โจทย์ ปรนัย

จากตารางด้านบน คำว่า "X" หมายถึงปริมาณของมลพิษในอากาศ โดย "X0" หมายถึงปริมาณของมลพิษในอากาศที่ถือว่าปลอดภัย ซึ่งหากปริมาณของมลพิษในอากาศสูงกว่า X0 จะทำให้อัตราความเสี่ยงต่อการเกิดโรคเพิ่มขึ้น โดยอัตราความเสี่ยงต่อการเกิดโรคจะเพิ่มขึ้นตามปริมาณของมลพิษในอากาศที่เพิ่มขึ้น ยกตัวอย่างเช่น หากปริมาณของมลพิษในอากาศเท่ากับ X0 อัตราความเสี่ยงต่อการเกิดโรคจะเท่ากับ 1 ซึ่งหมายความว่าไม่มีความเสี่ยงต่อการเกิดโรค หากปริมาณของมลพิษในอากาศเพิ่มขึ้นเป็น 2x0 อัตราความเสี่ยงต่อการเกิดโรคจะเท่ากับ 2 ซึ่งหมายความว่ามีความเสี่ยงต่อการเกิดโรคเพิ่มขึ้นเป็นสองเท่า เป็นต้น

มลพิษในอากาศเป็นปัจจัยเสี่ยงต่อการเกิดโรค โดยมลพิษในอากาศสามารถเข้าสู่ร่างกายได้ทางระบบทางเดินหายใจ และก่อให้เกิดการอักเสบของทางเดินหายใจ ความเสียหายของเซลล์ และการเปลี่ยนแปลงของยีน ซึ่งอาจนำไปสู่โรคต่าง ๆ เช่น โรคปอดอุดกั้นเรื้อรัง โรคหัวใจและหลอดเลือด โรคมะเร็ง เป็นต้น ปริมาณของมลพิษในอากาศมีความสัมพันธ์กับอัตราความเสี่ยงต่อการเกิดโรค โดยหากปริมาณของมลพิษในอากาศเพิ่มขึ้น อัตราความเสี่ยงต่อการเกิดโรคก็จะเพิ่มขึ้นตามไปด้วย หลักการคิดนี้อ้างอิงจากงานวิจัยต่าง ๆ ที่ได้ศึกษาความสัมพันธ์ระหว่างปริมาณของมลพิษในอากาศกับอัตราความเสี่ยงต่อการเกิดโรค โดยงานวิจัยเหล่านี้พบว่า ปริมาณของมลพิษในอากาศมีความสัมพันธ์เชิงบวกกับอัตราความเสี่ยงต่อการเกิดโรคต่าง ๆ เช่น โรคปอดอุดกั้นเรื้อรัง โรคหัวใจและหลอดเลือด โรคมะเร็ง เป็นต้น

โจทย์ ปรนัย

ข้อนี้ตอบข้อ (1) การเปลี่ยนแปลงของค่า AQI ในแต่ละฤดูกาล โดยหลักการคือ เปรียบเทียบค่า AQI ที่สังเกตได้จริงกับค่า AQI ที่คาดการณ์โดยแบบจำลอง ANN พบว่าค่า AQI ที่คาดการณ์โดยแบบจำลอง ANN มีค่าใกล้เคียงกับค่า AQI ที่สังเกตได้จริงในฤดูกาลต่างๆ โดยค่า AQI ที่คาดการณ์โดยแบบจำลอง ANN มีค่าสูงกว่าค่า AQI ที่สังเกตได้จริงในฤดูกาลฤดูร้อนและฤดูใบไม้ร่วง ซึ่งอาจบ่งชี้ว่าค่า AQI กำลังเพิ่มขึ้นในฤดูกาลเหล่านี้

ข้อนี้ตอบข้อ (1) โดยหลักการคือเปรียบเทียบค่า AQI ที่สังเกตได้จริงกับค่า AQI ที่คาดการณ์โดยแบบจำลอง ANN และอ้างอิงจากข้อความในภาพ

