Data Driven Approach on COVID-19 Crisis Management

image credit: The Associated Press

"We cannot stop natural disasters but we can arm ourselves with knowledge." คำกล่าวของคุณ Petra Nemcova นักสังคมสงเคราะห์ชาวเชคฯ ผู้เคยประสบเหตุสึนามิในประเทศไทย เข้ากับสถานการณ์รอบตัวเราช่วงนี้เป็นอย่างดี การระบาดไปทั่วโลกของ COVID-19 จากเชื้อไวรัส SARS-CoV-2 ถือเป็นภัยพิบัติครั้งใหญ่ในต้นศตวรรษที่ 21 มีผู้เสียชีวิตทั่วโลกรวมกว่า 6 ล้านคน (ตัวเลข ณ มีนาคม 2565) หรือเกือบ 1 ใน 3 ของทหารที่ตายจากการสู้รบในสงครามโลกครั้งที่ 2 และเช่นเดียวกันกับสงคราม ข้อมูลและเทคโนโลยีมีบทบาทสำคัญที่ช่วยชี้ผลแพ้ชนะ รักษาชีวิตผู้คนจำนวนมาก วิกฤตครั้งนี้เกิดขึ้นในยุคเราที่มีความก้าวหน้าในเทคโนโลยีข้อมูลมากกว่าครั้งไหนๆ เราจึงได้เห็นผู้คนในสายงานข้อมูล นักสถิติ นักวิเคราะห์ นักวิทยาศาสตร์ข้อมูล ทำงานร่วมกับผู้เชี่ยวชาญด้านสาธารณะสุข แพทย์ นักไวรัสและระบาดวิทยา ร่วมกับผู้วางนโนบายเพื่อรับมือกับ COVID-19 ในหลายๆ แนวรบ

ความก้าวหน้าในเทคโนโลยีด้านคอมพิวเตอร์ ข้อมูลและการวิเคราะห์ ทำให้การค้นหาแลกเปลี่ยนข้อมูลได้อย่างรวดเร็ว เราสามารถเข้าถึงแหล่งข้อมูลต่างๆ ได้จากทุกส่วนของโลก ในชั่วพริบตา ทำให้เกิดความร่วมมือกันในวงกว้างซึ่งต่างจากเดิมที่เป็นเรื่องเฉพาะกลุ่มอาชีพ ในปัจจุบันสายงานข้อมูลที่ทำงานเกี่ยวข้องกับสายสุขภาพ (healthcare) มีหลากหลาย เช่น medical imaging, genetics and genomics, drug discovery, patient assistance, และ predictive medicine ซึ่งเราได้เห็นบทบาทชัดเจนจากวิกฤตครั้งนี้

ในทุกกระบวนการแก้ปัญหา เราเริ่มจากการตั้งคำถาม ไม่ว่าแนวคลาสสิกอย่าง who, what, when, where, why และ how หรือ "Start with Why" ของ Simon Sinek เริ่มจากเป้าหมายของเราคืออะไร ความรู้ที่ต้องการ คำตอบที่ได้นำไปทำอะไร และข้อมูลเพื่อตอบคำถาม เป็นต้น ซึ่งเป้าหมายหลักของการจัดการในภาวะวิฤต (crisis management) คือ จัดระบบเพื่อตอบสนองต่อภัยคุกคาม จำกัดขอบเขตการติดเชื้อ จัดสรรทรัพยากรด้านสาธารณะสุขที่มีจำกัดให้เกิดประโยชน์สูงสุด โดยที่ต้องรักษาสมดุลระหว่างการรักษาชีวิต และดำรงชีวิตของผู้คน และสื่อสารทั้งภายใน ภายนอกองค์กรอย่างทันท่วงที เราจะมาดูว่าในเหตุการณ์ครั้งนี้ มีมุมมองที่น่าสนใจในแง่การใช้ข้อมูลเชิงลึก (insight) เพื่อบริหารจัดการในภาวะวิกฤต กำหนดแนวการควบคุมโรคและนโยบายด้านสาธารณะสุขที่ทันต่อเวลา ซึ่งสามารถนำมาใช้เป็นแบบอย่าง data-driven ให้ภาคธุรกิจ นำไปศึกษาต่อยอดกันบ้าง

