โจทย์ ปรนัย
What is the primary goal of the article according to its introduction?

จากบทความข้างต้น article ได้กล่าวเกี่ยวกับการ สร้าง model ต่างๆมาใหม่เพื่อแก้ไขปัญหาทางด้านการแพทย์

จากบทความเรื่อง Exploring enterovirus pathogenesis and cancer therapy potential through reverse genetics สามารถเปิดดูได้ในลิ้งค์ https://doi.org/10.1016/j.bsheal.2025.01.004

โจทย์ ปรนัย
How do generative AI models differ from traditional discriminative models in healthcare applications?

generative model เป็นการสร้างข้อมูลใหม่สามารถสร้างตัวอย่างใหม่ได้เช่น ภาพทางการแพทย์สังเคราะห์ traditional discriminative models โมเดลเชิงแยกแยะจะเรียนรู้ขอบเขตการตัดสินใจระหว่างข้อมูลที่มี ใช้สำหรับงานจำแนกประเภท และเลือกวิธีการรักษา

https://www.ncbi.nlm.nih.gov/books/NBK597493/?utm_source=chatgpt.com มีการกล่าวถึง generative model ไว้โดยประมาณ ส่วน discriminative models หาข้อมูลโดยใช้ ข้อมูลจาก https://doi.org/10.3390/s21072450 มาอ้างอิงซึ่งสรุปได้ความแตกต่างของทั้งสองและนำมาคิดกับช้อยที่ให้มา

โจทย์ ปรนัย
What is meant by the term “model as a dataset”?

ข้อ 3 บอกว่าให้ข้อมูลที่modelคิดขึ้นมาแทนข้อมูลสดๆจากอินเตอเน็ต ซึ่งสอดคล้องกับ โจทย์ model as dataset ที่มีความหมายว่า ใช้โมเดลเป็นฐานข้อมูล แทนที่จะใช้ data เป็นฐานข้อมูล ซึ่งจะถูกคิดและจัดข้อความใหม่โดยโมเดล

Massachusetts Institute of Technology News / MIT Computing – “When it comes to AI, can we ditch the datasets?”: กล่าวถึงการทดลองใช้โมเดลสร้างข้อมูลสังเคราะห์ (synthetic data) เพื่อฝึกโมเดลอีกตัวหนึ่ง แสดงให้เห็นว่าในบางกรณีเราอาจไม่จำเป็นต้องชุดข้อมูลดิบแบบเดิม ๆ อีกต่อไป เพราะ “โมเดล” เองสามารถทำหน้าที่คล้ายชุดข้อมูลได้ https://news.mit.edu/2022/synthetic-datasets-ai-image-classification-0315?utm_source=chatgpt.com

โจทย์ ปรนัย
Which statement correctly distinguishes physics-informed and statistical models?

“Physics-informed models rely on text prompts” → ผิด ใช้กับโมเดลภาษาหรือ NLP ไม่ใช่ PIM “Statistical models are rule-based” → ผิด สถิติเป็น data-driven ไม่ใช่ rule-based “Statistical models are limited to MRI reconstruction” → ผิด ใช้ได้ทุกโดเมน ไม่จำกัดแค่ MRI “Both types require no domain expertise” → ผิด PIM ต้องความรู้ทางฟิสิกส์/ชีววิทยา และ statistical model ก็ได้ประโยชน์จากความเชี่ยวชาญด้านโดเมน ในเมื่อช้อยส์ที่เหลือผิดหมดข้อที่ถูกคือ ข้อ 3 Physics-informed models incorporate biological or physical principles

1. บทความ “Physics‑informed machine learning for advancing computational medical imaging: integrating data‑driven approaches with fundamental physical principles” (2025) ระบุว่า โมเดล PIML (Physics‑Informed Machine Learning) รวมกฎฟิสิกส์ เช่น สมการ PDE หรือ boundary conditions เข้าไปกับ ML โดยตรง เพื่อให้ผลลัพธ์มีความสอดคล้องทางกายภาพและลดการพึ่งพาข้อมูลจำนวนมาก https://link.springer.com/article/10.1007/s10462-025-11303-w?utm_source=chatgpt.com 2. บทความ “PINNs for Medical Image Analysis: A Survey” (2024) ระบุว่าแนวทาง physics‐informed ใช้ “fundamental knowledge and governing physical laws” ร่วมกับ data‐driven methods เพื่อเพิ่ม robustness และ interpretability ตรงกับข้อ 3 ที่กล่าวไว้  https://arxiv.org/abs/2408.01026?utm_source=chatgpt.com

โจทย์ ปรนัย
According to the article, what does the “image generation trilemma” describe?