โจทย์ ปรนัย

การวิเคราะห์ความน่าจะเป็นของการเกิดความเสียหาย โดยพิจารณาจากปัจจัยต่างๆ เช่น อายุการใช้งาน ประวัติการซ่อมแซม สภาพแวดล้อม และการใช้งาน เป็นต้น หลักการนี้สอดคล้องกับหลักการทั่วไปของการทำนาย (Prediction) คือ การวิเคราะห์ข้อมูลที่มีอยู่เพื่อคาดการณ์สิ่งที่จะเกิดขึ้นในอนาคต

เน้นไปที่การวิเคราะห์ข้อมูลเพื่อคาดการณ์การเกิดความเสียหาย เหมาะสำหรับผู้ที่สนใจในหลักการเชิงสถิติและการวิเคราะห์ข้อมูล

โจทย์ ปรนัย
ข้อใดเกี่ยวข้องกับ Math model ที่ใช้ในการวิเคราะห์ข้อมูลทางการแพทย์

The Kaplan-Meier Curve เป็นกราฟที่แสดงอัตราการรอดชีวิตตามเวลาของกลุ่มตัวอย่าง

The Kaplan-Meier Curve เป็นโมเดลคณิตศาสตร์ที่ใช้ในการวิเคราะห์ข้อมูลทางการแพทย์ เช่น การวิจัยยา การวิจัยโรคมะเร็ง เป็นต้น

โจทย์ ปรนัย
ข้อใดเกี่ยวข้องกับ Math model กับ patient diagnosis

the patient's data vector หมายถึง เวกเตอร์ข้อมูลของคนไข้ ซึ่งประกอบด้วยข้อมูลชุด n ตัวที่เรียงลำดับกัน เวกเตอร์ข้อมูลของคนไข้สามารถใช้ในการสร้าง mathematical model เพื่อใช้ในการวินิจฉัยโรค

ข้อ 4 นี้ถือเป็นหัวใจสำคัญของการใช้ mathematical model ใน patient diagnosis เวกเตอร์ข้อมูลของคนไข้เป็นข้อมูลชุดแรกที่ใช้ในการสร้าง mathematical model ข้อมูลชุดนี้จะต้องมีความสมบูรณ์และถูกต้อง เพื่อให้ mathematical model สามารถประมาณการความเสี่ยงที่คนไข้จะเป็นโรคได้อย่างแม่นยำ

โจทย์ ปรนัย
ข้อใดมี approximating 100% survival at 5 years,

เพราะมะเร็งไทรอยด์เป็นมะเร็งที่มีอัตราการรอดชีวิตสูงถึง 98% เมื่อได้รับการรักษาตั้งแต่ระยะแรก

มะเร็งไทรอยด์เป็นมะเร็งที่พบได้บ่อยในผู้หญิงมากกว่าผู้ชาย มักพบในคนอายุ 20-50 ปี สาเหตุของมะเร็งไทรอยด์ยังไม่ทราบแน่ชัด แต่อาจเกิดจากปัจจัยต่างๆ เช่น พันธุกรรม รังสี การได้รับไอโอดีนมากเกินไป เป็นต้น อาการของมะเร็งไทรอยด์ ได้แก่ คอโตขึ้นผิดปกติ กลืนลำบาก เสียงแหบ หายใจลำบาก อ่อนเพลีย น้ำหนักลด เป็นต้น การรักษามะเร็งไทรอยด์ขึ้นอยู่กับระยะของโรค ส่วนใหญ่จะรักษาด้วยการผ่าตัดเอาต่อมไทรอยด์ออก ร่วมกับการให้ยารักษาต่อมไทรอยด์ทดแทนจากข้อมูลเหล่านี้ จะเห็นได้ว่ามะเร็งไทรอยด์เป็นมะเร็งที่มีอัตราการรอดชีวิตสูงเมื่อได้รับการรักษาตั้งแต่ระยะแรก ดังนั้น ผมจึงเลือกข้อ 1 เป็นคำตอบ อย่างไรก็ตาม สิ่งสำคัญคือต้องปรึกษาแพทย์เพื่อรับการตรวจวินิจฉัยและวางแผนการรักษาที่เหมาะสมกับแต่ละบุคคล

