เนื่องจากสถานการณ์โควิด-19 ที่เกิดขึ้นมีผลทำให้เราต้องเฝ้าติดตามการรายงานข้อมูลอย่างใกล้ชิด ภาครัฐในหลาย ๆ ประเทศก็ใช้วิธีการสื่อสารกับประชาชนด้วยการเล่าเรื่องด้วยข้อมูล (Data storytelling) ผ่านรายงานแดชบอร์ดและให้กราฟเล่าข้อมูล (Data visualization) วิกฤตครั้งนี้สร้างผลกระทบในระดับชาติดังนั้นศาสตร์การสื่อสารข้อมูลจึงเป็นหนึ่งในความท้าทายของภาครัฐทั่วโลก
สถิติที่เห็นกับความเป็นจริงของสถานการณ์โควิด-19
เนื้อหาบทความนี้เราใช้แหล่งอ้างอิงหลักจากเว็บไซต์ The COVID Tracker Project (องค์กรอาสาที่รวบรวมและทำความเข้าใจข้อมูลโควิด-19 ของประเทศสหรัฐอเมริกา) ร่วมกับมุมมองส่วนตัวที่เห็นว่ารายงานสถิติสถานการณ์โควิด-19 ในไทยที่มีเบื้องหลังความซับซ้อนของความพยายามรายงานของ 6 ตัวชี้วัดต่อไปนี้ที่ไม่แพ้กับประเทศอื่น ๆ เลย ตัวชี้วัดประกอบด้วย Cases – Tests – Deaths – Hospitalizations – Recoveries – Vaccinations ให้สะท้อนความจริงมากที่สุด
ซึ่งบทเรียนที่ได้จากการรายงานสถานการณ์โควิด-19 มีทั้งความผิดพลาดและการพยายามเรียนรู้เพื่อทำให้ถูกต้อง หลังจากที่เราได้อ่านประสบการณ์ทำงานของโครงการนี้ทำให้ชวนนึกถึงสถิติของการแพร่ระบาดประเทศไทย
วันนี้เราเลยอยากชวนมาลองพิจารณาความเชื่อมโยงระหว่างสถิติกับความเป็นจริงของข้อมูลสถานการณ์โควิด-19 ที่ถูกรายงานจากแหล่งข้อมูลกระทรวงสาธารณสุขของประเทศไทยกันค่ะ 😊
6 ตัวชี้วัดที่แสดงในรายงานสถานการณ์โควิด-19
เรามีช่องทางการติดตามรายงานสถานการณ์โควิดจากเว็บไซต์ของกระทรวงสาธารณสุขที่รายงานข้อมูลประกอบด้วยตัวชี้วัดสำคัญ 6 ข้อที่เราจะชวนคิดเพื่อสำรวจเบื้องหลังที่มาของตัวเลขเหล่านั้นกัน
- การทดสอบติดเชื้อ (Test)
- ผู้ติดเชื้อ (Case)
- ผู้เสียชีวิต (Death)
- การรักษา (Hospitalization)
- ผู้ป่วยพักฟื้น/หายแล้ว (Recovery)
- การได้รับวัคซีน (Vaccination)
1. การทดสอบติดเชื้อ หรือ Test
ข้อมูลภาครัฐบอกเราเฉพาะผู้เข้ารับการตรวจหาเชื้อด้วยวิธี RT-PCR ที่มีผลเป็นบวก (Positive) แต่ไม่มีรายงานว่ามีผู้เข้าตรวจทั้งหมดกี่คน จำนวนผู้ที่ทดสอบที่แท้จริงมีสำคัญที่สุดของการทำความเข้าใจการแพร่ระบาด หากไม่มีข้อมูลนี้จะทำให้เกิดความเข้าใจผิดว่าผู้ติดเชื้อมีจำนวนน้อยไปหรือมากไปและสามารถประเมินการตรวจเชิงรุกมีประสิทธิภาพแล้วหรือไม่ ? กลุ่มตัวอย่างมากเพียงพอรึเปล่า ?