“Image generation trilemma” หมายถึงปัญหาที่เกิดขึ้นในการสร้างภาพด้วย AI โดยที่การปรับปรุง ด้านใดด้านหนึ่ง มักจะส่งผลกระทบต่อ อีกสองด้าน ความหลากหลายของภาพ คือ ความแตกต่างและความครอบคลุมของภาพที่สร้างขึ้น คุณภาพของภาพ คือ ความสมจริงและความละเอียดของภาพ ความเร็วในการสร้างภาพ คือ ระยะเวลาในการสร้างภาพแต่ละภาพ ในงานด้าน ภาพทางการแพทย์ การได้ภาพที่มีคุณภาพสูง ครอบคลุมหลายกรณี และสร้างได้เร็วเป็นเรื่องที่ต้องการทั้งหมด แต่เป็นเรื่องยากที่จะทำให้ครบทุกด้านพร้อมกัน ส่วนตัวเลือกอื่น ๆ เช่น จริยธรรม กฎหมาย การใช้แพทย์ หรือความเป็นส่วนตัวของข้อมูล แม้สำคัญ แต่ ไม่ใช่สิ่งที่ trilemma กล่าวถึงโดยตรง

Comparing Classical and Quantum Generative Learning Models for High‑Fidelity Image Synthesis (MDPI, 2023) – กล่าวถึง “the Generative Learning Trilemma, which posits that it is not possible for any image synthesis model to simultaneously excel at high‑quality sampling, achieve mode convergence with diverse sample representation, and perform rapid sampling.”https://www.mdpi.com/2227-7080/11/6/183?utm_source=chatgpt.com

โจทย์ ปรนัย
What is the Human Turing Test used for in medical image synthesis?

Human Turing Test ในบริบทของ การสร้างภาพทางการแพทย์ (medical image synthesis) หมายถึงการทดสอบโดยให้ ผู้เชี่ยวชาญทางการแพทย์ ตรวจสอบภาพที่สร้างขึ้นโดย AI เพื่อตัดสินว่า ภาพเหล่านี้มีความสมจริงเพียงพอหรือไม่ โดยผู้เชี่ยวชาญจะได้รับภาพจริงและภาพสังเคราะห์แบบสุ่ม แล้วถูกถามว่าภาพไหนเป็นภาพจริง ภาพไหนเป็นภาพสังเคราะห์ ใช้สำหรับ ตรวจสอบคุณภาพภาพสังเคราะห์ ยืนยันความน่าเชื่อถือของโมเดล generative AI ก่อนใช้งานในงานวิจัยหรือคลินิก

Bowles, C., et al. (2018). "GAN Augmentation: Augmenting Training Data Using Generative Adversarial Networks." Medical Image Analysis, 49, 90–101. ผู้เขียนได้ใช้ Turing Test ในการให้ผู้เชี่ยวชาญประเมินภาพ MRI สังเคราะห์เพื่อยืนยันความสมจริง https://doi.org/10.1016/j.media.2017.12.006

โจทย์ ปรนัย
Which of the following is NOT mentioned as a potential benefit of synthetic data in healthcare?

ในบริบทของ synthetic data หรือข้อมูลสังเคราะห์ทางการแพทย์ ข้อดีที่มักถูกกล่าวถึง ได้แก่ 1. เพิ่มความหลากหลายของข้อมูล (Enhancing data diversity) 2. รักษาความเป็นส่วนตัวของผู้ป่วย (Preserving patient privacy) 3. สนับสนุนความร่วมมือระหว่างหลายศูนย์ (Facilitating multi-centre collaborations) 4. สนับสนุนการศึกษาและฝึกอบรมทางการแพทย์ (Supporting medical education)

Shorten, C., & Khoshgoftaar, T. M. (2019). "A survey on Image Data Augmentation for Deep Learning." Journal of Big Data, 6(1), 60. อธิบายข้อดีของข้อมูลสังเคราะห์ เช่น เพิ่มความหลากหลายและช่วยฝึกโมเดล AI https://doi.org/10.1186/s40537-019-0197-0

โจทย์ ปรนัย
What is one major ethical concern associated with generative AI in medical imaging?