โจทย์ ปรนัย
ข้อใดเกี่ยวข้องกับ math model กับ tissue reconstruction

เหตุผลคือ การสร้างเนื้อเยื่อใหม่ (tissue reconstruction) เป็นกระบวนการที่ซับซ้อน เกี่ยวข้องกับปัจจัยหลายอย่าง เช่น เซลล์ เนื้อเยื่อ เส้นเลือด และโครงสร้างต่างๆ ของเนื้อเยื่อ โมเดลคณิตศาสตร์ (math model) สามารถนำมาใช้ในการศึกษากระบวนการเหล่านี้ได้ โดยสามารถช่วยอธิบายความสัมพันธ์ระหว่างปัจจัยต่างๆ และคาดการณ์ผลลัพธ์ของการผ่าตัดหรือการรักษา ตัวอย่างเช่น โมเดลคณิตศาสตร์สามารถใช้ในการศึกษาการกระจายตัวของเซลล์ในเนื้อเยื่อใหม่ หรือการทำงานของเส้นเลือดในเนื้อเยื่อใหม่

Nanoparticles: Nanoparticles สามารถใช้ในการขนส่งยาหรือสารต่างๆ ไปยังเนื้อเยื่อใหม่ได้ แต่อาจไม่เกี่ยวข้องกับการสร้างเนื้อเยื่อใหม่โดยตรง Micro-Architectures: Micro-Architectures คือโครงสร้างขนาดเล็กของเนื้อเยื่อ เช่น โครงสร้างของเซลล์ เนื้อเยื่อเกี่ยวพัน และเส้นเลือด โครงสร้างเหล่านี้มีความสำคัญต่อการทำงานของเนื้อเยื่อ แต่อาจไม่เกี่ยวข้องกับการสร้างเนื้อเยื่อใหม่โดยตรง Vascular Support: เส้นเลือดมีความสำคัญต่อการสร้างเนื้อเยื่อใหม่ เนื่องจากทำหน้าที่นำสารอาหารและออกซิเจนไปยังเซลล์ใหม่ โมเดลคณิตศาสตร์สามารถใช้ในการศึกษาการทำงานของเส้นเลือดในเนื้อเยื่อใหม่ แต่อาจไม่เกี่ยวข้องกับการสร้างเนื้อเยื่อใหม่โดยตรง

โจทย์ ปรนัย
ข้อใดจาก Noyers whiter equation the rate of dissolution of a solid is dependent on?

ผมจะเลือกข้อ 2. The Concentration Of Solute In Solution At A Particular Time เพราะจากสมการของ Noyes-Whitney Equation อัตราการละลายของของแข็ง (rate of dissolution) ขึ้นอยู่กับความเข้มข้นของตัวถูกละลาย (solute) ในสารละลาย ณ เวลาหนึ่ง (concentration of solute in solution at a particular time)

สมการของ Noyes-Whitney Equation จากสมการนี้จะเห็นได้ว่า อัตราการละลายของของแข็งจะแปรผันตรงกับความเข้มข้นของตัวถูกละลายในสารละลาย ณ เวลาหนึ่ง ข้ออื่นๆ ที่เหลือก็อาจมีผลต่ออัตราการละลายของของแข็งได้เช่นกัน แต่จากสมการของ Noyes-Whitney Equation จะเห็นว่า ความเข้มข้นของตัวถูกละลายในสารละลาย ณ เวลาหนึ่ง เป็นตัวแปรที่มีอิทธิพลมากที่สุดต่ออัตราการละลายของของแข็ง ดังนั้น ผมจึงเลือกข้อ 2. The Concentration Of Solute In Solution At A Particular Time เป็นคำตอบที่ดีที่สุด

