‘Power BI’ กับการประมวลผลข้อมูลบัตรทอง ‘900 ล้านบันทึก’

นับตั้งแต่ปี 2560-2563 สำนักงานหลักประกันสุขภาพแห่งชาติ (สปสช.) ได้เก็บบันทึกข้อมูลการใช้บริการของแผนกผู้ป่วยนอก (OPD) ไว้มากถึง 900 ล้านบันทึก

ข้อมูลขนาดใหญ่ (Big Data) เหล่านั้นครอบคลุมการใช้บริการหลายมิติ หากได้รับการจัดระเบียบ วิเคราะห์ และประมวลผล จะนำไปสู่การกำหนดและตัดสินใจเชิงนโยบายด้านสาธารณสุขได้

เป็นที่มาของการวิจัยเรื่อง “การวิเคราะห์ผลกระทบของ COVID-19 ต่อระบบสาธารณสุขเพื่อเพิ่มความเข้มแข็งในการตอบสนองต่อการระบาดและความยั่งยืนของระบบประกันสุขภาพถ้วนหน้าในประเทศไทย” ที่คณะผู้วิจัยโครงการประเมินเทคโนโลยีและนโยบายด้านสุขภาพ (HITAP) ดำเนินการ

คณะผู้วิจัยได้นำ “Power BI” ซึ่งเป็นหนึ่งในเครื่องมือการวิเคราะห์ข้อมูล และสามารถนำเสนอข้อมูลเป็นรายงาน หรือ Dashboard เข้ามาจัดระเบียบข้อมูลการรับบริการ ซึ่งจะช่วยสะท้อนถึงลักษณะการให้บริการ แนวโน้มการเข้ารับบริการ กลุ่มโรคที่เข้ารับบริการในแต่ละช่วงอายุ ฯลฯ

“Power BI” ยังมีจุดเด่นเรื่องการนำเสนอที่แสดงผลเป็นรูปภาพ แผนภูมิ และสามารถตอบสนองแบบ Interactive ได้ด้วย

ตัวอย่างแนวโน้มการเข้ารับบริการแผนก OPD ในประเทศไทยจากการสังเคราะห์ข้อมูล 900 ล้านบันทึก พบว่าแนวโน้มการเข้ารับบริการแผนก OPD มีลักษณะการเข้ารับบริการแบบ seasonal หรือแบบฤดูกาล คือมีการเข้ารับบริการในแต่ละช่วงของปีที่คล้ายคลึงกัน

ในแต่ละปีการเข้ารับบริการแบบแผนก OPD จะลดลงในช่วงเดือนเมษายน-พฤษภาคมของทุกปี โดยเดือนเมษายน-พฤษภาคม 2563 มีการเข้ารับบริการ OPD ลดลงมากกว่าปกติ เหตุผลหนึ่งอาจมาจากมาตรการปิดเมือง

หรือการประมวลผลการเข้ารับบริการ OPD รายจังหวัด ในประเทศไทย พบว่ากรุงเทพมหานคร (กทม.) มีจำนวนผู้ติดเชื้อโควิด-19 มาก โดยในปี 2562 กรุงเทพฯ มีการเข้ารับบริการประมาณ 8.76 ล้านครั้ง แต่ในปี 2563 มีจำนวนการเข้ารับบริการอยู่ที่ 5 ล้านครั้ง ซึ่งจะเห็นได้ว่ามีจำนวนการเข้ารับบริการลดลงกว่าครึ่งจากปีก่อนหน้า เมื่อเปรียบเทียบเป็นอัตราการเข้ารับบริการต่อแสนประชากร พบว่าคนในกรุงเทพมีการเข้ารับบริการประมาณ 0.89 หรือประมาณ 1 ครั้งต่อปี

จากการใช้เครื่องมือ “Power BI” มาประมวลผล ทำให้สรุปได้ว่า 1. โปรแกรม Power BI เป็นเครื่องมือที่ช่วยนำเสนอข้อมูลให้ผู้ใช้สามารถมองเห็นภาพรวมของข้อมูล และเข้าใจได้ง่าย การประยุกต์ใช้โปรแกรม Power BI เพื่อใช้กับข้อมูลการเข้ารับบริการของผู้ป่วยในประเทศไทย ยังช่วยก่อให้เกิดคำถามจากข้อมูลเพื่อพัฒนากระบวนการกำหนดนโยบาย 2. การเตรียมความพร้อมของข้อมูลและเครื่องมือในการนำมาประยุกต์ใช้กับข้อมูลขนาดใหญ่ จะเป็นประโยชน์ต่อการพัฒนากระบวนการนโยบายในอนาคต

อนึ่ง การศึกษานี้เป็นการวิเคราะห์ข้อมูลทุติยภูมิ (secondary data) ซึ่งเป็นข้อมูลจำนวนการรับบริการในแผนกผู้ป่วยนอกที่ใช้สิทธิหลักประกันสุขภาพแห่งชาติ จากข้อมูลระดับบุคคล (individual-level data) จากคลังข้อมูลสุขภาพ 43 แฟ้ม ของ สปสช. ข้อมูลที่นำมาวิเคราะห์เป็นข้อมูลที่มีการปกปิดตัวตนและไม่สามารถเข้าถึงตัวบุคคลได้ (de-identified by encryption) ระหว่าง มกราคม พ.ศ. 2560 - ธันวาคม พ.ศ. 2563

ทั้งนี้ สามารถสแกน QR code เพื่อทดลองใช้ Dashboard ที่มีการประยุกต์ใช้กับข้อมูลขนาดใหญ่ 900 ล้านบันทึก จากข้อมูลการเข้ารับบริการผู้ป่วยนอกในประเทศไทยได้