หนึ่งใน ความกังวลด้านจริยธรรมหลักของ generative AI ในการสร้างภาพทางการแพทย์ คือเรื่อง การคัดลอกข้อมูลและการระบุตัวผู้ป่วยได้ (data copying and patient reidentification) เช่น การสร้างภาพไม่สมจริง 1. ขาด dataset 2. การสร้างภาพช้า 3. การใช้ diffusion model มากเกินไป

Ethical Concerns About Reidentification of Individuals from MRI Neuroimages โดย Garbuzova พบว่าแม้ภาพ MRI จะถูกถอดรหัสชื่อ เบอร์ประจำตัวผู้ป่วยแล้ว แต่ระบบ AI และระบบรู้จำใบหน้าสามารถระบุผู้ป่วยจากภาพได้ถึง 83 % ของกรณี https://doi.org/10.52214/vib.v7i.8662 Generative AI in Medical Practice: In‑Depth Exploration of Privacy and Security Challenges (Chen & Esmaeilzadeh) กล่าวถึง “privacy threats” ที่เกิดจาก generative AI ในวงการแพทย์ รวมถึงความเป็นไปได้ที่ภาพสังเคราะห์อาจ คัดลอก/ใกล้เคียงข้อมูลจริงจนสามารถเชื่อมโยงกลับไปถึงผู้ป่วย ได้ DOI: 10.2196/53008

โจทย์ ปรนัย
What regulatory precedent did the article cite for synthetic data technologies?

ในบทความกล่าวถึงกรณีของ Food & Drug Administration (FDA) สหรัฐอเมริกามีการรับรอง สำหรับซอฟต์แวร์ภาพให้เป็นภาพ MRI สังเคราะห์ ซึ่งถือเป็นบรรทัดฐานเชิงกฎระเบียบ สำหรับเทคโนโลยีข้อมูลสังเคราะห์ในทางการแพทย์ โดยเฉพาะเมื่อนำไปใช้ในงานประมวลผลภาพทางการแพทย์ ซึ่งทำให้เทคโนโลยีการสร้างภาพแบบสังเคราะห์ได้รับการยอมรับทางคลินิกภายใต้กรอบกฎหมายของอุปกรณ์การแพทย์

Subtle Medical, Inc. ได้รับการรับรองจาก FDA สำหรับซอฟต์แวร์ “SubtleSYNTH™” ซึ่งใช้ deep learning เพื่อสร้างภาพ STIR สังเคราะห์จากภาพ T1 และ T2 ที่ถ่ายแล้วได้ — ถือเป็นกรณีตัวอย่างของ “synthetic imaging software” ที่ผ่านกฎระเบียบ https://www.prnewswire.com/news-releases/subtle-medical-receives-fda-clearance-for-industry-first-ai-powered-synthetic-imaging-software-subtlesynth-302198830.html?utm_source=chatgpt.com

โจทย์ ปรนัย
What is the main purpose of the article?

บทความนี้มุ่งเน้นไปที่การ เปรียบเทียบและประเมินโมเดลการทำนายความเสี่ยงของโรคหลอดเลือดหัวใจและหลอดเลือดสมอง (ASCVD) ในภูมิภาคเอเชียตะวันออก เพื่อดูว่าโมเดลที่พัฒนาขึ้นในประเทศตะวันตกสามารถนำมาใช้ในประชากรเอเชียตะวันออกได้หรือไม่ และเพื่อปรับปรุงความแม่นยำของการประเมินความเสี่ยงในประชากรท้องถิ่น

Atherosclerotic Cardiovascular Disease Risk Prediction Models in China, Japan, and Korea: Implications for East Asians? โดย Nguyen et al. (2025) เขียนใน JACC: Asia ซึ่งกล่าวถึงการเปรียบเทียบและประเมินโมเดลทำนายความเสี่ยงของ Atherosclerotic cardiovascular disease (ASCVD) ในประชากรเอเชียตะวันออกเฉียงใต้ / เอเชียตะวันออกอันได้แก่ จีน ญี่ปุ่น และเกาหลี https://doi.org/10.1016/j.jacasi.2025.01.006

โจทย์ ปรนัย
Which of the following models was originally developed for a Western population?

