| 1 |
ข้อใดคือ Math model ใน RETURN TO ISSUEPREVARTICLENEXT
|
5. ถูกมากกว่า 1 ข้อ |
|
มีมากกว่าหนึ่งคำตอบที่ถูกต้อง ทั้งทฤษฎีการแพร่กระจายบนพื้นฐานของสมการโนเยส-วิทนีย์และสมการสมดุลของประชากรเป็นแบบจำลองทางคณิตศาสตร์ที่ใช้ในบริบทที่แตกต่างกันในสาขาคณิตศาสตร์ |
ทฤษฎีการแพร่กระจายบนพื้นฐานของสมการโนเยส-วิทนีย์และสมการสมดุลของประชากรเป็นแบบจำลองทางคณิตศาสตร์ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 2 |
ข้อใดไม่ใช่คือ limitation ของ Math model
|
1. represent real-world systems in terms of mathematical relationships |
|
แบบจำลองทางคณิตศาสตร์อาจทำให้ระบบในโลกแห่งความเป็นจริงที่ซับซ้อนซับซ้อนเกินไป นำไปสู่การคาดคะเนหรือผลลัพธ์ที่ไม่ถูกต้อง |
ข้อจำกัดของแบบจำลองทางคณิตศาสตร์ที่ไม่อยู่ในรายการคือตัวเลือกที่ 1: เป็นตัวแทนของระบบโลกแห่งความเป็นจริงในแง่ของความสัมพันธ์ทางคณิตศาสตร์ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 3 |
จงอธิบายเกี่ยวกับ risk estimator
|
5. ถูกมากกว่า 1 ข้อ |
|
Based on your inputs, here are some risk estimators related to air pollution and mortality:
1. Health Impact Assessment of Air Pollution: This risk estimator assesses the potential health impacts of air pollution on a population. It considers various factors such as exposure levels, population vulnerability, and specific health outcomes to estimate the potential risks associated with air pollution. Jao ka.
2. Air Pollution: This risk estimator focuses on quantifying the health risks associated with air pollution exposure. It considers the concentration of pollutants in the air, exposure duration, and individual susceptibility to estimate the potential health impacts, including respiratory and cardiovascular diseases, among others. Jao ka.
3. Global Exposure Mortality Model: This risk estimator aims to estimate the mortality rate associated with exposure to air pollution on a global scale. It considers data from different regions, pollution levels, and population characteristics to provide an estimate of the number of deaths caused by air pollution worldwide. Jao ka.
4. Mortality Model: This risk estimator specifically focuses on estimating mortality rates associated with various factors, including air pollution. It takes into account the exposure levels, demographic data, and health outcomes to estimate the risk of mortality in a particular population or region. Jao ka.
Please note that these risk estimators are based on scientific research and data available up to November 11, 202 |
Based on your inputs, here are some risk estimators related to air pollution and mortality: |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 4 |
ข้อใดไม่เกี่ยวข้องกับ math model ที่ใช้ใน reconstruction of cardiac tissue
|
4. sq cells activities |
|
เชื่อกันว่ากิจกรรมกริดเซลล์ในสมองมีบทบาทในการนำทางและการทำแผนที่เชิงพื้นที่ เซลล์กริดคือเซลล์ประสาทที่ส่งสัญญาณในรูปแบบซ้ำ ๆ เหมือนกริดเมื่อสัตว์เคลื่อนที่ผ่านอวกาศ กิจกรรมนี้ช่วยให้สมองสร้างแผนที่ทางจิตของสภาพแวดล้อมและช่วยในการนำทางที่แม่นยำ แม้ว่าเหตุผลที่แท้จริงสำหรับกิจกรรมกริดเซลล์ยังอยู่ระหว่างการศึกษา แต่ก็ถือว่ามีความสำคัญสำหรับงานต่างๆ เช่น การรวมเส้นทาง หน่วยความจำเชิงพื้นที่ และการวางแนว |