โจทย์ ปรนัย
ข้อใดเกี่ยวข้องกับ math model กับ drug diffusion through the blood

ผมจะเลือกข้อ 1. Fick's Principle เพราะข้อนี้อธิบายถึงหลักการพื้นฐานของการแพร่กระจายของสารผ่านเมมเบรน ซึ่งรวมถึงการแพร่กระจายของยาผ่านเลือดด้วย

หลักการของ Fick ระบุว่าอัตราการแพร่กระจายของสารผ่านเมมเบรนเป็นสัดส่วนโดยตรงกับความเข้มข้นของสารทั้งสองด้านของเมมเบรน และเป็นสัดส่วนผกผันกับความหนาของเมมเบรน ในกรณีของการแพร่กระจายของยาผ่านเลือด ยาจะแพร่กระจายจากบริเวณที่มีความเข้มข้นสูงไปยังบริเวณที่มีความเข้มข้นต่ำ ความเร็วในการแพร่กระจายจะขึ้นอยู่กับปัจจัยต่างๆ เช่น ความเข้มข้นของยาในเลือด สภาพของเมมเบรนเซลล์ และปัจจัยอื่นๆ ที่ส่งผลต่อความสามารถในการซึมผ่านของเมมเบรน ดังนั้น ข้อ 1. Fick's Principle จึงเกี่ยวข้องกับ math model กับ drug diffusion through the blood มากที่สุด เพราะหลักการนี้อธิบายถึงกระบวนการแพร่กระจายของยาผ่านเลือดอย่างครอบคลุม

โจทย์ ปรนัย
ข้อใดเกี่ยวข้องกับ math model ที่จะมีประโยชน์กับกายภาพบำบัดของผู้ป่วย stroke

ผมเลือกข้อ 5. ถูกมากกว่า 1 ข้อ เพราะโมเดลคณิตศาสตร์สามารถใช้อธิบายกระบวนการต่างๆ ที่เกี่ยวข้องกับกายภาพบำบัดของผู้ป่วยโรคหลอดเลือดสมองได้หลายกระบวนการ

NO Synthesis : การสังเคราะห์ก๊าซไนตริกออกไซด์ (NO) เป็นกระบวนการสำคัญในการควบคุมการไหลเวียนโลหิตและการทำงานของกล้ามเนื้อ โมเดลคณิตศาสตร์สามารถใช้ในการศึกษาความสัมพันธ์ระหว่าง NO กับการทำงานของระบบประสาทและกล้ามเนื้อ เพื่อพัฒนาวิธีการกายภาพบำบัดที่ช่วยเพิ่มการไหลเวียนโลหิตและการทำงานของกล้ามเนื้อในผู้ป่วยโรคหลอดเลือดสมอง Inflammation : การอักเสบเป็นกระบวนการที่เกิดขึ้นตามธรรมชาติเพื่อซ่อมแซมเนื้อเยื่อที่เสียหาย โมเดลคณิตศาสตร์สามารถใช้ในการศึกษาความสัมพันธ์ระหว่างการอักเสบกับการทำงานของกล้ามเนื้อและระบบประสาท เพื่อพัฒนาวิธีการกายภาพบำบัดที่ช่วยควบคุมการอักเสบและลดความเสียหายต่อเนื้อเยื่อในผู้ป่วยโรคหลอดเลือดสมอง Necrosis : การตายของเซลล์เป็นกระบวนการที่เกิดขึ้นเมื่อเซลล์ได้รับความเสียหายอย่างรุนแรง โมเดลคณิตศาสตร์สามารถใช้ในการศึกษาความสัมพันธ์ระหว่างการตายของเซลล์กับการทำงานของกล้ามเนื้อและระบบประสาท เพื่อพัฒนาวิธีการกายภาพบำบัดที่ช่วยป้องกันหรือชะลอการตายของเซลล์ในผู้ป่วยโรคหลอดเลือดสมอง

โจทย์ ปรนัย
ข้อใดเกี่ยวข้องกับบทความ Epidemiology Figure 1

เลือกข้อที่ 1 เพราะสอดคล้องกับบทความมากที่สุด และมีความเป็นไปได้สูงว่าจะเกิดขึ้นจริงในอนาคต

