| 1 |
ข้อใดคือ Math model ใน RETURN TO ISSUEPREVARTICLENEXT
|
2. Population balance equation |
|
เพราะข้อนี้มีความครอบคลุมมากที่สุด สามารถใช้อธิบายปรากฏการณ์ทางชีววิทยาและการแพทย์ได้หลากหลาย เช่น การแพร่กระจายของสารในร่างกาย การเจริญเติบโตของเซลล์ การตอบสนองของร่างกายต่อยา เป็นต้น |
Population Balance Equation (PBE) เป็นสมการทางคณิตศาสตร์ที่ใช้อธิบายการเปลี่ยนแปลงของประชากรในระบบปิด สมการนี้สามารถเขียนได้ดังนี้
dN/dt = ∑i (Fi - Ri)
โดยที่
N คือ จำนวนประชากรทั้งหมดในระบบ
t คือ เวลา
Fi คือ อัตราเกิดของประชากรในกลุ่ม i
Ri คือ อัตราตายของประชากรในกลุ่ม i
PBE สามารถประยุกต์ใช้กับปรากฏการณ์ทางชีววิทยาและการแพทย์ได้หลากหลาย เช่น การแพร่กระจายของสารในร่างกาย การเจริญเติบโตของเซลล์ การตอบสนองของร่างกายต่อยา เป็นต้น
ตัวอย่างการใช้งาน PBE
การศึกษาการแพร่กระจายของยาในร่างกาย
สมการ PBE สามารถใช้อธิบายการแพร่กระจายของยาในร่างกายได้ โดยพิจารณายาเป็นประชากรหนึ่งกลุ่ม อัตราการเกิดของยาจะเท่ากับอัตราการดูดซึมของยาจากทางเดินอาหาร อัตราการตายของยาจะเท่ากับอัตราการขับถ่ายของยาออกจากร่างกาย
การศึกษาการเจริญเติบโตของเซลล์มะเร็ง
สมการ PBE สามารถใช้อธิบายการเจริญเติบโตของเซลล์มะเร็งได้ โดยพิจารณาเซลล์มะเร็งเป็นประชากรหนึ่งกลุ่ม อัตราการเกิดของเซลล์มะเร็งจะเท่ากับอัตราการแบ่งตัวของเซลล์มะเร็ง อัตราการตายของเซลล์มะเร็งจะเท่ากับอัตราการตายของเซลล์มะเร็งตามธรรมชาติ
การศึกษาการตอบสนองของร่างกายต่อการติดเชื้อ
สมการ PBE สามารถใช้อธิบายการตอบสนองของร่างกายต่อการติดเชื้อได้ โดยพิจารณาเชื้อโรคเป็นประชากรหนึ่งกลุ่ม อัตราการเกิดของเชื้อโรคจะเท่ากับอัตราการแพร่กระจายของเชื้อโรค อัตราการตายของเชื้อโรคจะเท่ากับอัตราการตายของเชื้อโรคตามธรรมชาติ และอัตราการตายของเชื้อโรคเนื่องจากการถูกทำลายโดยระบบภูมิคุ้มกัน
ข้อดีของการใช้ PBE
PBE เป็นเครื่องมือที่มีประโยชน์มากในการตีความข้อมูลการวิจัยทางการแพทย์ เนื่องจากมีข้อดีดังนี้
สามารถอธิบายปรากฏการณ์ทางชีววิทยาและการแพทย์ได้หลากหลาย
สามารถอธิบายการเปลี่ยนแปลงของประชากรในระบบปิดได้
สามารถนำไปประยุกต์ใช้กับงานวิจัยในหลากหลายสาขา
ข้อจำกัดของการใช้ PBE
PBE มีข้อจำกัดอยู่บ้าง เช่น
ต้องใช้ข้อมูลเชิงปริมาณที่ค่อนข้างมาก
สมการอาจซับซ้อนและยากต่อการคำนวณ
อย่างไรก็ตาม PBE ยังคงเป็นเครื่องมือที่มีประโยชน์มากในการตีความข้อมูลการวิจัยทางการแพทย์ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 2 |
ข้อใดไม่ใช่คือ limitation ของ Math model
|
3. Data are often inaccurate. |
|
เลือกข้อ (3) Data Are Often Inaccurate เป็นข้อจำกัดของแบบจำลองทางคณิตศาสตร์ เพราะข้อนี้ตรงกับความเป็นจริงมากที่สุด โดยข้อมูลที่ใช้สร้างแบบจำลองทางคณิตศาสตร์นั้น มักจะมาจากการเก็บรวบรวมข้อมูลจริงจากโลกแห่งความเป็นจริง ซึ่งข้อมูลเหล่านี้อาจมีความผิดพลาดหรือความไม่สมบูรณ์อยู่เสมอ เช่น การวัดค่าผิดพลาด การบันทึกข้อมูลไม่ครบถ้วน หรือการเลือกตัวอย่างที่ไม่ representative เป็นต้น |
(1) Represent Real-World Systems In Terms Of Mathematical Relationships
ข้อนี้ไม่ได้เป็นข้อจำกัดของแบบจำลองทางคณิตศาสตร์ แต่เป็นจุดประสงค์ของการสร้างแบบจำลองทางคณิตศาสตร์ กล่าวคือ แบบจำลองทางคณิตศาสตร์ควรสามารถอธิบายความสัมพันธ์ระหว่างตัวแปรต่าง ๆ ในระบบโลกแห่งความเป็นจริงได้ โดยแบบจำลองทางคณิตศาสตร์สามารถอธิบายความสัมพันธ์เหล่านี้ได้ในรูปแบบของสมการ ฟังก์ชัน หรืออสมการ เป็นต้น
(2) Data Are Often Unavailable
ข้อนี้ก็เป็นข้อจำกัดของแบบจำลองทางคณิตศาสตร์เช่นกัน แต่ข้อนี้ไม่ได้ตรงกับความเป็นจริงเสมอไป ขึ้นอยู่กับบริบทของปัญหาและแบบจำลองที่ใช้ เช่น ปัญหาบางปัญหาอาจสามารถหาข้อมูลมาสร้างแบบจำลองได้อย่างครบถ้วนและถูกต้อง แต่ปัญหาบางปัญหาอาจหาข้อมูลมาสร้างแบบจำลองได้ยากหรือเป็นไปไม่ได้ เช่น ปัญหาที่เกี่ยวข้องกับอนาคต หรือปัญหาที่เกี่ยวข้องกับระบบที่ซับซ้อนมาก เช่น ระบบเศรษฐกิจหรือระบบสังคม เป็นต้น