Framingham Risk Score (FRS) เป็นโมเดลการทำนายความเสี่ยงโรคหลอดเลือดหัวใจและหลอดเลือดสมอง (ASCVD) ที่พัฒนาขึ้นครั้งแรกในประชากรตะวันตก คือเมือง Framingham ในสหรัฐอเมริกา โมเดลนี้ใช้ปัจจัยเสี่ยงต่าง ๆ เช่น อายุ เพศ ความดันโลหิต ระดับคอเลสเตอรอล การสูบบุหรี่ และเบาหวาน เพื่อประเมินความเสี่ยงการเกิดโรคหัวใจใน 10 ปีข้างหน้า ส่วนโมเดลอื่น ๆ เช่น China-PAR, Suita Score, KRPM, NIPPON Data80 พัฒนาขึ้นสำหรับ ประชากรเอเชีย โดยเฉพาะประเทศจีน ญี่ปุ่น และเกาหลี

แหล่งหนึ่งระบุว่า “Because the Framingham Heart Study consists of white middle‑class individuals…” ซึ่งแสดงให้เห็นว่าแบบจำลองต้นแบบถูกพัฒนาจากประชากรผิวขาวชั้นกลางในสหรัฐอเมริกา https://medicine.musc.edu/departments/family-medicine/research/rcmar/coronary-heart-disease?utm_source=chatgpt.com

โจทย์ ปรนัย
Why might Western-based risk prediction models overestimate ASCVD risk in East Asian populations?

โมเดลทำนายความเสี่ยงโรคหลอดเลือดหัวใจและหลอดเลือดสมอง (ASCVD) ที่พัฒนาขึ้นใน ประชากรตะวันตก เช่น Framingham Risk Score มักประเมินความเสี่ยงสูงเกินจริง เมื่อใช้กับประชากรเอเชียตะวันออกข้ออื่น ๆ เช่น ไลฟ์สไตล์เหมือนกัน (1), ข้อมูลชุดเล็ก (3), ระดับคอเลสเตอรอลสูงกว่า (4), หรือมาตรฐานการเก็บข้อมูลต่ำกว่า (5) ไม่ใช่เหตุผลหลัก ของการประเมินความเสี่ยงเกินจริง

https://doi.org/10.1186/s12889-020-09579-4 ได้กล่าวว่า Because the Asian population was excluded in the PCE’s derivation cohorts, there is substantial overestimation when PCE was externally validated in the Asian population.

โจทย์ ปรนัย
What is the key advantage of the China-PAR model compared to Western-based models?

China-PAR (Prediction for ASCVD Risk in China) model มีข้อได้เปรียบสำคัญเหนือโมเดลจากตะวันตกเพราะ โมเดลนี้ปรับเทียบ (calibrated) ด้วยข้อมูลจากประชากรจริงของประเทศจีน ซึ่งครอบคลุม หลายภูมิภาคและกลุ่มประชากรที่แตกต่างกัน ทำให้สามารถ ประเมินความเสี่ยงของโรคหลอดเลือดหัวใจและหลอดเลือดสมอง ได้แม่นยำมากขึ้นสำหรับประชากรจีน ต่างจากโมเดลตะวันตกที่พัฒนาจากประชากรยุโรปหรือสหรัฐ จึงอาจ ประเมินความเสี่ยงสูงเกินจริง หากนำมาใช้ในเอเชีย

Yang X, Gu D, et al. Predicting the Ten‑Year Risks of Atherosclerotic Cardiovascular Disease in Chinese Population: The China‑PAR Project (Prediction for ASCVD Risk in China). Circulation. 2016;134:1430‑1440 จาก DOI: 10.1161/CIRCULATIONAHA.116.022367 Huang S, Liu X, Zou D. Applying the China‑PAR Risk Algorithm to Assess 10‑year Atherosclerotic Cardiovascular Disease Risk in Populations Receiving Routine Physical Examinations in Eastern China. Biomed Environ Sci. 2019;32(2):87‑95. https://www.besjournal.com/fileSWYXYHJKX/journal/article/swyxyhjkx/2019/2/PDF/bes-32-2-87.pdf?utm_source=chatgpt.com

โจทย์ ปรนัย
Which of the following variables is not typically included in ASCVD risk prediction models discussed in the article?