ปัญหาไม่มีการรายงานผู้เข้าตรวจที่แท้จริงเพราะปัจจุบันการตรวจเชื้อสามารถทำได้หลายวิธี แต่วิธีที่ยอมรับจาก CDC (ศูนย์ควบคุมโรคติดต่อสหรัฐอเมริกา) คือ RT-PCR ที่ต้องส่งผลตรวจให้ห้องแลปข้อจำกัดของวิธีนี้คือมีค่าใช้จ่ายสูงและใช้เวลารอผล 3-5 วัน ผู้ที่เข้าตรวจมักเป็นกลุ่มเสี่ยง แต่วิธีอื่น ๆ ที่ทำได้ง่ายกว่า บางวิธีสามารถตรวจด้วยตัวเองได้จึงไม่มีการเก็บสถิติของคนกลุ่มนี้ซึ่งแปลว่าตัวเลขที่พอจะรายงานได้คือสถิติผู้ตรวจด้วยวิธี RT-PCR เท่านั้นที่เป็นส่วนหนึ่งของผู้เข้าตรวจทั้งหมด
จากข้อมูลของเว็บไซต์ The COVID Tracking Project ประเทศสหรัฐอเมริกาก็พบปัญหาการรายงานตัวเลขผู้เข้าตรวจเชื้อที่แท้จริงเหมือนกัน สาเหตุคือภาครัฐไม่มีประสบการณ์การจัดการข้อมูลขนาดใหญ่ (Big Data) มาก่อนทำให้แต่ละรัฐมีวิธีการนับจำนวนเคสต่างกัน ซึ่งปัญหาหลัก 3 ข้อที่พบคือ
ปัญหาข้อที่หนึ่งบางรัฐรายงานเฉพาะผลตรวจ Antigen Test ในขณะที่บางรัฐรายงานเฉพาะผลตรวจ RT-PCR บางแห่งก็รายงานผลตรวจแบบคละรวมกันมาทำให้ความแม่นยำคลาดเคลื่อน
ปัญหาข้อที่สองจำนวนครั้งการทดสอบมากกว่าจำนวนคนทดสอบ เนื่องจากบางคนมีการทดสอบมากกว่า 1 ครั้ง (สำหรับประเทศไทยกำหนดไว้ที่ 3 ครั้งแต่ในการปฏิบัติจริงมีการตรวจซ้ำไม่เกิน 1 ครั้ง) เมื่อเวลาผ่านไปรัฐที่เข้าข่ายนี้มักจะมีแนวโน้มทำการตรวจเชิงรุกลดลงเพราะเห็นว่ามีกลุ่มตัวอย่างเพียงพอแล้ว แบบนี้ก็จัดเป็นว่าเป็นความผิดพลาดของการนับซ้ำที่มีผลต่อผลลัพธ์ที่ไม่น่าเชื่อถือทางสถิติ ที่ทำให้ดูเหมือนว่าจำนวนคนติดโควิด-19 ลดลง ทั้งที่จริงแล้วเป็นเพราะจำนวนคนตรวจลดลงต่างหาก
ปัญหาข้อที่สามเกิดจากประชาชนในสหรัฐอเมริกาสามารถหาชุดทดสอบโควิด-19 (Rapid Test Kit) เองได้ซึ่งข้อมูลจะถูกบันทึกโดยศูนย์ให้บริการด้านสุขภาพ (Healthcare Provider’s) แล้วรายงานต่อไปยังระบบข้อมูลกลาง ปัญหาคือไม่ควรเชื่อผลทดสอบจากการตรวจสอบเบื้องต้นแต่ควรเชื่อผลที่มาจากการส่งไปที่ห้องแลปดังนั้นสิ่งนี้จึงเป็นปัญหาต้นทางจากการโอนถ่ายข้อมูล (Data Pipeline) สรุปแล้วแหล่งข้อมูล (Data Source) ที่น่าเชื่อถือควรมีแหล่งเดียวคือผลสรุปจากห้องแลปจากการตรวจ PCR เท่านั้น
การละเลยนับจำนวนผู้ตรวจเชื้อแท้จริงมีผลทำให้…
การทดสอบเป็นเครื่องมือแรกและสำคัญที่สุดในการทำความเข้าใจตามหลักระบาดวิทยา การละเลยการนับจำนวนผู้ตรวจที่แท้จริงจะนำไปสู่การหาคำตอบที่แท้จริงว่ามียอดผู้ป่วยจริงเท่าไหร่ ? หากเราไม่สาารถคำนวณตัวเลขที่ใกล้เคียงผู้ป่วยจริงได้ก็จะส่งกระทบไล่เรียงตั้งแต่ไม่สาารถตัดสินใจกระจายจุดตรวจเชิงรุกได้, การหาจุดคลัสเตอร์ของการระบาดยากขึ้น, ไม่สามารถการแยกผู้ติดเชื้อได้, ปัญหาการจัดการหาเตียงและอุปกรณ์กู้ชีพ, ปัญหาการกระจายวัคซีนตามพื้นที่เร่งด่วน สุดท้ายจะนำไปสู่การสูญเสียชีวิตที่ไม่ควรจะเกิดขึ้น