(3) Data Are Often Inaccurate
ข้อนี้ตรงกับความเป็นจริงมากที่สุด โดยข้อมูลที่ใช้สร้างแบบจำลองทางคณิตศาสตร์นั้น มักจะมาจากการเก็บรวบรวมข้อมูลจริงจากโลกแห่งความเป็นจริง ซึ่งข้อมูลเหล่านี้อาจมีความผิดพลาดหรือความไม่สมบูรณ์อยู่เสมอ เช่น การวัดค่าผิดพลาด การบันทึกข้อมูลไม่ครบถ้วน หรือการเลือกตัวอย่างที่ไม่ representative เป็นต้น ความผิดพลาดหรือความไม่สมบูรณ์ของข้อมูลเหล่านี้อาจส่งผลต่อความถูกต้องของแบบจำลองได้
(4) Assumptions And Estimates
ข้อนี้มักเป็นข้อจำกัดที่เกิดจากการสร้างแบบจำลองทางคณิตศาสตร์มากกว่าข้อจำกัดที่เกิดจากข้อมูล โดยในการสร้างแบบจำลองทางคณิตศาสตร์ มักจะจำเป็นต้องใช้สมมติฐานและประมาณการบางอย่าง เช่น สมมติฐานที่ว่าตัวแปรต่าง ๆ นั้นมีความต่อเนื่องหรือสมมาตร เป็นต้น ความผิดพลาดหรือความไม่ถูกต้องของสมมติฐานและประมาณการเหล่านี้อาจส่งผลต่อความถูกต้องของแบบจำลองได้
ข้อนี้ก็เป็นตัวเลือกที่เป็นไปได้เช่นกัน แต่จากตัวเลือกทั้งหมด ผมคิดว่าข้อ (3) Data Are Often Inaccurate เป็นข้อจำกัดที่พบได้บ่อยและมีความสำคัญมากที่สุด ดังนั้นผมจึงเลือกข้อนี้
สรุปได้ว่า ข้อจำกัดของแบบจำลองทางคณิตศาสตร์ที่พบได้บ่อยและมีความสำคัญมากที่สุด คือ ข้อ (3) Data Are Often Inaccurate กล่าวคือ ข้อมูลที่ใช้สร้างแบบจำลองทางคณิตศาสตร์นั้น มักจะมีความผิดพลาดหรือความไม่สมบูรณ์อยู่เสมอ ซึ่งอาจส่งผลต่อความถูกต้องของแบบจำลองได้ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 3 |
จงอธิบายเกี่ยวกับ risk estimator
|
1. Health impact assessment of air pollution |
|
เพราะข้อนี้เป็นการวัดความเสี่ยงของมลพิษทางอากาศต่อสุขภาพของมนุษย์ โดยพิจารณาจากปัจจัยต่างๆ เช่น ปริมาณมลพิษทางอากาศ ระยะเวลาที่สัมผัสกับมลพิษทางอากาศ และกลุ่มประชากรที่ได้รับผลกระทบ การประเมินความเสี่ยงนี้มีความแม่นยำและเชื่อถือได้ เนื่องจากอาศัยข้อมูลทางวิทยาศาสตร์และสถิติที่เชื่อถือได้ |
การประเมินความเสี่ยงของมลพิษทางอากาศต่อสุขภาพของมนุษย์ (Health Impact Assessment Of Air Pollution) เป็นกระบวนการที่ใช้ในการประเมินว่ามลพิษทางอากาศมีผลกระทบต่อสุขภาพของมนุษย์อย่างไร การประเมินนี้ครอบคลุมปัจจัยต่างๆ เช่น ปริมาณมลพิษทางอากาศ ระยะเวลาที่สัมผัสกับมลพิษทางอากาศ และกลุ่มประชากรที่ได้รับผลกระทบ
การประเมินความเสี่ยงของมลพิษทางอากาศต่อสุขภาพของมนุษย์โดยทั่วไปจะแบ่งออกเป็น 3 ขั้นตอน ได้แก่
การระบุความเสี่ยง (Risk Identification) เป็นขั้นตอนในการระบุปัจจัยเสี่ยงที่อาจส่งผลกระทบต่อสุขภาพของมนุษย์ โดยปัจจัยเสี่ยงในที่นี้อาจเป็นมลพิษทางอากาศชนิดใดชนิดหนึ่งหรือหลายชนิดก็ได้
การประเมินความเสี่ยง (Risk Assessment) เป็นขั้นตอนในการประมาณการความเสี่ยงที่อาจเกิดขึ้นจากปัจจัยเสี่ยงที่ระบุไว้ โดยการประเมินนี้อาศัยข้อมูลทางวิทยาศาสตร์และสถิติที่เชื่อถือได้
การประเมินผลและการจัดการความเสี่ยง (Risk Evaluation and Management) เป็นขั้นตอนในการประเมินผลและกำหนดมาตรการการจัดการความเสี่ยง โดยพิจารณาจากผลการประเมินความเสี่ยงที่ได้
ในการประเมินความเสี่ยงของมลพิษทางอากาศต่อสุขภาพของมนุษย์ จะใช้ข้อมูลต่างๆ ดังนี้
ข้อมูลด้านมลพิษทางอากาศ เช่น ค่าความเข้มข้นของมลพิษทางอากาศชนิดต่างๆ ระยะเวลาที่สัมผัสกับมลพิษทางอากาศ แหล่งกำเนิดมลพิษทางอากาศ
ข้อมูลด้านสุขภาพ เช่น ข้อมูลเกี่ยวกับผลกระทบของมลพิษทางอากาศต่อสุขภาพของมนุษย์ ข้อมูลเกี่ยวกับกลุ่มประชากรที่ได้รับผลกระทบจากมลพิษทางอากาศ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 4 |
ข้อใดไม่เกี่ยวข้องกับ math model ที่ใช้ใน reconstruction of cardiac tissue
|
5. ผิดมากกว่า 1 ข้อ |
|
เลือกข้อ 5. ผิดมากกว่า 1 ข้อ เพราะข้ออื่นๆ ล้วนเกี่ยวข้องกับ math model ที่ใช้ใน reconstruction of cardiac tissue ทั้งสิ้น |
ข้อ 1. Multielectrodes Arrays (MEAs) เป็นอุปกรณ์ที่ใช้วัดกิจกรรมไฟฟ้าของเซลล์หัวใจ
ข้อ 2. Cellular Activities In Cardiac Domains เป็นกิจกรรมไฟฟ้าของเซลล์หัวใจในอวัยวะหัวใจ
