ภาพรวม
วิธีรับมือโรคระบาดแบบเดิมคือรอให้โรงพยาบาลยืนยันผู้ป่วยก่อน แล้วค่อยส่งทรัพยากรตามไป ปี 2026 ข้อมูลเชิงพื้นที่กับระบาดวิทยามาบรรจบกันจนเปลี่ยนลำดับนั้นได้ — ระบบเตือนภัยเชิงพยากรณ์ มองเห็นภัยคุกคามล่วงหน้าเป็นสัปดาห์ถึงเป็นเดือน ก่อนผู้ป่วยรายแรกจะเดินเข้าห้องฉุกเฉิน
Outbreak Radar ของ GlobMaps ทำงานบนแนวคิดนี้ โดยนำข้อมูลสิ่งแวดล้อมจากดาวเทียม รูปแบบการเดินทางของผู้คน และแบบจำลองโรคที่ใช้ AI มารวมเป็นภาพเดียวกัน
1. สิ่งแวดล้อมเป็นตัวกำหนดว่าโรคจะไปทางไหน
โรคติดเชื้อไม่ได้เกิดขึ้นลอย ๆ สภาพแวดล้อมเป็นตัวกำหนดว่ามันจะแพร่ได้เร็วแค่ไหนและไปถึงที่ใด ซึ่งเป็นสิ่งที่ดาวเทียมของเราเฝ้าดูอยู่ตลอด
- อุณหภูมิกับการแพร่เชื้อ มาลาเรีย ไข้เลือดออก และซิกา ต้องการอุณหภูมิในช่วงหนึ่งจึงจะแพร่ได้ อุณหภูมิเฉลี่ยที่ขยับขึ้น 1°C ขยายพื้นที่อยู่อาศัยของยุงลายออกไปได้อีก 200-300 กม. พาโรคเข้าไปในถิ่นที่ไม่เคยมีมาก่อน เราจึงเฝ้าดูความผิดปกติของอุณหภูมิในฐานะสัญญาณว่าเส้นทางแพร่เชื้อใหม่กำลังจะเปิด
- ฝนและโรคที่มากับน้ำ ฝนหนักทิ้งแหล่งน้ำขังที่เป็นบ้านของอหิวาต์และเลปโตสไปโรซิส เมื่อนำปริมาณฝนจาก GPM (Global Precipitation Measurement) มาซ้อนกับแผนที่น้ำท่วมจากดาวเทียม SAR เราชี้จุดเสี่ยงได้ล่วงหน้า 7-14 วัน
- ภัยแล้งและโรคจากสัตว์สู่คน แล้งยาวผลักสัตว์ป่าให้เข้ามาหาน้ำและอาหารใกล้ชุมชน ระยะห่างที่หายไปคือโอกาสของเชื้อที่จะข้ามสายพันธุ์ เราดูความเครียดของพืชพรรณ (NDVI) คู่กับความหนาแน่นปศุสัตว์ เพื่อหาว่าพื้นที่ใดสุ่มเสี่ยงที่สุด
2. คนเดินทางไปไหน เชื้อก็ไปด้วย
เมื่อเชื้อโผล่ขึ้นมาแล้ว สิ่งที่ตัดสินว่ามันจะไปไกลแค่ไหนคือการเดินทางของผู้คน เราจึงรวมข้อมูลการเดินทางหลายชนิดเข้าเป็นเครือข่ายจำลองการแพร่ระบาด
- ข้อมูลมือถือ ข้อมูลการเคลื่อนไหวแบบนิรนามจากเครือข่ายโทรคมนาคมบอกว่าคนไหลไปมาระหว่างชุมชนอย่างไรในแต่ละวัน เราป้อนมันเข้าแบบจำลองแรงโน้มถ่วง (Gravity Model) เพื่อตอบว่าพื้นที่ใดจะเสี่ยง และเสี่ยงเมื่อไร
- เครือข่ายคมนาคม เครื่องบิน ถนน และเส้นทางเดินเรือ คือทางด่วนของเชื้อโรคในระยะไกล การวิเคราะห์จุดเชื่อมของเครือข่ายทำให้เห็นว่าเมืองหรือฮับขนส่งใดทำหน้าที่เป็นตัวขยายการระบาด
- การย้ายถิ่นตามฤดูกาล ในถิ่นที่แรงงานย้ายตามฤดูหรือมีการเลี้ยงสัตว์แบบเร่ร่อน แบบจำลองการใช้ที่ดินจากดาวเทียมช่วยบอกล่วงหน้าว่าช่วงไหนของปีคือหน้าต่างเสี่ยง
3. จับสัญญาณก่อนผลแล็บจะออก