การที่มีผู้ตรวจด้วยวิธี Rapid Test แต่ไม่ได้รายงานจะทำให้บุคคลกรสาธารณสุขไม่มีข้อมูลเพียงพอในการตัดสินใจในการกระจายจุดทดสอบ ซึ่งเป็นต้นทางของการยับยั้งวิกฤต ในประเทศสหรัฐอเมริกาจึงหาวิธีที่จะพยายามเก็บข้อมูลส่วนนี้ให้ได้ด้วยการใช้เทคโนโลยีเข้าช่วย เว็บแอปพลิเคชันชื่อว่า “SimpleReport” จะช่วยให้เจ้าหน้าที่ตามจุดตรวจต่าง ๆ เช่น โรงเรียน, ทีมกีฬา และจุดตรวจสาธารณะใช้บันทึกข้อมูลผู้ที่เข้าตรวจด้วยวิธี Rapid Test เครื่องมือนี้ถูกพัฒนาโดย Centers for Disease Control and Prevention (CDC) กับ U.S. Digital Service (USDS)
2. ผู้ติดเชื้อ หรือ Case
เคสเป็นตัวชี้วัดสำคัญที่ต้องกำหนดคำนิยามอย่างรัดกุม เคสประกอบด้วย 3 สถานะคือ Probable Case – Confirm Case – Suspect Case เราจะเล่ากระบวนการวิธีการนับเคสที่ยืนยัน (Confirm Case) กันก่อนด้วย 2 กรณี
กรณีแรกเมื่อมีผู้เข้าตรวจการติดเชื้อด้วย Antigen Test Kit แล้วพบ SARS-CoV-2 (ไวรัสที่ทำให้เกิดโรคโควิด-19) เป็นบวก (Positive) จะถูกจัดให้เป็นผู้เข้าข่ายติดเชื้อ (Probable Case) ทันทีไม่ว่าจะแสดงอาการของโรคหรือไม่ก็ตาม และจะถูกส่งต่อให้ห้องปฏิบัติการพบสารพันธุกรรมของเชื้อไวรัส SARS-CoV-2 โดยวิธี RT-PCR หากได้รับการยืนยันว่าพบเชื้อจริงจะถูกเปลี่ยนสถานะเป็นผู้ติดเชื้อ (Confirmed Case)
กรณีที่สองผู้ที่เข้ารับการตรวจแบบ RT-PCR โดยตรงแล้วพบเชื้อ SARS-CoV-2 ไม่ว่าจะมีอาการหรือไม่ก็ตามจะถูกนับเป็นเคสยืนยัน (Confirm Case) ทันที
ข้อมูลสำหรับบางประเทศที่มีชุดตรวจ Antibody ที่มีความแม่นยำมากกว่าการตรวจด้วย Antigen (Rapid Test) แต่ความแม่นยำน้อยกว่าวิธี RT-PCR เมื่อผลการตรวจเป็นบวกจะถูกจัดในเคสต้องสงสัย (Suspect Case) ดังนั้นเคสยืนยันต้องมาจากการตรวจแบบ RT-PCR ที่จัดว่าเป็นมาตรฐานกลางที่ยอมรับจากทั่วโลก (The Gold Standard )
ทำไมการตรวจเชิงรุกจึงมีความสำคัญ
การนับเคสกับข้อมูลสถิติที่เราเห็นจึงมาจากผู้ที่ตรวจด้วยวิธี RT-PCR เท่านั้น ซึ่งตัวเลขผู้ติดเชื้อที่เราเห็นเป็นเคสที่ได้รับการยืนยันแล้วทั้งสิ้น ดังนั้นสิ่งที่ขาดหายไปคือภาครัฐไม่มีเก็บสถิติหรือไม่ได้เผยตัวเลขผู้ที่รับการตรวจทั้งหมด ความน่าจะเป็นอีกประการหลายคนคิดว่าตัวเลขผู้ติดเชื้อจริงน่าจะมากกว่าที่ปรากฏเพราะการตรวจเชิงรุกด้วยวิธี Rapid Test ยังน้อยเกินไป
ความอันตรายของการตรวจเชิงรุกน้อยเกินไปทำให้ผู้ที่มีส่วนเกี่ยวข้องควบคุมสถานการณ์ยากขึ้นเพราะทำให้การประมาณการณ์ทรัพยากรคาดเคลื่อน ข้อเรียกร้องที่ต้องการให้เปิดเผยตัวเลขการตรวจโควิดที่แท้จริงก็เพื่อประเมินสัดส่วนของกลุ่มตัวอย่างที่ตรวจทั้งหมดเทียบกับผู้ที่ติดเชื้อ เราจะได้รู้ว่ากลุ่มตัวอย่างเพียงพอหรือไม่ ?