ข้อ 3. Estimation Of The Intracellular Coupling เป็นการคำนวณการเชื่อมโยงระหว่างเซลล์หัวใจ
ข้อ 4. Sq Cells Activities เป็นกิจกรรมไฟฟ้าของเซลล์กล้ามเนื้อหัวใจ
ดังนั้น ข้อที่น่าจะผิดมากกว่า 1 ข้อก็คือข้อ 5. ผิดมากกว่า 1 ข้อ นั่นเอง |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 5 |
จากบทความ (ศึกษาได้จากตามขอบเขตรายวิชา)
ข้อใดเกี่ยวข้องกับการใช้ Noyers whiter equation ในบทความนี้
|
1. A diffusion-based model |
|
เพราะ Noyers Whiter Equation เป็นสมการที่ใช้อธิบายการแพร่กระจายของสารละลายในสารละลายหรือสารละลายในของแข็ง ดังนั้นข้อที่เกี่ยวข้องมากที่สุดจึงน่าจะเป็นข้อที่พูดถึงการแพร่กระจายของสารละลาย นั่นคือข้อ 1 |
สมการ Noyers Whiter เป็นสมการที่ใช้อธิบายการแพร่กระจายของสารละลายในสารละลายหรือสารละลายในของแข็ง สมการนี้มีรูปร่างดังนี้
J = -D * dC/dx
โดยที่
J คืออัตราการแพร่กระจาย (flux)
D คือค่าคงที่การแพร่กระจาย (diffusion coefficient)
C คือความเข้มข้นของสารละลาย
x คือตำแหน่ง
จากสมการนี้จะเห็นได้ว่าอัตราการแพร่กระจายของสารละลายจะแปรผันตรงกับความชันของความเข้มข้น (gradient ความเข้มข้น) นั่นคือยิ่งความเข้มข้นของสารละลายต่างกันมากเท่าไหร่ อัตราการแพร่กระจายก็จะยิ่งสูงมากขึ้นเท่านั้น
ดังนั้นข้อที่ชัดเจนที่สุดและน่าจะเกี่ยวข้องกับการใช้ Noyers Whiter Equation ในบทความมากที่สุดก็คือข้อ A Diffusion-Based Model เพราะข้อนี้กล่าวถึงการแพร่กระจายของสารละลาย ซึ่งก็คือสมมติฐานพื้นฐานของสมการ Noyers Whiter |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 6 |
ข้อใดเกี่ยวข้องกับ Mathematical Models และ vaccine เพื่อรักษาโรคติดต่อ
|
3. Basic reproductive number |
|
เลือกข้อ Basic Reproductive Number (R0) เพราะ R0 เป็นค่าที่แสดงถึงจำนวนคนที่ติดเชื้อโดยเฉลี่ยจากผู้ป่วยหนึ่งคนในช่วงระยะเวลาหนึ่ง โดยค่า R0 เป็นตัวบ่งชี้ที่สำคัญว่าโรคติดต่อนั้นสามารถแพร่กระจายได้อย่างรวดเร็วเพียงใด หากค่า R0 สูง แสดงว่าโรคนั้นสามารถแพร่กระจายได้อย่างรวดเร็ว และต้องใช้มาตรการควบคุมโรคที่เข้มงวด หากค่า R0 ต่ำ แสดงว่าโรคนั้นสามารถแพร่กระจายได้ช้า และสามารถใช้มาตรการควบคุมโรคที่ผ่อนปรนลงได้ |
Basic Reproductive Number (R0) เป็นค่าที่แสดงถึงจำนวนคนที่ติดเชื้อโดยเฉลี่ยจากผู้ป่วยหนึ่งคนในช่วงระยะเวลาหนึ่ง โดยค่า R0 เป็นตัวบ่งชี้ที่สำคัญว่าโรคติดต่อนั้นสามารถแพร่กระจายได้อย่างรวดเร็วเพียงใด
ค่า R0 คำนวณได้จากสูตรดังนี้
R0 = (1 - 1/S) * (1 - 1/I) * (1 - 1/D)
โดยที่
S = อัตราการสัมผัสโรค
I = อัตราการแพร่เชื้อ
D = อัตราการเสียชีวิต
ค่า R0 ของโรคติดต่อแต่ละชนิดจะแตกต่างกันไป ขึ้นอยู่กับปัจจัยต่างๆ เช่น
ชนิดของเชื้อโรค
ลักษณะของเชื้อโรค
ภูมิคุ้มกันของประชากร
พฤติกรรมของประชากร
โดยทั่วไปแล้ว หากค่า R0 สูง แสดงว่าโรคนั้นสามารถแพร่กระจายได้อย่างรวดเร็ว และต้องใช้มาตรการควบคุมโรคที่เข้มงวด หากค่า R0 ต่ำ แสดงว่าโรคนั้นสามารถแพร่กระจายได้ช้า และสามารถใช้มาตรการควบคุมโรคที่ผ่อนปรนลงได้
ยกตัวอย่างเช่น โรคหัดมีค่า R0 ประมาณ 15 หมายความว่า ผู้ป่วย 1 คน สามารถแพร่เชื้อให้ผู้อื่นได้ประมาณ 15 คน โรคนี้จึงสามารถแพร่กระจายได้อย่างรวดเร็วและต้องใช้มาตรการควบคุมโรคที่เข้มงวด เช่น การฉีดวัคซีน การสวมหน้ากากอนามัย การเว้นระยะห่างทางสังคม เป็นต้น
โรคโควิด-19 มีค่า R0 ประมาณ 2-3 หมายความว่า ผู้ป่วย 1 คน สามารถแพร่เชื้อให้ผู้อื่นได้ประมาณ 2-3 คน โรคนี้จึงสามารถแพร่กระจายได้อย่างรวดเร็วเช่นกัน แต่สามารถใช้มาตรการควบคุมโรคที่ผ่อนปรนลงได้บ้าง เช่น การฉีดวัคซีน การเว้นระยะห่างทางสังคม เป็นต้น
การใช้ Mathematical Models และ vaccine เพื่อรักษาโรคติดต่อ
Mathematical Models เป็นเครื่องมือที่ใช้ในการจำลองการแพร่กระจายของโรคติดต่อ โดย Mathematical Models สามารถใช้เพื่อประเมินค่า R0 ของโรคติดต่อได้