1. Data Reliability, Data Timeliness and Data Accessibility

ข้อมูล ข้อมูล และข้อมูล สำหรับ 3 เสาหลักของข้อมูลที่ดี คือ เชื่อถือได้ (reliabilty) ทันต่อเหตุการณ์ (timeliness) และนำมาใช้ได้  (accessibility) เป็นปัจจัยสำคัญของการใช้ข้อมูลให้เกิดประโยชน์สูงสุด และมักเป็นปัญหาที่หลายองค์กรมีร่วมกัน แต่เมื่อความเป็นตายมาถึงประตูบ้าน การระดมสมองและทรัพยากรเพื่อจัดการกับข้อมูลในเวลาอันสั้นจึงเกิดขึ้น ในระยะแรกเราเห็นถึงข้อจำกัดและปัญหาด้านข้อมูลที่สำคัญๆ เช่น ข้อมูลเกี่ยวกับตัวไวรัส วิธีการแพร่เชื้อ และอาการและความรุนแรงของโรค ซึ่งทำให้ไม่สามารถประเมินผลกระทบ ขอบเขตและความรวดเร็วของภัยคุกคามได้

เปรียบเทียบความรุนแรงของ COVID-19, image credit: time magazine

จึงมีแนวคิดในการใช้ข้อมูลการเคลื่อนที่ของประชาชน (human movement data) ซึ่งได้จากแอปฯ และ social network ในอุปกรณ์เคลื่อนที่ ถูกนำมาใช้คำนวณ ค่าเฉลี่ยที่ผู้ป่วย 1 คนจะแพร่เชื้อให้ผู้อื่น หรือ Reproduction Number (Ro) และเมื่อรวมกับข้อมูลด้านประชากร สาธารณูปโภค ระบบขนส่งมวลชน การได้มาซึ่งข้อมูลจำเป็นและเชื่อถือได้อย่างรวดเร็ว ทำให้สามารถการสร้างแบบจำลองการแพร่กระจายของเชื้อ COVID-19 ได้อย่างแม่นยำ ข้อมูลเหล่านี้มีส่วนที่ทำให้สรุปได้ว่า การตรวจคัดกรองและแยกผู้ติดเชื้อออกมาให้ไวที่สุด เป็นวิธีการควบคุมที่มีประสิทธิภาพกว่า การ lock down  ทำให้ในเมืองที่ประชากรหนาแน่น สามารถจัดสรรทรัพยากรที่มีจำกัด เข้าไปในพื้นที่มีความเสี่ยงสูงตั้งแต่เนิ่นๆ เพื่อควบคุมผลกระทบในวงกว้าง ซึ่งเราเห็นได้จากการใช้นโนบายการควบคุมโรคที่แตกต่างกันในแต่ละประเทศ หรือในแต่ละพื้นที่ ทั้งนี้ล้วนมาจากเงื่อนไขและสภาพแวดล้อมที่แตกต่างกันนั่นเอง 

การแบ่งกลุ่มการติดเชื้อและเคลื่อนที่ ของประชากรในสหรัฐ May 2020. image credit: science direct

บางแบบจำลองยังครอบคลุมไปถึงผลกระทบทางเศรษฐกิจ เพื่อเปรียบเทียบผลกระทบจากการเลือกใช้แนวทางการควบคุมโรคในแต่ละแบบ รวมถึงการจัดสรรความช่วยเหลือทางเศรษฐกิจให้กับกลุ่มคนอย่างเหมาะสมบริษัทเวชภัณฑ์ที่ทำการวิจัยวัคซีน ก็ใช้แบบจำลองในลักษณะเดียวกัน มาช่วยหากลุ่มผู้มีโอกาสติดเชื้อในขั้นตอนการทดลองทางคลีนิค (clinical trial)  และยังคงใช้แบบจำลองลักษณะเดียวกันนี้ไปจนถึงช่วงของการกระจายวัคซีนให้ทั่วถึงอีกด้วย