เชื่อกันว่ากิจกรรมกริดเซลล์ในสมองมีบทบาทในการนำทางและการทำแผนที่เชิงพื้นที่ เซลล์กริดคือเซลล์ประสาทที่ส่งสัญญาณในรูปแบบซ้ำ ๆ เหมือนกริดเมื่อสัตว์เคลื่อนที่ผ่านอวกาศ กิจกรรมนี้ช่วยให้สมองสร้างแผนที่ทางจิตของสภาพแวดล้อมและช่วยในการนำทางที่แม่นยำ แม้ว่าเหตุผลที่แท้จริงสำหรับกิจกรรมกริดเซลล์ยังอยู่ระหว่างการศึกษา แต่ก็ถือว่ามีความสำคัญสำหรับงานต่างๆ เช่น การรวมเส้นทาง หน่วยความจำเชิงพื้นที่ และการวางแนว |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 5 |
จากบทความ (ศึกษาได้จากตามขอบเขตรายวิชา)
ข้อใดเกี่ยวข้องกับการใช้ Noyers whiter equation ในบทความนี้
|
2. A diffusion model |
|
ข้อที่เกี่ยวข้องกับการใช้ Noyers-Whitney equation ในบทความนี้คือ 2. A Diffusion Model ซึ่งนำเสนอถึงโมเดลที่ใช้หลักการการ Diffusion และ Noyes-Whitney equation ในบทความนี้เพื่อศึกษากระบวนการการละลาย (Dissolution Kinetics) และความแตกต่างของความเข้มข้น (Concentration Gradient) ของสารละลายในแบบทางคณิตศาสตร์. |
ข้อที่เกี่ยวข้องกับการใช้ Noyers-Whitney equation ในบทความนี้คือ 2. A Diffusion Model ซึ่งนำเสนอถึงโมเดลที่ใช้หลักการการ Diffusion และ Noyes-Whitney equation ในบทความนี้เพื่อศึกษากระบวนการการละลาย (Dissolution Kinetics) และความแตกต่างของความเข้มข้น (Concentration Gradient) ของสารละลายในแบบทางคณิตศาสตร์. |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 6 |
ข้อใดเกี่ยวข้องกับ Mathematical Models และ vaccine เพื่อรักษาโรคติดต่อ
|
5. ถูกมากกว่า 1 ข้อ |
|
คำตอบที่ถูกต้องเกี่ยวกับแบบจำลองทางคณิตศาสตร์และวัคซีนในการรักษาโรคติดเชื้อคือ:
1. จำนวนการสืบพันธุ์พื้นฐาน
2. จำนวนการสืบพันธุ์ที่มีประสิทธิผล
ปัจจัยทั้งสองนี้มักใช้ในแบบจำลองทางคณิตศาสตร์เพื่อศึกษาการแพร่กระจายและการควบคุมโรคติดเชื้อ จำนวนการสืบพันธุ์ขั้นพื้นฐาน (R0) หมายถึงจำนวนการติดเชื้อใหม่โดยเฉลี่ยที่เกิดจากผู้ติดเชื้อรายเดียวในประชากรที่อ่อนแอโดยสิ้นเชิง จำนวนการเจริญพันธุ์ที่มีประสิทธิผล (Rt) คำนึงถึงผลกระทบของมาตรการต่างๆ เช่น วัคซีน และแสดงถึงจำนวนการติดเชื้อใหม่โดยเฉลี่ยที่เกิดจากผู้ติดเชื้อ ณ เวลาใดเวลาหนึ่ง
ดังนั้น คำตอบที่ถูกต้องคือตัวเลือก 5 . มีคำตอบถูกมากกว่า 1 ข้อ |
คำตอบที่ถูกต้องเกี่ยวกับแบบจำลองทางคณิตศาสตร์และวัคซีนรักษาโรคติดเชื้อคือตัวเลขการเจริญพันธุ์ขั้นพื้นฐาน เป็นแนวคิดพื้นฐานในระบาดวิทยาและแสดงถึงจำนวนเฉลี่ยของการติดเชื้อทุติยภูมิที่เกิดจากผู้ติดเชื้อรายเดียวในประชากรที่อ่อนแอ มีบทบาทสำคัญในการทำความเข้าใจการแพร่กระจายและการควบคุมโรคติดเชื้อ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 7 |
ข้อใดเกี่ยวข้องกับ Math model มีความเกี่ยวข้องกับโรค stroke
|
5. ถูกมากกว่า 1 ข้อ |
|
ข้อที่เกี่ยวข้องกับ Math model และมีความเกี่ยวข้องกับโรค stroke คือ 5. ถูกมากกว่า 1 ข้อ โดยทั้ง 2 ข้อที่กล่าวถึงนำเสนอเกี่ยวกับ Math model ที่มีการวิเคราะห์และสร้างโมเดลเพื่อทำความเข้าใจกระบวนการโรค stroke ได้แก่:
The Sub-Models Of Tissue Reactions (โมเดลย่อยของปฏิกิริยาของเนื้อเยื่อ): ทำนายปฏิกิริยาทางชีวเคมีและเนื้อเยื่อที่มีผลต่อโรค stroke โดยใช้ Math model.