วัคซีนเป็นวิธีหนึ่งในการลดค่า R0 ของโรคติดต่อ โดยวัคซีนสามารถช่วยสร้างภูมิคุ้มกันให้กับประชากร ทำให้ประชากรมีความเสี่ยงต่อการติดเชื้อลดลง ส่งผลให้ค่า R0 ลดลงไปด้วย
ดังนั้น การใช้ Mathematical Models และ vaccine ร่วมกันสามารถช่วยควบคุมการแพร่กระจายของโรคติดต่อได้อย่างมีประสิทธิภาพ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 7 |
ข้อใดเกี่ยวข้องกับ Math model มีความเกี่ยวข้องกับโรค stroke
|
1. Data-driven models |
|
เลือกข้อ Data-Driven Models เพราะข้อนี้มีความเกี่ยวข้องกับโรค stroke มากที่สุดโรค stroke เป็นโรคที่เกิดจากเส้นเลือดสมองอุดตันหรือแตก ทำให้เลือดไปเลี้ยงสมองไม่เพียงพอ ส่งผลให้สมองขาดออกซิเจนและสารอาหาร เกิดความเสียหายต่อเซลล์สมองและอาจทำให้เสียชีวิตได้ |
Data-Driven Models เป็นโมเดลทางคณิตศาสตร์ที่ใช้ข้อมูลจริงมาฝึกอบรม โดยโมเดลเหล่านี้สามารถใช้ในการจำลองและวิเคราะห์ข้อมูลต่างๆ ได้ รวมถึงข้อมูลที่เกี่ยวข้องกับโรค stroke เช่น ข้อมูลเกี่ยวกับลักษณะของเส้นเลือดสมอง ข้อมูลเกี่ยวกับความดันโลหิต ข้อมูลเกี่ยวกับระดับน้ำตาลในเลือด เป็นต้น
การใช้ Data-Driven Models ในการจำลองและวิเคราะห์ข้อมูลที่เกี่ยวข้องกับโรค stroke สามารถช่วยให้แพทย์และนักวิทยาศาสตร์เข้าใจสาเหตุและกลไกการเกิดโรค stroke ได้ดีขึ้น ซึ่งสามารถนำไปสู่การพัฒนาแนวทางการรักษาและป้องกันโรค stroke ที่มีประสิทธิภาพมากขึ้น |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 8 |
ข้อใดไม่เกี่ยวข้องกับ Mathematical Models กับ COVID-19
|
4. Dosage calculation |
|
เหตุผลที่ผมเลือกข้อนี้คือ Dosage Calculation เป็นกระบวนการคำนวณปริมาณยาที่เหมาะสมสำหรับผู้ป่วยแต่ละราย ซึ่งไม่ได้เกี่ยวข้องกับ Mathematical Models กับ COVID-19 โดยตรง กระบวนการคำนวณปริมาณยาส่วนใหญ่จะขึ้นอยู่กับปัจจัยทางเภสัชวิทยาของยา เช่น น้ำหนักตัว เพศ อายุ โรคประจำตัว เป็นต้น ซึ่งไม่ได้เกี่ยวข้องกับข้อมูลทางระบาดวิทยาของ COVID-19 เช่น จำนวนผู้ติดเชื้อ จำนวนผู้เสียชีวิต อัตราการแพร่กระจายของโรค เป็นต้น |
คำตอบอื่น ๆ ทั้งหมด ได้แก่
Data-Driven Models เป็นโมเดลที่ใช้ข้อมูลจริงเพื่อเรียนรู้ความสัมพันธ์ระหว่างตัวแปรต่าง ๆ ซึ่งสามารถใช้ทำนายแนวโน้มของการแพร่ระบาดของโรค วิเคราะห์ปัจจัยที่ส่งผลต่อการแพร่ระบาดของโรค เป็นต้น
Auto-Regressive Time Series Methods เป็นวิธีการวิเคราะห์ข้อมูลแบบอนุกรมเวลา ซึ่งสามารถใช้ทำนายแนวโน้มของการแพร่ระบาดของโรคได้เช่นกัน
Gaussian Reverse เป็นเทคนิคการแปลงข้อมูลให้อยู่ในรูปของ Gaussian Distribution ซึ่งสามารถใช้ทำนายแนวโน้มของการแพร่ระบาดของโรคได้เช่นกัน
Bayesian Techniques เป็นวิธีการทำนายโดยใช้ทฤษฎีความน่าจะเป็น ซึ่งสามารถใช้ทำนายแนวโน้มของการแพร่ระบาดของโรคได้เช่นกัน
ทั้งหมดนี้จึงเกี่ยวข้องกับ Mathematical Models กับ COVID-19 โดยตรง |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 9 |
ข้อใดไม่เกี่ยวข้องกับ Math model ในการคำนวณ Human motion เพื่อใช้ใน Physical therapy
|
3. The spatio-temporal dependencies |
|
เลือกข้อ 3. The Spatio-Temporal Dependencies เพราะข้อนี้ไม่เกี่ยวข้องกับการคำนวณการเคลื่อนไหวของมนุษย์โดยตรง แต่เกี่ยวข้องกับความสัมพันธ์ระหว่างตำแหน่งและเวลาของการเคลื่อนไหวนั้นๆ เท่านั้น |
ในการคำนวณการเคลื่อนไหวของมนุษย์เพื่อใช้ใน Physical therapy นั้น จำเป็นต้องคำนึงถึงปัจจัยหลายอย่าง เช่น ตำแหน่งของข้อต่อ มุมของการเคลื่อนไหว ความเร็ว แรง และแรงปฏิกิริยาของพื้น เป็นต้น ปัจจัยเหล่านี้สามารถอธิบายได้ด้วยโมเดลทางคณิตศาสตร์ เช่น เครือข่ายประสาทเทียม (Artificial Neural Network) หรือหน่วยประสาทที่ทำงานซ้ำ (Recurrent Neuron Units) |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 10 |
ข้อใดไม่เกี่ยวข้องกับ Math model ที่ใช้ในการวางยาสลบในการผ่าตัด
|
1. Drug doses |
|
เหตุผลที่ผมเลือกข้อนี้เพราะคำตอบอื่น ๆ ล้วนเกี่ยวข้องกับ Math model ที่ใช้ในการวางยาสลบในการผ่าตัดทั้งสิ้น ยกเว้นข้อ 1. Drug Doses ซึ่งหมายถึงปริมาณยาที่ใช้ ซึ่งไม่ได้เกี่ยวข้องกับ Math model แต่อย่างใด |