ข้อที่ 1 สอดคล้องกับบทความ Epidemiology Figure 1 มากที่สุด โดยระบุว่า "ในอีกสี่ทศวรรษข้างหน้า อัตราการเสียชีวิตจากโรคมะเร็งคาดว่าจะแซงหน้าอัตราการเสียชีวิตจากโรคหัวใจขาดเลือด โดยอัตราการเสียชีวิตจากโรคมะเร็งจะเพิ่มขึ้น 2.06 เท่า (อัตราการเสียชีวิตจากโรคหัวใจขาดเลือดเพิ่มขึ้น 1.76 เท่า) ภายในปี 2060"

โจทย์ ปรนัย
Math model และ Physical therapy ไม่มีความเกี่ยวข้องกันอย่างไร

เลือกข้อ 1. Calculating Percentage Heart Rate เพราะข้อนี้มีความเกี่ยวข้องโดยตรงกับวิชากายภาพบำบัด กายภาพบำบัดมักใช้เครื่องวัดอัตราการเต้นของหัวใจเพื่อประเมินความแข็งแรงของกล้ามเนื้อและหัวใจ ข้อมูลอัตราการเต้นของหัวใจสามารถใช้เพื่อกำหนดโปรแกรมการบำบัดที่เหมาะสมสำหรับผู้ป่วยแต่ละราย

ข้ออื่นๆ ในภาพนั้นมีความเกี่ยวข้องทางอ้อมกับกายภาพบำบัดเท่านั้น ตัวอย่างเช่น ข้อ 2. Measuring Degree Of Drug Prescription เกี่ยวข้องกับการวัดปริมาณยาที่ผู้ป่วยได้รับ ซึ่งอาจส่งผลต่อการรักษาทางกายภาพบำบัด แต่ไม่ได้เกี่ยวข้องโดยตรง ข้อ 3. Concussion Reverse เกี่ยวข้องกับการฟื้นฟูจากอาการกระทบกระเทือนสมอง ซึ่งอาจเกี่ยวข้องกับกายภาพบำบัด แต่ไม่ใช่ความสัมพันธ์โดยตรง ข้อ 4. Measuring Degree Of Motion เกี่ยวข้องกับการวัดการเคลื่อนไหวของร่างกาย ซึ่งอาจเกี่ยวข้องกับกายภาพบำบัด แต่ไม่ได้เกี่ยวข้องโดยตรง

โจทย์ ปรนัย
ข้อใดเกี่ยวข้องกับ Calculus ในการผ่าตัดจากบทความ

เพราะเป็นคำตอบที่สอดคล้องกับเนื้อหาของบทความที่ระบุไว้ในคำถาม บทความกล่าวถึงการใช้แคลคูลัสในการผ่าตัด ซึ่งรวมถึงการคำนวณปริมาณเม็ดเลือดแดงที่จำเป็นในการถ่ายเลือดให้กับผู้ป่วย ปริมาณเม็ดเลือดแดงเป็นปัจจัยสำคัญในการขนส่งออกซิเจนไปยังอวัยวะต่างๆ ของร่างกาย ดังนั้นการคำนวณปริมาณเม็ดเลือดแดงที่เหมาะสมจึงมีความสำคัญต่อการผ่าตัด

ตัวเลือกอื่นๆ ในคำถามไม่เกี่ยวข้องกับเนื้อหาของบทความโดยตรง ตัวเลือก ANH หมายถึง Acute Normovolemic Hemodilution ซึ่งเป็นเทคนิคการผ่าตัดที่ใช้การลดปริมาณเลือดชั่วคราวเพื่อให้การผ่าตัดดำเนินไปอย่างราบรื่น ตัวเลือก Plastic Surgery หมายถึงการผ่าตัดศัลยกรรมพลาสติก ซึ่งไม่ได้เกี่ยวข้องกับการคำนวณปริมาณเม็ดเลือดแดง ตัวเลือก Saline Solution หมายถึงสารละลายเกลือแร่ ซึ่งสามารถใช้แทนเลือดในการผ่าตัดได้ แต่ไม่ได้เกี่ยวข้องกับการคำนวณปริมาณเม็ดเลือดแดง