ถ้าประชากรเข้าตรวจเกือบทั้งหมดจะเห็นตัวเลขผู้ติดเชื้อที่ใกล้เคียงทั้งประเทศ ดังนั้นการเร่งตรวจเชิงรุกก็เพื่อให้มีการแบ่งระดับความรุนแรงของอาการในเคสที่ยืนยันแล้วด้วยเพื่อช่วยในการจัดสรรทรัพยากรทางการแพทย์จะได้ลดอัตราการเสียชีวิต คำถามที่ว่า “ยอดป่วยโควิดจริงของประเทศไทยเป็นเท่าไร?” ในวันนี้อาจหาคำตอบที่แน่ชัดไม่ได้แต่ก็มีผู้เขียนที่พยายามจะพยากรณ์เอาไว้สามารถอ่านต่อได้ที่บทความ ยอดป่วยโควิดจริงของประเทศไทยเป็นเท่าไร? สิ่งที่ซ่อนอยู่ในตัวเลขที่ ศบค. ไม่ได้รายงาน
3. ผู้เสียชีวิต หรือ Death
เชื่อว่าตัวเลขผู้เสียชีวิตที่รายงานมีความคลาดเคลื่อนกว่าความเป็นจริง เมื่อลองดูกรณีศึกษาของสหรัฐอเมริกาก็พบปัญหาการรายงานคาดเคลื่อนซึ่งเกิดจากแหล่งข้อมูล 2 แห่งที่มีการบันทึกข้อมูลต่างกัน
ที่แรกคือศูนย์ควบคุมโรคติดต่อสหรัฐอเมริกา (CDC) ที่ข้อมูลอัพเดตมากกว่าข้อมูลจาก NCHS ที่เป็นการบันทึกข้อมูลพร้อมกับออกใบมรณะบัตรที่มีผลทางกฎหมาย ดังนั้นข้อมูลจาก CDC จะเป็นข้อมูลที่ใหม่กว่าแต่ข้อมูลจาก NCHS จะเป็นข้อมูลที่ยอมรับทางกฎหมาย
ในกรณีของประเทศไทยก็คงไม่ต่างกันเพราะเรามีผู้เสียชีวิตทั้งในโรงพยาบาลและผู้เสียชีวิตที่รักษาตัวอยู่บ้านและข้างถนนที่ไม่ได้ถูกบันทึกในฐานข้อมูลแบบ Real-time ข้อสันนิษฐานที่ว่าตัวเลขผู้เสียชีวิตที่ปรากฎในแต่ละวันอาจมากกว่าที่ตาเราเห็นจากรายงาน
ทำไมความคลาดเคลื่อนของการรายงานตัวเลขผู้เสียชีวิตจึงมีความสำคัญ
ในประเทศที่มีการประกาศตัวเลขผู้เสียชีวิตทั้งสองแบบสร้างความสับสนให้ประชาชน ดังนั้นถ้าจำเป็นต้องรายงานทั้งสองแบบควรระบุกราฟให้แน่ชัด เช่น กราฟ A แสดงจำนวนผู้เสียชีวิตตามวันที่รายงาน กราฟ B แสดงจำนวนผู้เสียชีวิตที่บันทึกโดยระบบกลางอ้างอิงจากใบมรณะบัตร
The COVID Tracker Project จึงแนะนำว่าถ้าเลือกรายงานได้เพียงอย่างใดอย่างหนึ่งควรรายงานตัวเลขผู้เสียชีวิต ณ วันที่เสียชีวิตจริงหรือใกล้เคียงที่จะบันทึกได้เพราะค่าสถิติเหล่านี้จะทำให้ประชาชนและเจ้าหน้าที่กระทรวงสาธารณสุขได้รับรู้ความจริงที่มากที่สุด
ซึ่งการรายงานผู้เสียชีวิตประจำวันมีความคลาดเคลื่อนสูงทั้งสาเหตุของความล่าช้าของแหล่งข้อมูลต้นทางและผู้เสียชีวิตนอกโรงพยาบาล สิ่งสำคัญคือต้องมีการรายงานผู้เสียชีวิตรวมยอดทุก ๆ 7 วันซึ่งจะช่วยให้แม่นยำมากขึ้น (การเคลื่อนเคลื่อนไม่ว่าจะด้วยสาเหตุอะไรก็ตามส่วนใหญ่ไม่น่าจะเกิน 7 วัน)