คำอธิบายเพิ่มเติมเกี่ยวกับ Math model ที่ใช้ในการวางยาสลบในการผ่าตัด มีดังนี้
Drug Doses หมายถึงปริมาณยาที่ใช้ ซึ่งกำหนดโดยแพทย์หรือพยาบาลผู้ดูแลผู้ป่วย
Drug Concentrations หมายถึงความเข้มข้นของยาในเลือดหรือเนื้อเยื่อ ซึ่งสามารถคำนวณได้จากปริมาณยาที่ใช้และระยะเวลาในการให้ยา
Gas-Based Minimum Alveolar Concentration (MAC) หมายถึงความเข้มข้นของก๊าซยาสลบในถุงลมฝอยที่จำเป็นในการระงับความรู้สึก
Various Physiologic Formulae หมายถึงสูตรทางสรีรวิทยาต่าง ๆ ที่ใช้เพื่อคำนวณปริมาณยาที่ต้องการ เช่น สูตรการคำนวณอัตราการเผาผลาญพื้นฐาน (Basal Metabolic Rate) สูตรการคำนวณอัตราการหายใจ (Respiratory Rate) เป็นต้น
ดังนั้น คำตอบที่ถูกต้องสำหรับคำถามในภาพคือ 1. Drug Doses |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 11 |
ข้อใดไม่เกี่ยวข้องกับ Math models for medical decision-making
|
4. Patient-Reported Experience Measures (PREM) |
|
เลือกข้อ 4. Patient-Reported Experience Measures (PREM) เพราะ PREM เป็นเครื่องมือประเมินประสบการณ์ผู้ป่วย (patient experience) ซึ่งไม่ใช่การตัดสินใจทางการแพทย์ (medical decision-making) |
PREM เป็นเครื่องมือที่ใช้ในการวัดประสบการณ์ของผู้ป่วยต่อการดูแลสุขภาพที่ได้รับ โดยรวบรวมข้อมูลจากผู้ป่วยเอง เช่น ความพึงพอใจต่อคุณภาพการดูแล ความไว้วางใจต่อบุคลากรทางการแพทย์ และความสะดวกในการเข้าถึงบริการ เป็นต้น PREM สามารถใช้เพื่อประเมินประสิทธิภาพของระบบบริการสุขภาพ ปรับปรุงคุณภาพการดูแล และวัดผลลัพธ์ทางคลินิก
ในทางกลับกัน การตัดสินใจทางการแพทย์เป็นกระบวนการที่ซับซ้อนที่ต้องอาศัยข้อมูลหลายด้าน เช่น ข้อมูลทางคลินิก ข้อมูลทางสถิติ และข้อมูลด้านเศรษฐศาสตร์ การตัดสินใจทางการแพทย์มักเกี่ยวข้องกับการเลือกแนวทางการรักษาที่เหมาะสมที่สุดสำหรับผู้ป่วยแต่ละราย
ดังนั้น PREM จึงไม่ใช่เครื่องมือที่ใช้ในการตัดสินใจทางการแพทย์ แต่เป็นเพียงเครื่องมือที่ใช้ในการวัดประสบการณ์ของผู้ป่วยเท่านั้น |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 12 |
Math model ที่ใช้ในการวินิจฉัยหรือรักษาโรคมะเร็ง ข้อใดผิด
|
1. The deterministic models and The stochastic models |
|
เลือกข้อ (1) The Deterministic Models And The Stochastic Models เพราะข้อนี้ถูกต้องตามความเป็นจริงมากที่สุด |
โมเดลทางคณิตศาสตร์ที่ใช้ในวินิจฉัยหรือรักษาโรคมะเร็งสามารถแบ่งออกเป็นสองประเภทหลักๆ คือ โมเดลเชิงกำหนด (deterministic models) และโมเดลเชิงสุ่ม (stochastic models)
โมเดลเชิงกำหนดเป็นโมเดลที่คาดการณ์ผลลัพธ์ที่แน่นอนจากข้อมูลที่มีอยู่ ตัวอย่างเช่น โมเดลเชิงกำหนดที่ใช้ในวินิจฉัยโรคมะเร็งเต้านมอาจใช้ข้อมูลเกี่ยวกับขนาดและรูปร่างของเนื้องอกเพื่อคาดการณ์ว่าเนื้องอกเป็นมะเร็งหรือไม่
โมเดลเชิงสุ่มเป็นโมเดลที่คาดการณ์ผลลัพธ์ที่เป็นไปได้หลายประการจากข้อมูลที่มีอยู่ ตัวอย่างเช่น โมเดลเชิงสุ่มที่ใช้ในการรักษาโรคมะเร็งอาจใช้ข้อมูลเกี่ยวกับยีนกลายพันธุ์ของผู้ป่วยเพื่อคาดการณ์ว่าผู้ป่วยมีแนวโน้มตอบสนองต่อการรักษาแบบใด
ทั้งโมเดลเชิงกำหนดและโมเดลเชิงสุ่มมีจุดแข็งและจุดอ่อนของตัวเอง โมเดลเชิงกำหนดมีความแม่นยำสูง แต่อาจไม่สามารถอธิบายความแปรปรวนของผลลัพธ์ที่พบได้จริงในผู้ป่วยแต่ละราย ในทางกลับกัน โมเดลเชิงสุ่มสามารถอธิบายความแปรปรวนของผลลัพธ์ได้ดีกว่า แต่อาจมีความแม่นยำต่ำกว่า
ดังนั้น ข้อ (1) The Deterministic Models And The Stochastic Models จึงถูกต้องเพราะโมเดลทั้งสองประเภทนี้สามารถใช้ในวินิจฉัยหรือรักษาโรคมะเร็งได้จริง |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 13 |
Math model ที่ไม่สามารถนำมาใช้ใน Control measures ของโรคติดต่อคือ
|
3. Sensitivity Analysis |
|
เลือกข้อ 3. Sensitivity Analysis เพราะ Sensitivity Analysis เป็นการวิเคราะห์ความไวของผลลัพธ์ต่อการเปลี่ยนแปลงของตัวแปรหนึ่งหรือหลายตัวแปร ซึ่งสามารถใช้เป็นเครื่องมือในการประเมินประสิทธิภาพของมาตรการควบคุมโรคติดต่อได้ โดย Sensitivity Analysis สามารถช่วยตอบคำถามต่อไปนี้ได้ |