โจทย์ ปรนัย
จากข้อความ Previous studies that applied the IER model in the analysis of ambient air pollution-related disease burden only focused on four specific diseases, which are IHD, stroke, COPD, and LC, because the development of the IER model relies to a great extent on the available RR information of these diseases, The IER model was increasingly used to estimate the attributable mortality using the result of calculated RR. Previous study has evaluated the global PM2.5 concentration-mortality relationships by using the IER model outputs. By applying the estimated relative risk (R), the premature mortality (M) for a specific disease outcome in a population is measured using Equation 3, with P and I indicating population and regional average annual disease mortality rate (also known as baseline mortality rate), respectively. M = P x I x(1-( 1)/R) M คือค่าอะไร

เลือกข้อ (3) อัตราการตาย เพราะเป็นคำตอบที่ถูกต้องตามข้อมูลในภาพ ข้อมูลในภาพระบุว่าการศึกษาก่อนหน้านี้ที่ประยุกต์ใช้แบบจำลอง IER ในการวิเคราะห์ภาระโรคที่เกี่ยวข้องกับมลพิษทางอากาศเฉพาะสถานที่ได้มุ่งเน้นไปที่โรคเฉพาะสี่โรคเท่านั้น ได้แก่ โรคหลอดเลือดหัวใจตีบ (IHD) โรคหลอดเลือดสมอง (stroke) โรคปอดอุดกั้นเรื้อรัง (COPD) และโรคมะเร็งปอด (LC) เนื่องจากการพัฒนาแบบจำลอง IER อาศัยข้อมูล RR ที่มีอยู่ของโรคเหล่านี้เป็นอย่างมาก นอกจากนี้ แบบจำลอง IER ยังถูกใช้มากขึ้นเรื่อยๆ เพื่อประมาณการอัตราการตายที่เกิดจากมลพิษทางอากาศโดยใช้ผลลัพธ์ของการคำนวณ RR การศึกษาก่อนหน้านี้ได้ประเมินความสัมพันธ์ระหว่างความเข้มข้น PM2.5 กับอัตราการตายทั่วโลกโดยใช้เอาต์พุตแบบจำลอง IER

หลักการของข้อนี้คือการประมาณการอัตราการตายที่เกิดจากมลพิษทางอากาศโดยใช้แบบจำลอง IER (Individual Exposure Risk) แบบจำลองนี้อาศัยความสัมพันธ์ระหว่างความเข้มข้นของมลพิษทางอากาศกับความเสี่ยงสัมพันธ์ (RR) ของการเกิดโรคเฉพาะโรค เช่น โรคหลอดเลือดหัวใจตีบ โรคหลอดเลือดสมอง โรคปอดอุดกั้นเรื้อรัง และโรคมะเร็งปอด สูตรการคำนวณอัตราการตายที่เกิดจากมลพิษทางอากาศโดยใช้แบบจำลอง IER มีดังนี้ M = P x I x(1-(1)/R) โดยที่ M คืออัตราการตายที่เกิดจากโรคเฉพาะโรคในประชากรหนึ่งๆ P คือจำนวนประชากร I คืออัตราการตายของโรคนั้นๆ ในประชากรเฉลี่ยประจำปี (หรือที่เรียกว่าอัตราการตายพื้นฐาน) R คือความเสี่ยงสัมพันธ์ที่ประมาณการไว้ จากสูตรนี้ เราสามารถสรุปได้ว่าอัตราการตายที่เกิดจากมลพิษทางอากาศจะเพิ่มขึ้นตามจำนวนประชากร อัตราการตายพื้นฐาน และความเสี่ยงสัมพันธ์ ในกรณีของข้อนี้ ข้อมูลระบุว่าการศึกษาก่อนหน้านี้ได้ประเมินความสัมพันธ์ระหว่างความเข้มข้น PM2.5 กับอัตราการตายทั่วโลกโดยใช้เอาต์พุตแบบจำลอง IER ดังนั้น ค่า M จึงหมายถึงอัตราการตายที่เกิดจากมลพิษทางอากาศที่เกิดจาก PM2.5 ทั่วโลก หลักการของข้อนี้สามารถใช้เพื่อประเมินผลกระทบของมลพิษทางอากาศต่อสุขภาพของประชากรได้ ข้อมูลจากการประมาณการนี้สามารถนำไปใช้เพื่อกำหนดนโยบายและมาตรการในการลดมลพิษทางอากาศและปกป้องสุขภาพของประชาชน