การตายเกินปกติ (Excess Death) คือเครื่องมือชี้วัดการแพร่ระบาดของจริง
เรายังไม่เคยเห็นรายงานสถิติที่นำเสนอข้อมูลการตายเกินปกติของราชการ ณ เวลานี้แต่เชื่อว่าหลังการสิ้นสุดการแพร่ระบาดหนักจะมีการรวบรวมข้อมูลการตายที่เกิดขึ้นในสถานการณ์การแพร่ระบาดโควิดเทียบกับปีที่ยังไม่มีการแพร่ระบาด ปีที่ผ่านมามีเว็บไซต์ข่าวแห่งหนึ่งที่มีการใช้สถิติอัตราการตายจากโควิด-19 เปรียบเทียบกับอัตราการตายบนท้องถนน ที่ให้ผลสรุปว่าการตายบนท้องถนนมีมากกว่าการตายจากโรคนี้เสียอีกจึงเป็นการด่วนสรุปที่เร็วเกินไป
วิธีการที่เราจะติดตามอัตราการเติบโตของสถิติการเสียชีวิตที่ดีกว่าการวัดจากช่วงเวลาใดเวลาหนึ่งคือการติดตามผลอย่างเรียลไทม์ เครื่องมือที่ CDC ใช้เพื่อแสดงผลคือ Online Dashboard ที่จะแสดงข้อมูลอัตราการตายในช่วงเวลาก่อนการแพร่ระบาดและช่วงเวลาปัจจุบันแบ่งกลุ่มตามกลุ่มอายุ, โรคแทรกซ้อนที่เป็นเหตุให้เสียชีวิต และเชื้อชาติ รายงานแดชบอร์ดของ CDC ทำไว้ถึง 13 มุมมองสามารถติดตามได้ที่นี่
สำหรับประเทศไทยก็มีผู้จัดทำข้อมูลการตายผิดปกติรายจังหวัดที่น่าสนใจเช่นกัน เพราะรายงานสะท้อนให้เห็นว่าบางจังหวัดมีผู้เสียชีวิตในช่วงสถานการณ์โควิด-19 มากเมื่อเทียบกับการตายของช่วงเวลาก่อนหน้า (เดือนนี้ของปีที่แล้ว) รายงานการตายเกินปกตินี้ไม่ได้ระบุว่าสาเหตุการตายมาจากการติดเชื้อทั้งหมดหรือรวมการตายที่เป็นผลกระทบจากโควิด-19 ร่วมด้วย สามารถติดตามรายงานนี้ได้ที่ covid-19.researcherth.co
4. การรักษา หรือ Hospitalization
ข้อมูลการรักษาตัวในโรงพยาบาลไม่ได้ถูกรายงานอย่างมีมาตรฐาน ข้อมูลที่ปรากฏมีเพียงผู้ป่วยปัจจุบันและผู้ป่วยสะสม ผู้ป่วยที่ได้รับการยืนยันและผู้ป่วยต้องสงสัยที่ต้องรักษาตัวไม่ได้ถูกรายงาน ข้อมูลการรักษาควรรายงานทันทีเพื่อป้องกันปัญหาในการประเมินความสามารถ (Capacity) ในการหาเตียงเพื่อเตรียมรองรับผู้ป่วย
