสนับสนุนบริการสุขภาพ และกรมควบคุมโรค

ข้อมูลบุคลากรและเครื่องมือแพทย์ระดับจังหวัด – กระทรวงสาธารณสุข

2. สภาวะความเสี่ยงต่อการติดเชื้อ (Vulnerable population)

สถาวะความเสี่ยงต่อการติดเชื้อ covid-19 พิจารณาจากความหนาแน่นของประชากร เทียบกับพื้นที่ และ จำนวนประชากรในกลุ่มอายุต่าง ๆ ทั่วประเทศที่ได้มาจากข้อมูลการสำรวจของสำนักงานสถิติแห่งชาติ  การแบ่งกลุ่มอายุ แบ่งเป็น 7 กลุ่ม ได้แก่ 0-9 ปี, 10-39 ปี, 40-49 ปี, 50-59 ปี, 60-69 ปี, 70-79ปี  และ 80 ปีขึ้นไป  โดยแต่ละกลุ่มอายุจะได้รับค่าน้ำหนักที่ต่างกัน ซึ่งพิจารณามาจาก อัตราการเสียชีวิตของผู้ป่วยที่ติดเชื้อทั่วโลก

ที่มาของข้อมูล:

ข้อมูลประชากรและบ้าน – ระบบสถิติทางการทะเบียน

Population density – Siametrics DeepMap

3. ความรุนแรงของโอกาสการติดเชื้อ (Hazard)

เนื่องจากโรค COVID-19 สามารถติดต่อได้จากการสัมผัส หรือใกล้ชิดกับผู้ติดเชื้อ ดังนั้น ความรุนแรงของโอกาสการติดเชื้อจะแปรผันตามจำนวนผู้ป่วยที่ได้รับการยืนยันการติดเชื้อ COVID-19 ในพื้นที่ในแต่ละห้วงเวลา

ยิ่งมีจำนวนผู้ติดเชื้อมาก โอกาสที่จะเสี่ยงต่อการติดเชื้อเพิ่มจึงมากขึ้นตามไปด้วย 

Hazard จะเพิ่มขึ้นหากพื้นที่ที่อยู่รอบ ๆ มีจำนวนผู้ติดเชื้อมาก หรือ มี mobility ไหลเข้ามาจากพื้นที่ที่มีการติดเชื้อสูง 

Hazard จะลดลงหากมีจำนวนผู้ติดเชื้อน้อยลงในระยะ 14 วันล่าสุดลดลง

ที่มาของข้อมูล:

ข้อมูลผู้ติดเชื้อ: https://data.go.th/dataset/covid-19-daily

ข้อมูล mobility: https://lotadata.com 

4. ความเสี่ยงเชิงเศรษฐกิจ (ECONOMIC RISK)

ความเสี่ยงเชิงเศรษฐกิจใช้ข้อมูลจากมิติการเงินของประชาชนและธุรกิจ 

ข้อมูลความยากจนและรายได้ในพื้นที่ถูกนำมาใช้วัดระดับความสามารถในการช่วยเหลือตนเอง ในขณะที่ข้อมูลเกี่ยวกับธุรกิจจดทะเบียนในพื้นที่นั้น เช่น ประเภทธุรกิจ จำนวน และ ทรัพย์สิน ถูกนำมาคำนวณเพื่อประมาณความเสียหาย (total asset) โดยคำนึงถึงประเภทของธุรกิจที่จะถูกกระทบรุนแรงกว่า เช่น ธุรกิจร้านอาหารและเครื่องดื่ม ท่องเที่ยว โรงแรมและที่พัก และ บริการ 

ที่มาของข้อมูล:

ข้อมูลรายได้และความยากจน – สำนักงานสถิติแห่งชาติ

ข้อมูลผู้มีรายได้น้อย – สำนักงานศรษฐกิจการคลัง

ข้อมูลรายได้ – ข้อมูล จปฐ.

ข้อมูลธุรกิจจดทะเบียน – กรมพัฒนาธุรกิจการค้า

ข้อมูล Point-of-Interests – Siametrics DeepMap

ทีมงาน COVID-19 Task Force

ดร. ณภัทร จาตุศรีพิทักษ์ – Siametrics

อติคุณ อุณหเลขกะ – Siametrics

ดร. พาพิศ วงศ์ชัยสุวัฒน์ – Siametrics

ฌานุวรรษ อัศวเมนะกุล – Siametrics

ดร.ณัฏฐนนท์ พานิชชอบ  – Siametrics

ชลธิศ ยังวิวัฒน์ – Siametrics

สเตฟาน รุสท์เลอร์ – Siametrics

สัณฑพล ศรีพิไลพงศ์ – Siametrics

พีรกานต์ จิตรภักดี – Siametrics

วริทธิ์ ประสาทฤทธา – Siametrics

ภีรภัทร์ แก้วดี – Siametrics

ทรงธรรม อนุนตการุณ – Siametrics

ธนากร รัตนจริยา – Siametrics

ทิพจุฑา บุญมาเกิด – Siametrics

 