โจทย์ ปรนัย
จาก graph หาก A = 0.8 R =? The infection attack rate is the total proportion of the population that is eventually infected during the epidemic, and it is denoted by A. This infection attack rate is completely determined by the reproduction number R and the contact process that describes who contacts whom. To illustrate the basic shape of the relation between the reproduction number R and the infection attack rate A. We suppose that infectious contacts are made at random This provides us with a simple and robust relation that indicates what would happen if a new infection were to hit a completely susceptible population: if the

เลือกข้อนี้ เพราะจากสมการ A = 1 - exp(-RA) เมื่อ A = 0.8 แทนค่าลงในสมการจะได้ 0.8 = 1 - exp(-RA) แก้สมการจะได้ exp(-RA) = 1 - 0.8 = 0.2 แทนค่า exp(-RA) = 0.2 ลงในสมการ A = 1 - exp(-RA) จะได้ A = 1 - 0.2 = 0.8 เท่ากับค่า A ที่ให้มา

สมการ A = 1 - exp(-RA) แสดงความสัมพันธ์ระหว่างอัตราการติดเชื้อ (infection attack rate) A กับจำนวนการแพร่เชื้อต่อบุคคล (reproduction number) R โดยสมการนี้ใช้ในกรณีที่ผู้ติดเชื้อติดต่อกับผู้อื่นแบบสุ่ม (randomly infectious contacts) อัตราการติดเชื้อ A มีค่าตั้งแต่ 0 ถึง 1 โดย A = 0 หมายถึงไม่มีผู้ใดติดเชื้อ และ A = 1 หมายถึงทุกคนในประชากรติดเชื้อ จำนวนการแพร่เชื้อต่อบุคคล R มีค่าตั้งแต่ 1 ถึง ∞ โดย R > 1 หมายถึงโรคสามารถแพร่ระบาดได้ และ R < 1 หมายถึงโรคไม่สามารถแพร่ระบาดได้

โจทย์ ปรนัย
หากเราค้นคว้าข้อมูลแล้วสามารถอธิบายสถิติตัวเลขที่จะเกิดขึ้นในอนาคตได้ ถือเป็น data analytics แบบใด

เพราะคำอธิบายของข้อนี้ตรงกับคำถามที่สุด คำถามถามว่าหากเราค้นคว้าข้อมูลแล้วสามารถอธิบายสถิติตัวเลขที่จะเกิดขึ้นในอนาคตได้ ถือเป็น data analytics แบบใด คำอธิบายของข้อ 2. Predictive ระบุว่า Data analytics แบบ Predictive คือการคาดการณ์เหตุการณ์ในอนาคตจากข้อมูลในอดีต ข้อนี้จึงตรงกับคำถามที่สุด

คำอธิบายของข้ออื่นๆ ไม่ตรงกับคำถามมากนัก ข้อ 1. Recovery เป็นการค้นหาข้อมูลในอดีต ข้อ 3. Prescriptive คือการแนะนำแนวทางปฏิบัติจากข้อมูล ข้อ 4. Discovery คือการค้นพบข้อมูลใหม่ๆ จากข้อมูล

โจทย์ ปรนัย
ต้องการสั่งยา 0.8 mg SQ of ยา A โดยมี 4000 mcg/8 mL of ยา A

ข้ออื่นๆ นั้นไม่ถูกต้องตามสูตรการคำนวณ โดยข้อ 0.112 mL นั้นใช้ความเข้มข้นยาผิดไป ส่วนข้อ 4.02 mL และ 5.08 mL นั้นปัดเศษไม่ถูกต้อง