Oedema Development (การพัฒนาอีดีมา): ในบางกรณี, โรค stroke อาจทำให้เกิดอีดีมาในส่วนของเนื้อเยื่อที่ถูกทำลาย และ Math model สามารถใช้ทำนายและวิเคราะห์การพัฒนาอีดีมานี้ได้.
ดังนั้น, 5. ถูกมากกว่า 1 ข้อ. |
ข้อที่เกี่ยวข้องกับ Math model และมีความเกี่ยวข้องกับโรค stroke คือ 5. ถูกมากกว่า 1 ข้อ โดยทั้ง 2 ข้อที่กล่าวถึงนำเสนอเกี่ยวกับ Math model ที่มีการวิเคราะห์และสร้างโมเดลเพื่อทำความเข้าใจกระบวนการโรค stroke ได้แก่:
The Sub-Models Of Tissue Reactions (โมเดลย่อยของปฏิกิริยาของเนื้อเยื่อ): ทำนายปฏิกิริยาทางชีวเคมีและเนื้อเยื่อที่มีผลต่อโรค stroke โดยใช้ Math model.
Oedema Development (การพัฒนาอีดีมา): ในบางกรณี, โรค stroke อาจทำให้เกิดอีดีมาในส่วนของเนื้อเยื่อที่ถูกทำลาย และ Math model สามารถใช้ทำนายและวิเคราะห์การพัฒนาอีดีมานี้ได้.
ดังนั้น, 5. ถูกมากกว่า 1 ข้อ. |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 8 |
ข้อใดไม่เกี่ยวข้องกับ Mathematical Models กับ COVID-19
|
4. Dosage calculation |
|
ข้อที่ไม่เกี่ยวข้องกับ Mathematical Models กับ COVID-19 คือ 4. Dosage Calculation เนื่องจาก Dosage Calculation เป็นกระบวนการที่เกี่ยวข้องกับการคำนวณปริมาณยาที่ต้องให้แก่ผู้ป่วย ซึ่งไม่เป็นส่วนหนึ่งของ Mathematical Models ที่ใช้ในการวิเคราะห์และทำนายแบบจำลองทางคณิตศาสตร์เกี่ยวกับการระบาดของ COVID-19.
ทั้ง 1. Data-Driven Models, 2. Auto-Regressive Time Series Methods, 3. Gaussian Reverse, และ 5. Bayesian Techniques เป็นเครื่องมือทางคณิตศาสตร์ที่ใช้ในการวิเคราะห์และทำนายแนวโน้มของการระบาดของ COVID-19 โดยใช้ข้อมูลที่มีอยู่. |
ข้อที่ไม่เกี่ยวข้องกับ Mathematical Models กับ COVID-19 คือ 4. Dosage Calculation เนื่องจาก Dosage Calculation เป็นกระบวนการที่เกี่ยวข้องกับการคำนวณปริมาณยาที่ต้องให้แก่ผู้ป่วย ซึ่งไม่เป็นส่วนหนึ่งของ Mathematical Models ที่ใช้ในการวิเคราะห์และทำนายแบบจำลองทางคณิตศาสตร์เกี่ยวกับการระบาดของ COVID-19.