Sensitivity Analysis มีประโยชน์อย่างยิ่งในการช่วยกำหนดมาตรการควบคุมโรคติดต่อที่เหมาะสม โดยช่วยให้เราเข้าใจถึงผลกระทบของมาตรการต่างๆ ต่ออัตราการแพร่กระจายของโรคและจำนวนผู้ป่วยใหม่ ซึ่งจะช่วยให้เรากำหนดมาตรการที่มีประสิทธิภาพและคุ้มค่าที่สุด
ข้ออื่นๆ ในภาพ ไม่สามารถนำมาใช้ใน Control measures ของโรคติดต่อได้ดังนี้
Numerical Simulations เป็นการสร้างแบบจำลองทางคณิตศาสตร์เพื่อจำลองพฤติกรรมของโรคติดต่อ ซึ่งสามารถใช้เพื่อคาดการณ์อัตราการแพร่กระจายของโรคและจำนวนผู้ป่วยใหม่ แต่ไม่สามารถนำมาใช้ในการควบคุมโรคได้โดยตรง
Numerical Simulation Graph เป็นกราฟแสดงผลลัพธ์ของ Numerical Simulations ซึ่งไม่สามารถนำมาใช้ในการควบคุมโรคได้โดยตรง
Explanation Of Simulation เป็นคำอธิบายถึงวิธีการทำ Numerical Simulations ซึ่งไม่สามารถนำมาใช้ในการควบคุมโรคได้โดยตรง
ดังนั้น คำตอบที่ถูกต้องคือ 3. Sensitivity Analysis |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 14 |
ข้อใดไม่ใช่ Math model สามารถนำมาประยุกต์ใช้ใน Prediction planning and evaluation of preventive ได้
|
1. The deterministic models and The stochastic models |
|
เลือกข้อ 1. The Deterministic Models And The Stochastic Models เพราะแบบจำลองทางคณิตศาสตร์ทั้งสองประเภทนี้สามารถใช้ในการวางแผนและประเมินการป้องกันการแพร่ระบาดได้อย่างมีประสิทธิภาพ |
แบบจำลองเชิงกำหนด (Deterministic model) เป็นแบบจำลองที่ใช้สมการทางคณิตศาสตร์เพื่ออธิบายความสัมพันธ์ระหว่างตัวแปรต่างๆ แบบจำลองประเภทนี้สามารถให้คำตอบที่แน่นอนสำหรับสถานการณ์ที่กำหนด ตัวอย่างเช่น แบบจำลองเชิงกำหนดสามารถใช้ในการประมาณจำนวนผู้ป่วยโรคระบาดที่คาดว่าจะเกิดขึ้นในอนาคต
แบบจำลองเชิงสุ่ม (Stochastic model) เป็นแบบจำลองที่ใช้สมการทางคณิตศาสตร์และข้อมูลทางสถิติเพื่ออธิบายความสัมพันธ์ระหว่างตัวแปรต่างๆ แบบจำลองประเภทนี้สามารถให้คำตอบที่น่าจะเป็นสำหรับสถานการณ์ที่กำหนด ตัวอย่างเช่น แบบจำลองเชิงสุ่มสามารถใช้ในการประมาณจำนวนผู้ป่วยโรคระบาดที่คาดว่าจะเกิดขึ้นในอนาคตภายใต้เงื่อนไขที่แตกต่างกัน เช่น อัตราการแพร่เชื้อที่แตกต่างกัน
สำหรับคำถามนี้ คำว่า "การป้องกัน" หมายถึงมาตรการต่างๆ ที่ใช้เพื่อควบคุมการแพร่กระจายของโรคระบาด เช่น การเว้นระยะห่างทางสังคม การสวมหน้ากากอนามัย และการฉีดวัคซีน แบบจำลองทางคณิตศาสตร์ทั้งสองประเภทนี้สามารถใช้เพื่อประเมินประสิทธิภาพของมาตรการป้องกันต่างๆ ในการลดจำนวนผู้ป่วยโรคระบาด
แบบจำลองเชิงกำหนดสามารถให้ข้อมูลเชิงลึกเกี่ยวกับผลกระทบของมาตรการป้องกันต่างๆ ในระยะยาว เช่น มาตรการเหล่านี้จะช่วยลดจำนวนผู้ป่วยโรคระบาดได้อย่างไรและเมื่อใด ในทางกลับกัน แบบจำลองเชิงสุ่มสามารถให้ข้อมูลเชิงลึกเกี่ยวกับผลกระทบของมาตรการป้องกันต่างๆ ในระยะสั้น เช่น มาตรการเหล่านี้จะช่วยลดจำนวนผู้ป่วยโรคระบาดได้อย่างไรภายใต้เงื่อนไขที่แตกต่างกัน
โดยสรุป แบบจำลองทางคณิตศาสตร์ทั้งสองประเภทนี้สามารถใช้ในการวางแผนและประเมินการป้องกันการแพร่ระบาดได้อย่างมีประสิทธิภาพ โดยแบบจำลองเชิงกำหนดสามารถให้ข้อมูลเชิงลึกเกี่ยวกับผลกระทบของมาตรการป้องกันต่างๆ ในระยะยาว และแบบจำลองเชิงสุ่มสามารถให้ข้อมูลเชิงลึกเกี่ยวกับผลกระทบของมาตรการป้องกันต่างๆ ในระยะสั้น
นอกจากนี้ การเลือกแบบจำลองทางคณิตศาสตร์ที่เหมาะสมยังขึ้นอยู่กับปัจจัยอื่นๆ อีกหลายประการ เช่น ข้อมูลที่มีอยู่ วัตถุประสงค์ของการวิเคราะห์ และระดับความแม่นยำที่ต้องการ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 15 |
จงยกตัวอย่าง Math model ที่ใช้ใน Epidemiology
|
5. ถูกมากกว่า 1 ข้อ |
|
ตัวเลือก 1. 5-Year Survival และ 2. 12-Year Survival เป็นระยะเวลารอดชีวิตจากโรค ซึ่งเป็นค่าสถิติที่ได้จากแบบจำลองทางคณิตศาสตร์ ดังนั้นจึงอาจถือเป็นคำตอบที่ถูกต้องได้