ปัจจุบันตัวเลขการรักษาพยาบาลที่เห็นคือยอดสะสมประจำวันที่ The COVID Tracker Project พิสูจน์แล้วว่าไม่ค่อยเป็นประโยชน์เท่าไรเพราะตัวเลขสะสมอาจมีประโยชน์ในทางทฤษฎีแต่ไร้ประโยชน์ในทางปฏิบัติ เนื่องจากต้องยอมรับว่าตัวเลขที่เห็นคือความจริงที่เกิดขึ้นในอดีตที่ไม่ส่งผลต่อการวางแผนจัดหาเตียงได้ ดังนั้นสถิติที่เกี่ยวข้องกับการรักษาต้องเป็นการรักษาพยาบาลในโรงพยาบาลในปัจจุบันและผู้ป่วยเข้าใหม่ของแต่ละวันแทน
5. ผู้ป่วยพักฟื้น/หายแล้ว หรือ Recovery
ตัวชี้วัดนี้ดูเหมือนจะสร้างความหวังให้ใจชื้นต่างจากตัวชี้วัดอื่น ๆ ก่อนหน้านี้ เมื่อก่อนสถิติพักฟื้น/ หายแล้วจะถูกแสดงเป็นตัวเลขใหญ่ ๆ แต่ภายหลังประชาชนเรียกร้องให้ปรับเปลี่ยนการนำเสนอใหม่เพราะแม้จะมีเคสพักฟื้น/ หายแล้วเพิ่มขึ้นไม่ได้ช่วยให้เกิดความเข้าใจที่ถูกต้องเกี่ยวกับสถานการณ์จริง ทำให้หลาย ๆ คนละเลยปัจจัยนี้ได้แต่จริง ๆ แล้วตัวชี้วัดนี้มีความสำคัญแต่ถูกลดทอนค่าลดจากการนำเสนอตัวเลขสถิติเคสพักฟื้น/หายแล้วมีความกำกวม
เมื่อก่อนที่มีการตั้งใจนำเสนอดัชนีนี้แบบเน้นยำแทนที่จะนำเสนอดัชนีอื่นที่น่ากังวลกว่าทำให้ชวนคิดว่าดัชนีนี้ถูกนำมาใช้เพื่อสร้างความเชื่อมั่นในการบริหารงานของภาครัฐ นอกจากนี้ตัวเลขเคสพักฟื้น/ หายแล้วอาจมีจำนวนน้อยกว่าที่นำเสนอ
The COVID Tracker Project ให้บทเรียนที่สำคัญอย่างหนึ่งที่เกิดขึ้นในการบันทึกข้อมูล Recovery Case ในประเทศสหรัฐอเมริกาว่าโควิด-19 มีผลต่อสุขภาพในระยะยาว การที่ส่วนกลางรีบประกาศ Recovery Case ทำให้มีตัวเลขดูดีเกินความเป็นจริง
การยอมรับตัวเลขที่รัฐประกาศว่ามีผู้ป่วยหายแล้วนั่นแสดงถึงว่าส่วนกลางกำลังมองโลกดีเกินกว่าความเป็นจริง จนนำไปสู่การตีความได้ว่าเป็นการรายงานที่คลุมเคลือ การทำให้ตัวเลขเคสพักฟื้น/ หายแล้วมีความน่าเชื่อขึ้นก็ต่อเมื่อเรารู้ว่าเคสนี้คือ Released from Isolation (ปล่อยจากการกักตัว) หรือ Inactive Cases (ระยะสงบ)
ความจริงของผู้ป่วยรักษาหายแล้วที่ถูกละเลย
การเก็บข้อมูลต่อเนื่องมีความสำคัญ ในต่างประเทศมีข้อมูลว่าผู้ป่วยที่หายพบอาการผิดปกติหลังจากผ่านไป 2-3 เดือน ซึ่งการติดตามผลต่อเนื่องจากผู้ป่วยที่หายจากโควิด-19 ก็นับว่าเรากำลังทำความเข้าใจทุกองค์ประกอบของโรคระบาดอย่างแท้จริง
ในประเทศอังกฤษได้มีการสร้างกลุ่ม “Long Covid SOS” เพื่อขอความช่วยเหลือต่อรัฐบาลในการมองเห็นความทุกข์ทรมานของคนอีกกลุ่มที่รักษาตัวที่บ้าน (Home isolate) และผู้ป่วยที่หายแล้วแต่ได้รับผลกระทบระยะยาว เช่น อาการไข้, ปวดกล้ามเนื้อ, หายใจลำบาก และอื่น ๆ เหล่านี้มีผลต่อคุณภาพชีวิต