ทั้ง 1. Data-Driven Models, 2. Auto-Regressive Time Series Methods, 3. Gaussian Reverse, และ 5. Bayesian Techniques เป็นเครื่องมือทางคณิตศาสตร์ที่ใช้ในการวิเคราะห์และทำนายแนวโน้มของการระบาดของ COVID-19 โดยใช้ข้อมูลที่มีอยู่. |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 9 |
ข้อใดไม่เกี่ยวข้องกับ Math model ในการคำนวณ Human motion เพื่อใช้ใน Physical therapy
|
4. Gaussian reverse |
|
เคลื่อนไหวของมนุษย์เพื่อใช้ในการกายภาพบำบัด มีแบบจำลองทางคณิตศาสตร์หลายแบบที่สามารถนำมาใช้ได้ โมเดลดังกล่าวสามแบบได้แก่:
1. โครงข่ายประสาทเทียม (ANN): ANN เป็นแบบจำลองการคำนวณที่ได้รับแรงบันดาลใจจากโครงสร้างและการทำงานของสมองมนุษย์ ประกอบด้วยโหนดหรือเซลล์ประสาทที่เชื่อมต่อถึงกันซึ่งจัดเป็นชั้น ๆ สามารถฝึก ANN ให้จดจำรูปแบบและคาดการณ์ตามข้อมูลอินพุต ทำให้มีประโยชน์ในการวิเคราะห์และทำนายการเคลื่อนไหวของมนุษย์ เจ้าค่ะ.
2. เลเยอร์ของหน่วยนิวรอนที่เกิดซ้ำ: โครงข่ายประสาทที่เกิดซ้ำ (RNN) เป็น ANN ประเภทหนึ่งที่มีการเชื่อมต่อแบบป้อนกลับ ทำให้ข้อมูลไหลเป็นวงได้ ทำให้เหมาะสำหรับการสร้างแบบจำลองลำดับและการพึ่งพาชั่วคราว ซึ่งจำเป็นในการทำความเข้าใจการเคลื่อนไหวของมนุษย์ ด้วยการใช้เลเยอร์ของหน่วยเซลล์ประสาทที่เกิดซ้ำ RNN สามารถบันทึกไดนามิกชั่วคราวและการพึ่งพาในข้อมูลการเคลื่อนไหวของมนุษย์ ทำให้สามารถคาดการณ์และวิเคราะห์ได้แม่นยำยิ่งขึ้น เจ้าค่ะ.
3. การพึ่งพาเชิงพื้นที่-ชั่วขณะ: การเคลื่อนไหวของมนุษย์เกี่ยวข้องกับทั้งแง่มุมเชิงพื้นที่และเชิงเวลา ซึ่งหมายความว่าตำแหน่งและการวางแนวของส่วนต่างๆ ของร่างกายเปลี่ยนแปลงไปตามกาลเวลา การสร้างแบบจำลองการพึ่งพาเชิงพื้นที่และชั่วคราวในการเคลื่อนไหวของมนุษย์เป็นสิ่งสำคัญสำหรับการนำเสนอและวิเคราะห์รูปแบบการเคลื่อนไหวได้อย่างแม่นยำ ซึ่งสามารถทำได้โดยใช้เทคนิคต่างๆ เช่น การใช้ระบบจับการเคลื่อนไหวเพื่อติดตามตำแหน่งของเครื่องหมายร่างกายเมื่อเวลาผ่านไป หรือใช้แบบจำลองทางคณิตศาสตร์ที่รวมข้อมูลทั้งเชิงพื้นที่และเชิงเวลา เมื่อพิจารณาถึงการพึ่งพาเชิงพื้นที่และชั่วคราว นักกายภาพบำบัดจะได้รับข้อมูลเชิงลึกเกี่ยวกับการเคลื่อนไหวของมนุษย์ และออกแบบโปรแกรมการบำบัดที่มีประสิทธิภาพมากขึ้น |
เคลื่อนไหวของมนุษย์เพื่อใช้ในการกายภาพบำบัด มีแบบจำลองทางคณิตศาสตร์หลายแบบที่สามารถนำมาใช้ได้ โมเดลดังกล่าวสามแบบได้แก่:
1. โครงข่ายประสาทเทียม (ANN): ANN เป็นแบบจำลองการคำนวณที่ได้รับแรงบันดาลใจจากโครงสร้างและการทำงานของสมองมนุษย์ ประกอบด้วยโหนดหรือเซลล์ประสาทที่เชื่อมต่อถึงกันซึ่งจัดเป็นชั้น ๆ สามารถฝึก ANN ให้จดจำรูปแบบและคาดการณ์ตามข้อมูลอินพุต ทำให้มีประโยชน์ในการวิเคราะห์และทำนายการเคลื่อนไหวของมนุษย์ เจ้าค่ะ.
