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
เรียนรู้การทำ Diagnostic ด้วย SQL ผ่านโจทย์ทางธุรกิจที่จะได้ฝึกใช้ SQL ตั้งแต่ JOIN, GROUP BY, CASE และ WINDOW
การผสาน Dashboard และ Spreadsheet ช่วยเติมเต็มข้อจำกัดของแต่ละเครื่องมือ ทำให้ Workflow การนำเสนอข้อมูลยืดหยุ่นมากขึ้น
มาเรียนรู้การใช้ Google Sheet Query Function ผ่านการฝึกวิเคราะห์ข้อมูลแพลตฟอร์ม Food Delivery กันเถอะ
เคยสงสัยกันไหมกันว่า Data Analyst ในชีวิตจริงพวกเราทำงานกันอย่างไร ? ในบทความนี้จะชวนมาวิเคราะห์ข้อมูลด้วยการเขียนโปรแกรม SQL ในธีม “Customer Review”