ข้อมูลเวชระเบียนอิเล็กทรอนิกส์ (electronic health records หรือ EHRs) ซึ่งมีประวัติการรักษาของคนไข้ ถูกใช้เพื่อติดตามการเพิ่มของเคสผู้ติดเชื้อทันต่อเหตุการณ์ สร้างแบบจำลองคาดการณ์จำนวนผู้ป่วยหนัก อัตราการครองเตียง (Bed Occupancy Rate) หรือแม้แต่...จำนวนผู้เสียชีวิต โดยใช้เทคนิคต่างๆ ทาง machine learning เพื่อคาดการณ์และวางแผนการแจกจ่ายเวชภัณฑ์และเครื่องมือทางการแพทย์อย่างเครื่องช่วยหายใจในพื้นที่อย่างเหมาะสม นอกจากนั้น เทคนิคดังกล่าวยังถูกใช้กันอย่างแพร่หลายทั้งเพื่อการวินิจฉัยโรค (diagnosis) การพยากรณ์โรค (prognosis) เช่น ใช้ภาพเอกซเรย์ปอด เพื่อคาดการณ์ความเสี่ยงการทรุดหนักของอาการผู้ป่วย (deterioration risk) เพื่อการเตรียมเครื่องช่วยหายใจให้ทันท่วงที

image credit: An artificial intelligence system for predicting the deterioration of COVID-19 patients in the emergency department nature.com

ข้อมูลจาก social network และ search engine อย่าง Google Trends หรือ Baidu Index เองก็ถูกนำมาใช้เพื่อให้วางแผนดูแลสภาวะซึมเศร้าและความความเครียดของประชาชน อันเกิดข้อห้ามในการเดินทางและจำกัดกิจกรรมทางสังคม หรือการแยกตัวอยู่กับบ้าน (home isolation)  นักวิจัยพบความสัมพันธ์ในการใช้งาน search engine ในหัวข้อที่เกี่ยวกับ COVID-19 ว่าเป็นตัวบ่งชี้อย่างดีที่บอกถึงแนวโน้มการระบาดในพื้นที่ต่างๆ โดยเฉพาะในประเทศที่อินเตอร์เน็ตเข้าถึงอย่างแพร่หลาย ช่วยให้คาดการณ์แนวโน้มการระบาดในแต่ละพื้นที่ได้ล่วงหน้าเป็นสัปดาห์

Leveraging Twitter data to understand public sentiment for the COVID‐19 outbreak in Singapore. image credit: science direct

"Better data would enable a better response." ทั้งหมดนี้ เน้นย้ำความสำคัญของหัวใจหลัก 3 ข้อของข้อมูลเป็นอย่างดี จะเห็นว่าการแก้ปัญหาแต่ละเรื่อง ใช้ความรู้และข้อมูลที่หลากหลาย จากแหล่งที่แตกต่างกัน ปัจจัยสำคัญด้านข้อมูล คือเราต้องรู้ว่า มีข้อมูลอะไร อยู่ที่ไหน เชื่อถือได้มากน้อยแค่ไหน และจะเอามาได้อย่างไร เพราะเมื่อเราได้ตั้งคำถามแล้ว เราต้องการข้อมูลในการหาคำตอบเพื่อรักษาชีวิตผู้คนจำนวนมาก

2. Data Democratization

การจัดสรรข้อมูลให้ใช้งานอย่างทั่วถึง เหมาะสมตามหน้าที่และความจำเป็น ส่งเสริมให้เกิดความร่วมมือระหว่างกลุ่มผู้เชี่ยวชาญจากหลายสาขา เพื่อรวมจุดแข็งด้านต่างๆ เข้าด้วยกัน ในวิกฤต COVID-19 รอบนี้ เราได้เห็นความร่วมมือ ทั้งในระดับองค์กร ภูมิภาค ไปจนถึงประชาคมโลก  มีการร่วมมืออย่างไม่เคยมีมาก่อน ทั้งผู้มีข้อมูล และผู้ใช้ข้อมูล เกิด data platform ใหม่ๆ ข้อมูลการวิจัย ไปจนถึง dashboard ที่แสดงข้อมูลเป็นรายวันจากทุกทวีปยกเว้นแอนตาร์กติกา เปิดเผยออกสู่สาธารณะจำนวนมาก