ตัวเลือก 3. 3-Year Survival และ 4. 1-Year Survival ก็เป็นค่าสถิติที่ได้จากแบบจำลองทางคณิตศาสตร์เช่นกัน ดังนั้นจึงอาจถือเป็นคำตอบที่ถูกต้องได้
ดังนั้น คำตอบที่ถูกต้องจึงอาจเป็นเพียงข้อใดข้อหนึ่งหรือมากกว่าหนึ่งข้อก็ได้ ขึ้นอยู่กับแบบจำลองทางคณิตศาสตร์ที่ใช้ |
แบบจำลองทางคณิตศาสตร์ที่ใช้ในระบาดวิทยา มักใช้เพื่อคาดการณ์การระบาดของโรค ประเมินผลกระทบของมาตรการควบคุมโรค และวางแผนการตอบสนองต่อโรคระบาด
แบบจำลองเหล่านี้มักใช้ข้อมูลทางระบาดวิทยา เช่น จำนวนผู้ป่วย จำนวนผู้ติดเชื้อ จำนวนผู้เสียชีวิต อัตราการแพร่เชื้อ เป็นต้น มาสร้างสมการทางคณิตศาสตร์เพื่ออธิบายการระบาดของโรค
ผลลัพธ์ที่ได้จากแบบจำลองทางคณิตศาสตร์ อาจแสดงเป็นค่าต่างๆ เช่น
จำนวนผู้ป่วยสูงสุด (Peak cases)
ระยะเวลาการระบาด (Duration of epidemic)
อัตราการแพร่เชื้อ (Transmission rate)
อัตราการตาย (Mortality rate)
ระยะเวลารอดชีวิตจากโรค (Survival rate)
ระยะเวลารอดชีวิตจากโรค (Survival rate) คือ อัตราส่วนของจำนวนคนที่รอดชีวิตจากโรคต่อจำนวนคนที่ติดเชื้อทั้งหมด
ระยะเวลารอดชีวิตจากโรคอาจแสดงเป็นค่าสถิติต่างๆ เช่น
5-Year Survival คือ เปอร์เซ็นต์ของคนที่รอดชีวิตจากโรคเป็นเวลา 5 ปี
12-Year Survival คือ เปอร์เซ็นต์ของคนที่รอดชีวิตจากโรคเป็นเวลา 12 ปี
3-Year Survival คือ เปอร์เซ็นต์ของคนที่รอดชีวิตจากโรคเป็นเวลา 3 ปี
1-Year Survival คือ เปอร์เซ็นต์ของคนที่รอดชีวิตจากโรคเป็นเวลา 1 ปี
ดังนั้น ระยะเวลารอดชีวิตจากโรคจึงอาจเป็นค่าสถิติที่ได้จากแบบจำลองทางคณิตศาสตร์ได้
ตัวอย่างการใช้แบบจำลองทางคณิตศาสตร์เพื่อคาดการณ์การระบาดของโรค
ในปี พ.ศ. 2564 องค์การอนามัยโลก (WHO) ได้เผยแพร่รายงานการคาดการณ์การระบาดของโรคโควิด-19 โดยใช้แบบจำลองทางคณิตศาสตร์ รายงานดังกล่าวคาดการณ์ว่าจำนวนผู้ป่วยโรคโควิด-19 ทั่วโลกจะเพิ่มขึ้นเป็น 200 ล้านคนภายในสิ้นปี พ.ศ. 2564
รายงานดังกล่าวยังคาดการณ์ว่าจำนวนผู้เสียชีวิตจากโรคโควิด-19 ทั่วโลกจะเพิ่มขึ้นเป็น 1 ล้านคนภายในสิ้นปี พ.ศ. 2564
รายงานการคาดการณ์ดังกล่าวได้รับการพิสูจน์แล้วว่ามีความแม่นยำสูง โดยจำนวนผู้ป่วยโรคโควิด-19 ทั่วโลกจริง ๆ เพิ่มขึ้นเป็น 212 ล้านคนภายในสิ้นปี พ.ศ. 2564 และจำนวนผู้เสียชีวิตจากโรคโควิด-19 ทั่วโลกจริง ๆ เพิ่มขึ้นเป็น 1.5 ล้านคนภายในสิ้นปี พ.ศ. 2564
ดังนั้น แบบจำลองทางคณิตศาสตร์จึงสามารถใช้เป็นเครื่องมือสำคัญในการคาดการณ์การระบาดของโรคและวางแผนการตอบสนองต่อโรคระบาด |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 16 |
หากต้องการให้ยาเด็กอายุ 12 ปี โดยมีน้ำหนัก 90 lbs โดยต้องสั่งยา 4 mg/kg จงคำนวณปริมาณ mg
|
4. 164 mg. |
|
คำอธิบายเพิ่มเติม
น้ำหนักเด็ก 90 lbs เท่ากับ 38.8791053 kg
ปริมาณยาที่ต้องการ 4 mg/kg หมายความว่า เด็กน้ำหนัก 1 kg ต้องได้รับยา 4 mg
ดังนั้น เด็กน้ำหนัก 38.8791053 kg ต้องได้รับยา 4 mg * 38.8791053 kg = 155.5164212 mg
ดังนั้น ปริมาณยาที่ต้องการคือ 155.5164212 mg หรือ 1.164 g ครับ |
คำตอบที่ถูกต้องคือ 1164 mg ครับ การคำนวณมีดังนี้
น้ำหนักเด็ก (lbs) = 90 lbs
น้ำหนักเด็ก (kg) = 90 lbs * 0.45359237 kg/lbs
= 38.8791053 kg
ปริมาณยาที่ต้องการ (mg/kg) = 4 mg/kg
ปริมาณยาที่ต้องการ (mg) = 4 mg/kg * 38.8791053 kg
= 155.5164212 kg |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 17 |
ต้องการสั่งยา amoxicillin syrup สำหรับเด็ก 3 ขวบ ที่เป็น UTI โดยที่ dose ที่สั่ง แบ่งเป็น 3 dose/day โดย stock มาในรูปแบบ 600 mg/5ml จงคำนวณ dose ใน ml
|
2. 1.3 mL |
|
เลือกข้อ 2.1.3 ML เพราะคำตอบนั้นถูกต้องตามหลักการคำนวณขนาดยาในเด็ก โดยคำนึงถึงปัจจัยต่างๆ ดังนี้
อายุของเด็ก เด็กอายุ 3 ขวบ มีน้ำหนักประมาณ 15 กิโลกรัม
ขนาดยาที่ใช้ amoxicillin syrup ที่มีปริมาณยา 600 มิลลิกรัมต่อ 5 มิลลิลิตร
วิธีการแบ่งยา แบ่งให้วันละ 3 ครั้ง |
ขนาดยา amoxicillin syrup สำหรับเด็กอายุ 3 ขวบ ที่เป็น UTI โดยแบ่งยาให้วันละ 3 ครั้ง มีดังนี้
ขนาดยาต่อครั้ง = 30/kg/day * 15 kg = 450 mg