ในขณะที่ปัจจุบันสถานการณ์โควิด-19 ที่รุนแรงจึงพุ่งความสนใจไปที่ผู้ติดเชื้ออาการสาหัสและผู้ตาย แต่ในอีกด้านหนึ่งก็มีผู้ติดเชื้ออาการไม่หนักและผู้ที่รักษาหายแล้วที่ยังป่วยอยู่ที่รอคอยความช่วยเหลือ คนกลุ่มนี้ได้ทำสารคดีสั้นที่บอกเล่าอาการหลังโควิดที่ต้องเผชิญ บางคนลิสอาการป่วยออกมาเป็นข้อ ๆ บางก็ก็ทำเป็นแผนภูมิพร้อมระบุวันที่ออกอาการ เป็นการเก็บข้อมูลที่น่าสนใจเป็นแนวทางให้นักวิจัยหยิบยกไปศึกษาต่อในระยะยาวได้
6. การได้รับวัคซีน (Vaccination)
สถิติการได้รับวัคซีนของประชาชนเป็นดัชนีล่าสุดที่ควรดำเนินการเพื่อเปิดเผยให้ประชาชนรับรู้ ปัจจุบัน (กรกฎาคม 2564) กระทรวงสาธารณสุขรายงานเฉพาะยอดผู้รับวัคซีนประจำวัน, ยอดรับวัคซีนสะสมรายจังหวัด ที่ยังขาดมาตรชี้วัด (KPI) เป้าหมายการฉีดวัคซีนและแผนการการนำส่งวัคซีนที่ชัดเจน การรายงานเพียงเท่านี้ไม่ได้สะท้อนการกระจายวัคซีนอย่างโปร่งใสเพียงพอ
คำถามที่เกิดขึ้นคือใครเป็นผู้ที่ได้รับวัคซีน ? กลุ่มเสี่ยงมีสัดส่วนการได้รับวัคซีนแค่ไหน ? ผู้ที่ได้รับวัคซีนเข็มแรกมีกี่เปอร์เซ็นต์ต่อประชากรในพื้นที่ ? ผู้ที่ได้รับวัคซีนครบสองเข็มมีกี่เปอร์เซ็นต์ต่อประชากรในพื้นที่ ? รวมถึงกลุ่มอายุของประชากรที่ได้รับวัคซีนแบบไหน ? เหล่านี้คือประเด็นสำคัญ
ติดตามความคืบหน้าวัคซีนในประเทศไทย
ตอนนี้มีเว็บไซต์ The Researcher ที่รวบรวมข้อมูลการฉีดวัคซีนที่มีรายละเอียดต่อไปนี้คือ สัดส่วนการได้รับวัคซีนต่อพื้นที่, ช่วงอายุของประชากรที่ได้รับวัคซีน, จำนวนวัคซีนที่จัดสรรรายเดือนตามผู้ผลิต, อัตราส่วนการจัดสรรวัคซีนในพื้นที่แพร่ระบาดเป็นต้น
บทส่งท้าย
การทำงานกับข้อมูลในสถานการณ์โควิด-19 เป็นความท้าทายใหม่ ๆ ให้กับฝ่ายบริหารงานส่วนกลางทั่วโลก ศาสตร์ข้อมูลไม่ใช่เรื่องใหม่ แต่อุปสรรคอย่างแรกคือมาตรฐานการเก็บข้อมูลและโครงสร้างพื้นฐานด้านเทคโนโลยีที่ไม่เท่าเทียมกัน การแปลความหมายตัวแปรต่างกันก็ทำให้ข้อมูลที่รวมกันที่ส่วนกลางไม่น่าเชื่อถือ การขาดโครงสร้างพื้นฐานด้านเทคโนโลยีทำให้การทำงานมีความล่าช้า ทำให้สถิติมีความคลาดเคลื่อนก็นำมาสู่การสื่อสารที่ไม่น่าเชื่อถือ