โมเดลทำนายความเสี่ยงโรคหลอดเลือดหัวใจและหลอดเลือดสมอง (ASCVD) ที่กล่าวถึงในบทความ เช่น Framingham Risk Score, China-PAR, Suita Score, Korean Risk Prediction Model (KRPM) โดยทั่วไป ใช้ปัจจัยเสี่ยงทางคลินิกและพฤติกรรม ได้แก่ อายุ ความดันโลหิต ระดับคลอเรสเตอรอล การสูบบุหรี่ ส่วน Genetic ancestry markers (ตัวชี้วัดพันธุกรรม/เชื้อชาติ) ไม่ใช่ตัวแปรมาตรฐาน ในโมเดลเหล่านี้ แม้จะมีการวิจัยเพิ่มประสิทธิภาพโดยใช้ข้อมูลพันธุกรรม แต่ยังไม่ได้รวมเป็นตัวแปรหลักในโมเดล ASCVD ที่ใช้ในทางคลินิกทั่วไป

1ถามตัวแปร 2พิจารณาประเภทตัวแปรที่ใช้จริงในโมเดล 3ตัดตัวแปรที่ซับซ้อนหรือไม่ใช้ในทางคลินิก 4เลือกคำตอบที่เหลือ

โจทย์ ปรนัย
What is a major difference between the Suita Score and the Framingham Risk Score?

Suita Score ข้อดีคือ สามารถประเมินความเสี่ยงได้แม่นยำสำหรับประชากรญี่ปุ่น ซึ่งอาจแตกต่างจากประชากรตะวันตกในด้านอัตราเกิดโรคและปัจจัยเสี่ยง ส่วน Framingham Risk Score ถูกพัฒนาขึ้นจากประชากรตะวันตก ทำให้หากนำไปใช้กับประชากรเอเชียอาจประเมินความเสี่ยงสูงเกินจริง

ตัดช้อยส์อื่นๆที่เกี่ยวข้องน้อยกว่าหรือไม่เกี่ยวข้อง Suita Score ไม่ใช่การประเมินความเสี่ยงตลอดชีวิต แต่ประเมินเป็นช่วงเวลา (เช่น 10 ปี) Framingham รวมระดับคอเลสเตอรอล Suita Score ไม่ได้จำกัดเฉพาะผู้ป่วยในโรงพยาบาล Framingham ไม่ได้ใช้ข้อมูลพันธุกรรมเพียงอย่างเดียว

โจทย์ ปรนัย
According to the article, what is a potential benefit of developing East Asia–specific risk models?

โมเดลทำนายความเสี่ยงโรคหลอดเลือดหัวใจและสมอง (ASCVD) ที่พัฒนาสำหรับ ประชากรเอเชียตะวันออก เช่น China-PAR, Suita Score, KRPM มีข้อดีสำคัญคือ 1.ปรับให้เหมาะสมกับอัตราการเกิดโรคพื้นฐานและปัจจัยเสี่ยงของประชากรเอเชียตะวันออก 2.ทำให้ ประเมินความเสี่ยงได้แม่นยำมากขึ้น 3.ลดความเสี่ยงในการประเมินเกินจริง (overestimation) ซึ่งมักเกิดขึ้นเมื่อใช้โมเดลตะวันตกกับประชากรเอเชีย ซึ่งล้วนแล้วแต่เพิ่มความแม่นยำและลดอัตราเสี่ยงตามช้อยส์ข้อ 3

ตัดช้อยส์ข้ออื่น การทำนายโรคที่ไม่ใช่หัวใจ (1), ลดความจำเป็นในการตรวจสอบทางคลินิก (2), ไม่ต้องเจาะเลือด (4), หรือแทนที่การตรวจร่างกายทั้งหมด (5) ไม่ใช่ประโยชน์หลักของโมเดลเฉพาะเอเชียตะวันออก

โจทย์ ปรนัย
Which factor was highlighted as influencing ASCVD risk differences among East Asian countries?