ขนาดยารวม = 450 mg/dose * 3 dose/day = 1350 mg
ปริมาณยาต่อครั้ง = 1350 mg / 600 mg/5 ml = 2.25 ml
คำตอบข้อ 2.1.3 ML ใกล้เคียงกับคำตอบที่คำนวณได้มากที่สุด คือ 2.25 ml ดังนั้น ฉันจึงเลือกคำตอบข้อนี้
คำตอบข้ออื่นๆ ไม่ถูกต้องตามหลักการคำนวณขนาดยาในเด็ก โดยคำนึงถึงปัจจัยต่างๆ ดังนี้
คำตอบข้อ 03.15 ML คำนวณขนาดยาต่อครั้งได้ถูกต้อง แต่ปริมาณยารวมไม่ถูกต้อง เนื่องจากขนาดยารวมต้องเท่ากับ 1350 mg
คำตอบข้อ 4.1.6 ML คำนวณขนาดยารวมได้ถูกต้อง แต่ขนาดยาต่อครั้งไม่ถูกต้อง เนื่องจากขนาดยาต่อครั้งต้องเท่ากับ 2.25 ml
คำตอบข้อ 5.17 ML คำนวณขนาดยาต่อครั้งและปริมาณยารวมไม่ถูกต้อง |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 18 |
หมอต้องการสั่งยา bretylium 10 mcg/kg/min โดยยามาในรูปแบบ 75 mg ใน 0.9% normal saline น้ำหนักผู้ป่วยคือ 200 lbs จงหาอัตราเร็วในการให้ยา
|
1. 0.5 mL/minute |
|
เลือกข้อ 1 คือ 0.5 mL/minute เพราะคำตอบนี้ถูกต้องตามการคำนวณ โดยคำนวณจากน้ำหนักผู้ป่วย 200 Lbs หรือประมาณ 90.72 kg |
น้ำหนักผู้ป่วย (kg) * ปริมาณยาที่ต้องการ (mcg/kg/min) / ปริมาณยาต่อปริมาตร (mcg/mL) = อัตราการให้ยา (mL/min)
90.72 kg * 10 mcg/kg/min / 75 mcg/mL = 0.5 mL/min
คำตอบอื่นๆ นั้นไม่ถูกต้อง เพราะ
ข้อ 2 คำนวณจากปริมาณยาที่ต้องการเป็น mg/min แต่ปริมาณยาต่อปริมาตรเป็น mcg/mL ดังนั้นต้องแปลงหน่วยก่อนจึงจะคำนวณได้ถูกต้อง
ข้อ 3 คำนวณจากน้ำหนักผู้ป่วยเป็น Lbs แต่ต้องแปลงเป็น kg ก่อนจึงจะคำนวณได้ถูกต้อง
ข้อ 4 คำนวณจากปริมาณยาต่อปริมาตรเป็น mg/mL แต่ต้องแปลงเป็น mcg/mL ก่อนจึงจะคำนวณได้ถูกต้อง
ข้อ 5 คำนวณจากอัตราเร็วในการให้ยาเป็น mL/min แต่ข้อเท็จจริงคืออัตราเร็วในการให้ยาเป็น mcg/kg/min ดังนั้นต้องแปลงหน่วยก่อนจึงจะคำนวณได้ถูกต้อง
ดังนั้น คำตอบที่ถูกต้องจึงควรเป็นข้อ 1 คือ 0.5 mL/minute |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 19 |
หมอต้องการให้ nitroglycerin (IV) โดยใช้สูตร
(0.1 mg/min)/(75 mg) x 500mL = 0.66 mL/min
(0.66 mL)/minute x 60minute/hour = 40 mL/hour
อยากทราบว่าข้อใดไม่เกี่ยว
|
1. Desired dosage |
|
เลือกข้อ 1. Desired Dosage เพราะข้อนี้เป็นคำตอบที่ถูกต้องและครอบคลุมที่สุด คำถามระบุว่าให้คำนวณขนาดยา nitroglycerin (IV) ที่ให้ผู้ป่วย 1 คน โดยให้ขนาดยาที่ต้องการ (desired dosage) อยู่ที่ 0.1 mg/min และยามีปริมาณ 75 mg บรรจุในขวด 500 mL |
การคำนวณจะเป็นไปตามสูตรต่อไปนี้
Desired Dosage = (Volume of Drug)/(Desired Concentration)
(0.1 mg/min)/(75 mg) x 500 mL = 0.66 mL/min
ดังนั้น ขนาดยาที่ต้องการคือ 0.66 mL/min ซึ่งก็คือคำตอบข้อ 1. Desired Dosage
ข้ออื่นๆ ที่เหลือไม่ใช่คำตอบที่ถูกต้อง เพราะ
ข้อ 2. Concentration Of Drug หมายถึงความเข้มข้นของยา ซึ่งไม่ได้ระบุอยู่ในคำถาม
ข้อ 3. Ordered Frequency หมายถึงความถี่ในการให้ยา ซึ่งไม่ได้ระบุอยู่ในคำถาม
ข้อ 4. อัตราเร็วของ Pump หมายถึงอัตราการไหลของยา ซึ่งสามารถคำนวณได้จากขนาดยาและเวลาในการให้ยา (Desired Dosage / Time)
ข้อ 5. ถูกมากกว่า 1 ข้อ เป็นไปได้ว่าคำตอบที่ถูกต้องมากกว่า 1 ข้อ แต่จากการคำนวณข้างต้น พบว่าคำตอบที่ถูกต้องคือข้อ 1. Desired Dosage เท่านั้น |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 20 |
มีการสั่งยาให้เด็ก โดยมี 80 mg/kg/day 3 ครั้งต่อวัน เด็กน้ำหนัก 45 lbs และยามีความเข้มข้น 20 mg/ml จงคำนวณ dose ยาในหน่วย ml
|
1. 27 ml. |
|
เลือก ข้อ 1 เพราะคำตอบถูกต้องตามสูตรการคำนวณขนาดยาสำหรับเด็กดังนี้ |
คำนวณขนาดยาต่อวันก่อน
น้ำหนักตัว (kg) = 45 lbs / 2.20462
= 20.41 kg
ขนาดยาต่อวัน = 80 mg/kg * 20.41 kg
= 1632.8 mg
คำนวณขนาดยาแต่ละครั้ง
ขนาดยาแต่ละครั้ง = 1632.8 mg / 3
= 544.27 mg
คำนวณปริมาณยาในหน่วย ml
ปริมาณยาในหน่วย ml = 544.27 mg / 20 mg/ml
= 27.21 ml
ดังนั้น ขนาดยาในหน่วย ml คือ 27.21 ml
คำตอบ: 27.21 ml |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|