 

ที่ปรึกษา COVID-19 Task Force

นพ.โสภณ เอี่ยมศิริถาวร -กรมควบคุมโรค

ดร. สมชัย จิตสุชน – TDRI

ศรินทร สนธิศิริกฤตย์ – กรมควบคุมโรคเขตเมือง

นพ. ไผท สิงห์คํา – กรมควบคุมโรค

ดร. สันติธาร เสถียรไทย – SEA Group

พงศ์นคร โภชากรณ์ – สำนักงานเศรษฐกิจการคลัง

ภาณุสิชฌ์ ชมะนันทน์ – Ever Medical Technologies

ดร. ศุภศรณ์ สุวจนกรณ์ – VISTEC

ดร. ภาสิตา ไชยเจริญ – VISTEC

ดร. ภควัต ผลิตนนท์เกียรติ – KBTG

ดร. ธิปรัชต์ โชติบุตร – จุฬาลงกรณ์มหาวิทยาลัย

พิชญ์ สีแก้ว – Columbia University

Siametrics สู้ COVID-19

สยามเมทริกซ์เป็นบริษัทที่มีเป้าหมายในการปลกล็อกคุณค่าทางธุรกิจและสังคมด้วย Data Science

เนื่องจากสถานการณ์โคโรนาไวรัสกำลังคุกคามความเป็นอยู่ของคนไทยและชาวโลก เราได้ตั้งทีม COVID-19 Task Force เฉพาะกิจขึ้นเพื่อใช้ความเชี่ยวชาญด้าน Data Analytics และ AI ให้เกิดประโยชน์สูงสุดต่อธุรกิจและสังคมที่กำลังประสบความลำบากในแนวทางต่อไปนี้

สยามเมทริกซ์เป็นบริษัทที่มีเป้าหมายในการปลกล็อกคุณค่าทางธุรกิจและสังคมด้วย Data Science

เนื่องจากสถานการณ์โคโรนาไวรัสกำลังคุกคามความเป็นอยู่ของคนไทยและชาวโลก เราได้ตั้งทีม COVID-19 Task Force เฉพาะกิจขึ้นเพื่อใช้ความเชี่ยวชาญด้าน Data Analytics และ AI ให้เกิดประโยชน์สูงสุดต่อธุรกิจและสังคมที่กำลังประสบความลำบากในแนวทางต่อไปนี้

 

1. Real-time epidemiology dashboard – เราร่วมมือกับบริษัท เอเวอร์ เมดิคอล เทคโนโลยี ซึ่งเป็นบริษัทบริหารบล็อกเชนข้อมูลสุขภาพของเครือโรงพยาบาลในหลายจังหวัด ในการคำนวณค่าความเสี่ยงเป็น COVID-19 และการสร้าง Dashboard โรคระบาดเพื่อช่วยให้ผู้นำสาธารณสุขเฝ้าระวัง ปกป้องทรัพยากรบุคคล และคาดการณ์รูปแบบการระบาดของ COVID-19 ได้มีประสิทธิภาพมากขึ้น

 

 

2. COVID-19 Vulnerability Index – ทีม Geo-spatial data scientists ของเราสร้างแผนที่ดัชนีความเปราะบางต่อวิกฤต COVID-19 เพื่อช่วยให้ภาครัฐ ภาคเอกชน และ ชุมชน เตรียมความพร้อม เฝ้าระวัง และ allocate resources ไปช่วยเหลือได้อย่างมีประสิทธิภาพ ถูกที่ ถูกเวลามากขึ้น 

 

3. Mobility Index map and research – เรากำลังร่วมมือกับ geo-analytics startup ชั้นนำแห่งหนึ่งเพื่อเสริม COVID-19 Vulnerability Index ด้วยข้อมูลการเคลื่อนที่จาก GPS โทรศัพท์มือถือที่ annonymized เพื่อคาดการณ์ทิศทางและลักษณะของการแพร่ระบาดต่อไป

 

 

4. AI-based routing & logistics solution – ขณะนี้การบริหาร supply chain ของสินค้าหลากประเภทกำลังทำได้ยากขึ้นมาก  เรามี solution ช่วยเหลือองค์กรที่กำลังประสบปัญหาในการวางแผน route planning ว่า ใคร ควรไปส่งอะไร ที่ไหน และ เมื่อไหร่ เพื่อบรรเทาปัญหาคนส่ง/รถส่งไม่พอกับ demand และเพื่อรักษา fulfillment

 

แนวคิดการใช้ข้อมูลสู้ COVID-19 โดย ดร.ณภัทร