ตัวอย่างแหล่งข้อมูล COVID-19. image credit IEEE ieeexplore.ieee.org

ข้อมูลสุขภาพเหล่านี้ เป็นความร่วมมือในระดับสากลเพื่อติดตามการแพร่กระจาย ลักษณะอาการของผู้ติดเชื้อ เฝ้าระวังการกลายพันธ์ ติดตามความรุนแรงของโรค เป็นข้อมูลเพื่อช่วยในการตัดสินใจปรับเปลี่ยนแผนด้านสาธารณสุขของแต่ละประเทศให้ทันการณ์และเหมาะสมกับสังคมของตนเอง เช่น ชุดข้อมูลจำนวนผู้ติดเชื้อ รักษาหาย อัตราการเสียชีวิต ข้อมูลประชากร (demographics) ในแต่ละพื้นที่ จาก John Hopkins University, Kaggle, nCOV2019 เป็นต้น 

นอกจากนี้ สื่อ social media เองก็มีส่วนร่วม อย่างมาก เช่นชุดข้อมูลจาก Twitter ที่รวบรวมโดยใช้ keywords เช่น “Coronavirus”, “COVID-19” เป็นต้น ชุดข้อมูลเหล่านี้ สามารถนำมาวิเคราะห์ได้หลายมุมมอง ตั้งแต่การติดตามการติดเชื้อ ขอบเขตความรุนแรง ตลอดจนประสิทธิภาพของการบังคับใช้มาตราการต่างๆ ในแต่ละพื้นที่

การแสดงผลของข้อมูลที่ได้ ทั้งรายวัน หรือแบบ real-time จาก social media ก็มีมุม มองที่น่าสนใจ เช่น Dashboard จาก WHO Coronavirus (COVID-19) หรือ Google News และที่น่าสนใจคือการทำ sentiment analysis จากข้อความใน Tweeter ช่วยให้เราทราบถึงความรู้สึกของประชาชน ต่อมาตราการต่างๆ การต่อต้าน สภาวะทางจิตใจ ความกังวล หวาดกลัว ไปจนถึงการรับมือกับการเผยแพร่ข้อมูลผิดๆ ที่จงใจสร้างความหวาดกลัว หรือเกลียดชังในสังคม ได้อย่างทันเวลาและเหมาะสม

การเปิดเผยข้อมูลสุขภาพ โดยที่ยังคงรักษาความเป็นส่วนตัวของผู้ป่วย  ช่วยให้การพัฒนาระบบ การวินิจฉัยโรค การติดตามสภาวะโรคมีความแม่นยำขึ้น เช่น ข้อมูล ultrasound scans, chest CT scans, MRI จากตัวอย่างของข้อมูล chest X-rays จาก COVIDx dataset แน่นอนว่าข้อมูลเหล่านี้ มีข้อจำกัด เนื่องจากต้องใช้ผู้เชี่ยวชาญอย่างนักรังสีแพทย์ (radiologists) ในการอ่านผล ระบุในรายละเอียดต่างๆ ทำให้มีจำนวนน้อย ผู้ใช้งานก็ต้องมีความระมัดระวัง และเลือกใช้เทคนิคที่เหมาะสมในการใช้งาน 

จากการแพร่กระจายของเชื้อโรคมีความรวดเร็ว ความรู้เกี่ยวกับเชื้อโรคและผลกระทบใหม่ๆ มีอยู่จำกัด การแบ่งปันข้อมูลครั้งนี้จึงถือเป็นความร่วมมือในระดับโลก ที่เป็นจุดเปลี่ยนและเริ่มต้นที่ดีของการเกิดความร่วมมือในต่างสาขาความชำนาญ (interdisciplinary data-driven research) เพื่อรับมือกับภัยคุกคามต่างๆ ในอนาคต

3. Data Literacy

ความสามารถในการอ่านและเข้าใจข้อมูล ใช้งานข้อมูลเพื่อวิเคราะห์หาเหตุผล สื่อสารและตัดสินใจได้ จุดที่สำคัญยิ่งยวดของการใช้ข้อมูล คือการอธิบาย ตีความผลวิเคราะห์ให้ผู้รับสารเข้าใจโดยง่าย ไม่เกิดความคลาดเคลื่อน ซึ่งอาจเกิดผลเสียร้ายแรงได้ ซึ่งในองค์กรทั่วไปเราเจอปัญหานี้ได้บ่อย เราเรียกว่า last mile problem คือวิเคราะห์ได้ผลแล้ว แต่ไม่สามารถสื่อสารหรือเชื่อมโยงผลวิเคราะห์ทางคณิตศาสตร์ให้เข้ากับบริบททางธุรกิจ ให้คนอื่นๆ เข้าใจได้ ทำให้ไม่สามารถนำข้อมูลไปใช้ในทางปฏิบัติได้ 