อุปสรรคอย่างที่สองคือขาดบุคลากรด้านข้อมูล ที่คอยชี้แนะการตัดสินการตั้งคำถามที่ถูกต้องเพื่อนำไปสู่การหาวิธีการที่ใช้ประโยชน์จากข้อมูลได้ เช่น ข้อมูลด้านไหนที่ควรแสดงผลแบบเรียลไทม์ ข้อมูลแบบนี้ควรแสดงแบบอัตราส่วนหรือการแสดงแบบจำนวนนับจะดีกว่ากัน
สุดท้ายคือมุมมองการแสดงผลมีความสำคัญต่อการสื่อสารกับผู้อ่าน การเล่าเรื่องด้วยข้อมูลขนาดใหญ่ควรเลือกเฉพาะประเด็นสำคัญที่ต้องการสื่อสาร รูปแบบเหมาะสมเช่น ประเภทของกราฟ สี ตัวอักษร สำหรับข้อมูลส่วนอื่นที่ควรคำนึงถึงประเด็นความโปร่งใสควรเปิดฐานข้อมูลที่เปิดได้ให้ประชาชนได้สามารถมีส่วนร่วมกับข้อมูลส่วนนี้ได้ ถ้าหากผู้อ่านสนใจในประเด็นการเปิดข้อมูลจะช่วยให้เกิดความโปร่งใสของภาครัฐดีอย่างไรสามารถอ่านต่อได้ที่ บทความรู้จัก Democracy by Design กับเสาหลัก 4 ข้อในการสร้างประชาธิปไตยที่แข็งแรง
มีคำถามสงสัยเพิ่มเติม ?
หากคุณสนใจเกี่ยวกับเรื่องที่เราเขียน สิ่งที่เราทำ และโครงการที่เราตั้งใจจะดำเนินงานในอนาคต คุณสามารถติดต่อพูดคุยกับเราได้
อ้างอิง
- Analysis & updates | A Wrap-Up: The Five Major Metrics of COVID-19 Data | The COVID Tracking Project
- Analysis & updates | Federal COVID Data 101: Working with Death Numbers | The COVID Tracking Project
- เว็บไซต์รวบรวมข้อมูลผู้ตรวจโควิดแบบเร่งด่วน (Home | SimpleReport)
- ติดตามความคืบหน้าวัคซีนประเทศไทย (https://covid-19.researcherth.co/)
- กลุ่ม Long Covid SOS (https://www.longcovidsos.org/)
บทความที่เกี่ยวข้อง
มาเรียนรู้การใช้ Google Sheet Query Function ผ่านการฝึกวิเคราะห์ข้อมูลแพลตฟอร์ม Food Delivery กันเถอะ
เคยสงสัยกันไหมกันว่า Data Analyst ในชีวิตจริงพวกเราทำงานกันอย่างไร ? ในบทความนี้จะชวนมาวิเคราะห์ข้อมูลด้วยการเขียนโปรแกรม SQL ในธีม “Customer Review”
จากการวิเคราะห์ข้อมูลบนเว็บไซต์ Science Publisher ที่ให้บริการขายลิขสิทธิ์บทความวิจัยทั่วโลก ในหนึ่งปีจะมีบทความที่ขายในเว็บไซต์นี้อย่างต่ำก็ 600 บทความ มูลค่ารวมทั้งปีจะอยู่ราว ๆ 100 ล้านบาท
เคยสงสัยกันไหมกันว่า Data Analyst ในชีวิตจริงพวกเราทำงานกันอย่างไร ? ในบทความนี้จะชวนมาวิเคราะห์ข้อมูลด้วยการเขียนโปรแกรม SQL ในธีม “Car Dealer”