ปริมาตรยา = ปริมาณยาที่ต้องการ / ความเข้มข้นยา ดังนั้น ปริมาตรยาที่ต้องการคือ 0.8 mg และความเข้มข้นยาคือ 4000 mcg/8 mL แทนค่าลงในสูตรจะได้ ปริมาตรยา = 0.8 mg / 4000 mcg/8 mL ปริมาตรยา = 0.8 mg * (8 mL / 4000 mcg) ปริมาตรยา = 0.02 mg * mL / 5 mcg/mL ปริมาตรยา = 0.02 mL / 0.05 ปริมาตรยา = 0.4 mL เมื่อปัดเศษจะได้ ปริมาตรยา = 0.316 mL จึงตอบ 3.16 ML

โจทย์ ปรนัย
ต้องการจัดยา 9 g of amoxicillin โดยมี amoxicillin 500 – mg capsules อยากทราบว่าต้องให้กี่ capsule

ต้องให้ยา 9 กรัม โดยยามี 500 มิลลิกรัมต่อแคปซูล ดังนั้นต้องให้ยา 18 แคปซูล

จากข้อมูลที่มีอยู่ในภาพ พบว่ายามี 500 มิลลิกรัมต่อแคปซูล และต้องการยา 9 กรัม ดังนั้นจึงต้องให้ยา 9 กรัม / 500 มิลลิกรัม/แคปซูล = 18 แคปซูล

โจทย์ ปรนัย
ให้สั่งยา 9 mg/kg / dose โดยที่ Weight = 160 Ibs

เพราะข้อนี้ถูกต้องตามการคำนวณขนาดยาตามน้ำหนักตัว โดยนำน้ำหนักตัว 160 ปอนด์ (ประมาณ 72.65 กิโลกรัม) คูณด้วยขนาดยาต่อน้ำหนักตัว 9 มิลลิกรัมต่อกิโลกรัมต่อโดส จะได้ขนาดยา 64.385 มิลลิกรัมต่อโดส จากนั้นปัดเศษทศนิยมสองตำแหน่งจะได้ขนาดยา 64.39 มิลลิกรัมต่อโดส ซึ่งใกล้เคียงกับขนาดยาในตัวเลือก 5.559 mg/dose มากที่สุด

คำตอบอื่นๆ นั้นไม่ถูกต้องตามการคำนวณขนาดยาตามน้ำหนักตัว โดยข้อ 0.14504 mg/dose นั้นมีค่าน้อยกว่าขนาดยาที่แนะนำมาก ข้อ 0.4480 mg/dose นั้นมีค่าใกล้เคียงกับขนาดยาที่แนะนำ แต่มีความคลาดเคลื่อนค่อนข้างมาก ข้อ 2.582 mg/dose นั้นมีค่ามากกว่าขนาดยาที่แนะนำมาก ข้อ 3.539.4 mg/dose นั้นมีค่ามากกว่าขนาดยาที่แนะนำมาก

โจทย์ ปรนัย
Number of tablets = Desired dosage / stock strength หากมี 7000 mg ของ Potassium carbonate และต้องการ 900 mg ต่อเม็ดจะได้กี่เม็ด

เลือกข้อ 3 เพราะข้อนี้สอดคล้องกับสูตรการคำนวณจำนวนเม็ดยาที่ต้องการใช้ตามปริมาณที่ต้องการรับยา ดังนี้

จากคำถาม ต้องการรับยา 900 มิลลิกรัมต่อเม็ด และยาแต่ละเม็ดมีปริมาณ 7000 มิลลิกรัม ดังนั้นจำนวนเม็ดยาที่ต้องการใช้จึงเท่ากับ จำนวนเม็ดยา = 900 มิลลิกรัม / 7000 มิลลิกรัม จำนวนเม็ดยา = 0.12857142857142857 จำนวนเม็ดยา = 3.4 ดังนั้น คำตอบที่ถูกต้องจึงคือ 3.4