การนำเสนอที่ดี ต้องไม่ทำให้เกิดคำถามว่า "แล้วมันหมายความว่ายังไง?" "แล้วยังไงต่อ?" เพราะจะทำให้เกิดช่องว่างให้ต่างคนต่างตีความ สอดแทรก ความเห็นหรือ อคติส่วนตัวเข้าไป แต่ยังต้องมีข้อเท็จจริงให้สามารถนำไปพิจารณาต่อยอด ถกเถียงหรือตัดสินใจได้ ไม่ใช่มีแต่เพียงความคิดเห็นของผู้วิเคราะห์เท่านั้น

ในมุมมองของความสามารถนำข้อมูลมาใช้ วิเคราะห์และแปลผลที่มีความเป็นวิชาการสูง นำเสนอให้กับผู้วางนโยบาย รวมถึงสื่อสารกับคนทั่วไปอย่างเราๆ รับทราบในวงกว้าง เป็นเรื่องที่ท้าทายอย่างมาก ข้อมูลและผลวิเคราะห์ใหม่ๆ ที่อาจหักล้างผลที่เคยได้มาไม่กี่สัปดาห์ก่อนหน้านั้น โดยเฉพาะเมื่อเกี่ยวข้องกับการบังคับใช้มาตราการต่างๆ ซึ่งย่อมมีการริดรอนสิทธิ์ ส่งผลกระทบต่อสังคมในวงกว้าง และยังต้องนำเสนอที่รวดเร็วพอ เพื่อหักล้าง ความตั้งใจบิดเบือน นำเสนอข้อมูลเท็จ เอาชนะเฟคนิวส์ ที่มักแพร่กระจายได้อย่างรวดเร็ว อีกด้วย

เทคนิคที่เราเห็นจากวิกฤตครั้งนี้ ในการนำเสนอข้อมูลจำนวนมหาศาล ให้เข้าใจง่าย ผลการวิเคราะห์และตีความ เพื่อเข้าใจผลวิเคราะห์นั้น เราจะพบการทำ data story telling และการทำ data visualization ช่วยในการลำดับเหตุการณ์ เล่าเหตุและผล ใช้เทคนิคทางภาพและการนำเสนอที่มีประสิทธิภาพ ดึงดูดความสนใจ เข้าใจง่าย เพื่อการเปรียบเทียบ เช่นการเปรียบเทียบคาดการจำนวนผู้ติดเชื้อ ที่เกิดจากการบังคับใช้แนวทางการป้องกันแบบต่างๆ เช่น เปรียบเทียบการติดเชื้อในกลุ่มผู้ใส่และไม่ใส่หน้ากากอนามัย ทั้งหมดนี้เพื่อช่วยการปรับเปลี่ยนพฤติกรรม ให้สอดคล้องกับแนวทางป้องกันในแต่ละช่วง

image credit: Google News วันที่ 30 มีนาคม 2565 เกิดอะไรขึ้นกับเกาหลีใต้?

การเลือกใช้สี ขนาดตัวอักษร รูปแบบของกราฟ ตาราง สำหรับการสื่อสารในแต่ละเรื่อง ล้วนถูกเลือกมาอย่างเหมาะสม ไม่ใช่แค่เรื่องความสวยงาม เป็นการใช้เทคนิคในการลดภาระทางการรับรู้ (cognitive load) สอดคล้องกับกลไกการแปลข้อมูลเพื่อตัดสินใจของมนุษย์ 

ปัญหาด้านการใช้ข้อมูล ที่ไม่ได้รู้ที่มาที่ไป ไม่รู้เงื่อนไขความเป็นมาของข้อมูล การสื่อสารข้อมูลที่ไม่ดีพอ ข่าวลือ ข่าวปลอม และอคติ ทำให้เกิดการตื่นกลัว ปฏิเสธ ต่อต้าน กับแนวปฏิบัติเพื่อป้องกันโรค หรือแม้แต่การฉีดวัคซีค ซึ่งเราเห็นได้จาก ประสิทธิผลของวัคซีนในระยะทดสอบทางคลีนิค ไปจนถึงเรื่อง ฉีดวัคซีนแล้วร่างกายเป็นแม่เหล็ก เป็นต้น