กว่าผลทางคลินิกจะยืนยัน มักผ่านไปแล้ว 7-21 วันนับจากการแพร่รอบแรก การเฝ้าระวังอาการ (syndromic surveillance) มีไว้ปิดช่องว่างนั้น
- รายงานอาการดิจิทัล AI อ่านคำค้นหาบนอินเทอร์เน็ต โพสต์โซเชียล และการปรึกษาแพทย์ทางไกล เพื่อหาอาการที่ผิดปกติไปจากปกติ ก่อนที่โรงพยาบาลจะรายงานผู้ป่วยล้น
- ข้อมูลร้านขายยา ยอดขายยาลดไข้ เกลือแร่ และยาตามอาการที่พุ่งขึ้น มักเป็นสัญญาณแรกสุดว่าโรคกำลังเดินอยู่ในชุมชน
- ข้อมูลสัตวแพทย์ โรคในคนหลายโรคเริ่มที่สัตว์ก่อน รายงานการตายของปศุสัตว์และร่องรอยสัตว์ป่าตายที่เห็นจากภาพดาวเทียม จึงเป็นการเตือนที่มาถึงเร็วที่สุดสำหรับโรคข้ามสายพันธุ์
4. เครื่องยนต์พยากรณ์
หัวใจของ Outbreak Radar คือชุดแบบจำลองหลายตัวที่ช่วยกันตอบว่า แต่ละพื้นที่มีโอกาสระบาดมากน้อยเพียงใด
- โมเดล Compartimental (SEIR variants) แบบจำลองระบาดวิทยามาตรฐาน ใช้ค่า R0 แบบเรียลไทม์ ระดับภูมิคุ้มกันของประชากร และผลของมาตรการที่ใช้อยู่ เพื่อวางเส้นฐานว่าโรคน่าจะเดินไปทางใด
- ตัวพยากรณ์ Machine Learning Gradient Boosting และ Neural Network ที่ฝึกจากข้อมูลการระบาดย้อนหลังหลายสิบปี จับความสัมพันธ์ที่ไม่เป็นเส้นตรงระหว่างสิ่งแวดล้อมกับปัจจัยด้านประชากรได้ดีกว่า และในช่วงพยากรณ์ 2-8 สัปดาห์ ทำได้ดีกว่าแบบจำลองเชิงกลไกล้วน ๆ อย่างสม่ำเสมอ
- แผนที่ความเสี่ยงเชิงพื้นที่ แผนที่ความเสี่ยงละเอียดถึง 1 ตร.กม. ที่ยุบข้อมูลทุกชั้นเหลือคะแนนเดียว เพื่อให้ส่งทรัพยากรลงตรงจุดที่ต้องการจริง
5. จากคำพยากรณ์ ไปสู่การลงมือ
คำพยากรณ์ที่ไม่มีใครทำอะไรต่อ ก็ไม่ต่างจากไม่มี Outbreak Radar จึงถูกออกแบบให้ต่อกับการลงมือจริง
- ระบบแจ้งเตือนอัตโนมัติ การแจ้งเตือน 3 ระดับ (Watch, Warning, Emergency) แต่ละระดับผูกกับขั้นตอนรับมือที่เข้มขึ้นตามลำดับ เรื่องที่ควรได้ความสนใจจึงได้รับในจังหวะที่ควร
- เพิ่มประสิทธิภาพทรัพยากร ระบบเสนอแผนกระจายวัคซีน การควบคุมพาหะ และการเสริมกำลังสถานพยาบาล โดยอิงขนาดการระบาดที่คาดไว้และความเปราะบางของประชากรในพื้นที่
- ประเมินผลกระทบ หลังมาตรการจบ เราย้อนกลับมาประเมินว่าป้องกันผู้ป่วยและการเสียชีวิตไปได้เท่าใด เพื่อสะสมเป็นหลักฐานว่าการลงทุนเชิงรุกคุ้มค่าจริง
บทสรุป
ความมั่นคงด้านสุขภาพในวันข้างหน้าไม่ได้วัดกันที่ว่าใครตอบสนองได้เร็วกว่า แต่วัดกันที่ว่าใครกันไม่ให้เกิดได้ก่อน เรานำสายตาจากดาวเทียม ความสามารถในการจับรูปแบบของ AI และความรู้ของนักระบาดวิทยา มาประกอบเป็นระบบเตือนภัยล่วงหน้า ทุกวันที่เตือนได้เร็วขึ้นคือชีวิตที่รักษาไว้ได้