ความเสี่ยงของโรคหลอดเลือดหัวใจและสมองในแต่ละประเทศในเอเชียตะวันออกแตกต่างกันเพราะ วัฒนธรรมการกิน เช่นปริมาณเกลือที่บริโภค

ข้ออื่น ๆ เช่น การเข้าถึงการรักษาที่เหมือนกัน (1), การใช้แนวทางทางคลินิกเหมือนกัน (3), อัตราการกลายพันธุ์ทางพันธุกรรมสูง (4), หรือค่าใช้จ่ายด้านสุขภาพเท่ากัน (5) ล้วนแล้วไม่ใช่เหตุผลหลักที่ทำให้ความเสี่ยงแตกต่างกัน

โจทย์ ปรนัย
What future direction does the article suggest for improving ASCVD risk prediction?

บทความระบุว่าแนวทางในอนาคตสำหรับการทำนายความเสี่ยง ASCVD คือการใช้ AI แบบหลายโมดอล (multimodal AI) ที่สามารถรวมข้อมูลหลายประเภทการผนวก ข้อมูลภูมิภาคและประชากรท้องถิ่น ทำให้โมเดลมีความแม่นยำสูงขึ้น และลดการประเมินความเสี่ยงสูงเกินจริงวิธีนี้ถือเป็นการพัฒนาต่อจากโมเดลดั้งเดิม เช่น Framingham, China-PAR, Suita Score ซึ่งใช้ข้อมูลจำกัดและอาจไม่เหมาะกับประชากรทุกภูมิภาค

ข้ออื่น ๆ เช่น การละโมเดลเฉพาะประชากร (1), มุ่งเฉพาะคอเลสเตอรอล (3), มองข้ามปัจจัยเศรษฐสังคม (4) หรือแทนที่แพทย์ด้วย AI (5) ไม่ถูกต้องตามบทความ

โจทย์ ปรนัย
Which statement best explains the key difference in how VAEs, GANs, and DDPMs generate medical images according to the figure?

VAE (Variational Autoencoder): ใช้ encoder–decoder โครงสร้างเพื่อบีบอัดข้อมูลและสร้างภาพใหม่ โดยเรียนรู้การแจกแจงความน่าจะเป็นของข้อมูล GAN (Generative Adversarial Network): ใช้ discriminator เปรียบเทียบภาพจริงกับภาพที่สร้างขึ้นเพื่อปรับปรุงคุณภาพของภาพ DDPM (Denoising Diffusion Probabilistic Model): ใช้ กระบวนการ diffusion โดยค่อย ๆ เพิ่มเสียงรบกวนให้ภาพแล้วเรียนรู้การ ลบเสียงรบกวนทีละขั้นตอน (reverse diffusion) เพื่อสร้างภาพใหม่ ไม่ใช้ encoder–decoder หรือ discriminator

ข้ออื่น ๆ ผิดเพราะ: 1.VAEs ไม่ใช้ adversarial feedback 2.GANs ไม่ใช้กระบวนการ diffusion 3.VAEs และ DDPMs ไม่พึ่ง real-versus-fake discrimination 4.โมเดลทั้งสามมี กระบวนการสร้างภาพแตกต่างกันชัดเจน

โจทย์ ปรนัย
Which of the following best explains the trend shown in Figure comparing age-standardized and crude CVD mortality rates among East Asian countries?

Age-standardized mortality rate คืออัตราการเสียชีวิตที่ปรับตามโครงสร้างอายุ เพื่อเปรียบเทียบระหว่างประเทศที่มีโครงสร้างประชากรต่างกันCrude mortality rate คืออัตราการเสียชีวิตรวมทั้งหมดโดยไม่ปรับอายุในกรณีของ ญี่ปุ่น แม้จะมีประชากรผู้สูงอายุมาก แต่ทั้ง age-standardized และ crude CVD mortality rates ยังต่ำแสดงถึง ระบบการป้องกันโรคและการดูแลสุขภาพที่มีประสิทธิภาพ การจัดการปัจจัยเสี่ยงโรคหัวใจและหลอดเลือดได้ดี

ข้ออื่น ๆ ผิดเพราะ: 1.ขนาดประชากรไม่ได้เป็นเหตุผลหลักของอัตราการตายต่ำ 2.อัตราการตายสูงของมองโกเลียและเกาหลีเหนือไม่ได้เกิดจากอายุอย่างเดียว 3.การเปรียบเทียบอัตรา crude กับ age-standardized ไม่ได้บอกว่า CVD ถูกประเมินสูงเกินจริง 4.Stroke rate ไม่เกี่ยวกับการควบคุมโรคติดเชื้อโดยตรง