เราจะเห็นได้ว่าการเลือกวิธีการสื่อสารข้อมูลสำหรับคนแต่ละกลุ่ม ในภาษาที่กระชับ เข้าใจง่ายจึงเป็นเรื่องสำคัญในภาวะวิกฤต

5. Data Culture

การใช้ข้อมูลเพื่อการวางแผนและตัดสินใจ โดยในช่วงแรกๆ ที่ยังไม่มีข้อมูลและความรู้ในตัวไวรัสและโรคมากนัก การวางแผนและผู้เชี่ยวชาญจึงต้องใช้ข้อมูล และประสบกาณ์อ้างอิงจากความรู้เดิม หรือแม้แต่ใช้เหตุผลทางการเมืองเป็นตัวชี้นำ บ้างก็ใช้แนวทางการให้เกิดภูมิคุ้มกันหมู่ บ้างก็ปิดเมืองห้ามประชาชนออกจากบ้าน การปรับเปลี่ยนแนวทางที่ดูวุ่นวายสับสน การต่อต้านในหมู่ประชาชนจึงพบได้ทั่วไป

ผลการศึกษาการใส่หน้ากากอนามัยกับการป้องกันการติดเชื้อ โดย CDC image credit: Centers for Disease Control and Prevention (CDC)

จนเมื่อมีข้อมูลมากพอที่นำมาใช้ประกอบเหตุผลในการตัดสินใจมากขึ้น อธิบายถึงที่มาที่ไปของการออกนโยบายในหลายประเทศ เป็นรูปแบบของสังคมที่ใช้หลักการ เหตุผล รวมถึงการยอมให้มีการถกเถียงในข้อมูลเหล่านั้น บ่อยครั้งที่เราเห็นการเปลี่ยนนโยบายแบบกลับลำ 180 องศา อย่างกรณี CDC ของสหรัฐฯ แนะนำว่า ผู้ที่ไม่ป่วยไม่จำเป็นต้องใส่หน้ากากอนามัยในเดือนมีนาคม 2563 ซึ่งต่อมาเปลี่ยนเป็นแนะนำให้ใส่เป็นการทั่วไป และเปิดเผยผลการศึกษาว่าหน้ากากอนามัยป้องกันการติดเชื้อได้จริง ในเดือนกรกฎาคม ปีเดียวกัน

นโยบายของแต่ละประเทศส่งผลอย่างไรต่อจำนวนผู้ติดเชื้อ การนำเสนอข้อมูลที่ดี ช่วยให้เราตั้งคำถามที่ดีได้ image credit: financial time

ข้อมูลมีลักษณะพิเศษตรงที่สามารถ พลิกมุมมอง สร้างชุดข้อมูลใหม่จากข้อมูลเดิม เหมือนเราหมุนแกนของ matrix หรือตาราง หรือที่นักวิทยาศาสตร์ข้อมูลคุ้นเคยกับการจัดเตรียมข้อมูลและการทำ feature engineering ทำให้เราเห็นมุมมองใหม่ๆ ในปัญหาเดิมได้ ซึ่งเป็นสิ่งจำเป็นในการวางแผน และตัดสินใจ เมื่อสถานการณ์แวดล้อมเปลี่ยนแปลง การเลือกตัววัดให้เหมาะสมกับสถานการณ์ในแต่ละช่วง ช่วยให้ปรับเน้นการใช้ทรัพยากร การแก้ปัญหา รวมถึงการสื่อสารในวงกว้างที่มีประสิทธิภาพ เช่น จากเดิมเราเน้นที่จำนวนผู้ติดเชื้อ ผู้เสียชีวิต เพื่อให้ตระหนักถึงความจำเป็นการดูแลตัวเองและรักษาระยะห่างทางสังคม และกระตุ้นให้ออกไปฉีดวัคซีน จนเมื่อการฉีดวัคซีนมีความครอบคลุมทั่วถึง การเน้นตัวเลขผู้ติดเชื้อที่มีอาการหนัก ต้องรับการรักษาในโรงพยาบาล และใช้เครื่องช่วยหายใจเป็นเรื่องสำคัญกว่า ตลอดจนการใช้ข้อมูลเพื่อแก้ปัญหาความเหลื่อมล้ำในการเข้าถึงการรักษา และฉีดวัคซีนในกลุ่มคนผิวสีในสหรัฐฯ เป็นต้น

มีด้านสว่าง ก็ย่อมมีด้านมืดที่เป็นบทเรียนให้เราได้ระวังป้องกัน แน่นอนว่าการใช้ข้อมูลและนำเสนอข้อมูลที่ดีสามารถชี้นำสังคมได้ แต่การใช้และนำเสนอที่ขาดความระมัดระวัง ก็เป็นการส่งสารผิดๆ ให้ผู้รับได้เช่นกัน ทำให้ไม่ตระหนักถึงความรุนแรงของปัญหา รวมถึงเห็นการใช้ข้อมูลเพื่อการโกหกและบิดเบือนซึ่งนำไปสู่ความสูญเสียอีกด้วย

The Slovak authorities are caught manipulating the data about the coronavirus, while infections are on the rise again in Poland and Hungary.

source: https://balkaninsight.com/2021/02/19/democracy-digest-lies-damned-lies-and-covid-19-statistics/

ข่าวจากสถานีโทรทัศน์ช่องหนึ่งในอาเจนติน่า แสดงจำนวนการตรวจหาเชื้อต่อประชากร 1 ล้านคน เราจะสังเกตุได้ว่า ความสูงของกราฟ ถูกจงใจทำให้เข้าใจผิดว่าตัวเลข 330 ของ Argentina ใกล้เคียงกับ 7,000 ของ U.S. image credit: C5N

บทสรุป

การนำบทเรียนเหล่านี้มาปรับใช้ในองค์กรของเรา มีเรื่องที่ต้องพิจารณาอื่นๆ เพิ่มเติม เช่น โครงสร้างพื้นฐานด้านข้อมูล มาตราฐานและความปลอดภัยข้อมูลสำหรับการแลกเปลี่ยนและใช้ข้อมูลร่วมกัน นโยบายที่เอื้อต่อการพัฒนาบุคคลากร ไปจนถึงการกำหนดตัวชี้วัดต่างๆ ทั้งในระดับบุคคลและองค์กร

ปีแห่งความสูญเสีย และยากลำบากกำลังจะผ่านเราไปอย่างช้าๆ เราเริ่มเห็นการผ่อนคลาย ยกเลิกมาตราการข้อจำกัดมากขึ้นเรื่อยๆ หลายคนอาจพบว่ามีบางอย่างรอบๆ ตัวเราที่ไม่อาจกลับมาเหมือนเดิม แต่พวกเราก็ได้บทเรียนต่างๆ มากมายและหวังว่าเหตุการณ์ครั้งนี้จะเป็นจุดเปลี่ยนสำคัญของพัฒนาการด้านสาธารณสุข เห็นถึงความสำคัญของข้อมูลที่มีคุณภาพ รวดเร็ว การเปิดเผยแบ่งปัน การสื่อสารข้อมูลที่ชัดเจน รวมถึงก้าวกระโดดครั้งสำคัญของการใช้เทคโนโลยีในการเฝ้าระวัง ติดตามโรค การแพทย์ทางไกล และปัญญาประดิษฐ์ทางการแพทย์ และเรื่องที่จะลืมไม่ได้คือ เหล่าผู้คนที่ได้เสียสละ ทุ่มเทอุตสาหะ ร่วมมือกันทั้งในระดับชุมชนและในประชาคมโลก

แหล่งข้อมูลอ้างอิงเพื่อศึกษาเพิ่มเติม

1. An artificial intelligence system for predicting the deterioration of COVID-19 patients in the emergency department

2. Data science approaches to confronting the COVID-19 pandemic: a narrative review

3. Data science and AI in the age of COVID-19

4. Detecting COVID-19-Related Fake News Using Feature Extraction

5. Incorporating Human Movement Data to Improve Epidemiological Estimates for 2019-nCoV

6. Leveraging Data Science to Combat COVID-19: A Comprehensive Review

7. Leveraging Twitter data to understand public sentiment for the COVID‐19 outbreak in Singapore.

8. Understanding the COVID19 Outbreak: A Comparative Data Analytics and Study