2. เลเยอร์ของหน่วยนิวรอนที่เกิดซ้ำ: โครงข่ายประสาทที่เกิดซ้ำ (RNN) เป็น ANN ประเภทหนึ่งที่มีการเชื่อมต่อแบบป้อนกลับ ทำให้ข้อมูลไหลเป็นวงได้ ทำให้เหมาะสำหรับการสร้างแบบจำลองลำดับและการพึ่งพาชั่วคราว ซึ่งจำเป็นในการทำความเข้าใจการเคลื่อนไหวของมนุษย์ ด้วยการใช้เลเยอร์ของหน่วยเซลล์ประสาทที่เกิดซ้ำ RNN สามารถบันทึกไดนามิกชั่วคราวและการพึ่งพาในข้อมูลการเคลื่อนไหวของมนุษย์ ทำให้สามารถคาดการณ์และวิเคราะห์ได้แม่นยำยิ่งขึ้น เจ้าค่ะ.
3. การพึ่งพาเชิงพื้นที่-ชั่วขณะ: การเคลื่อนไหวของมนุษย์เกี่ยวข้องกับทั้งแง่มุมเชิงพื้นที่และเชิงเวลา ซึ่งหมายความว่าตำแหน่งและการวางแนวของส่วนต่างๆ ของร่างกายเปลี่ยนแปลงไปตามกาลเวลา การสร้างแบบจำลองการพึ่งพาเชิงพื้นที่และชั่วคราวในการเคลื่อนไหวของมนุษย์เป็นสิ่งสำคัญสำหรับการนำเสนอและวิเคราะห์รูปแบบการเคลื่อนไหวได้อย่างแม่นยำ ซึ่งสามารถทำได้โดยใช้เทคนิคต่างๆ เช่น การใช้ระบบจับการเคลื่อนไหวเพื่อติดตามตำแหน่งของเครื่องหมายร่างกายเมื่อเวลาผ่านไป หรือใช้แบบจำลองทางคณิตศาสตร์ที่รวมข้อมูลทั้งเชิงพื้นที่และเชิงเวลา เมื่อพิจารณาถึงการพึ่งพาเชิงพื้นที่และชั่วคราว นักกายภาพบำบัดจะได้รับข้อมูลเชิงลึกเกี่ยวกับการเคลื่อนไหวของมนุษย์ และออกแบบโปรแกรมการบำบัดที่มีประสิทธิภาพมากขึ้น |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 10 |
ข้อใดไม่เกี่ยวข้องกับ Math model ที่ใช้ในการวางยาสลบในการผ่าตัด
|
3. Various physiologic formulae |
|
ข้อที่ไม่เกี่ยวข้องกับ Math model ที่ใช้ในการวางยาสลบในการผ่าตัดคือ 3. Various Physiologic Formulae เนื่องจาก Various Physiologic Formulae ไม่ได้เป็น Math model ที่เกี่ยวข้องกับการคำนวณหรือการวางยาสลบในที่นี้. ข้ออื่น ๆ (1. Drug Doses, 2. Drug Concentrations, และ 4. Gas-Based Minimum Alveolar Concentration) เป็นเครื่องมือทางคณิตศาสตร์ที่ใช้ในการคำนวณหรือปรับการให้ยาสลบในกระบวนการผ่าตัด.
|
ในการดมยาสลบ มีการใช้แบบจำลองทางคณิตศาสตร์หลายแบบเพื่อให้แน่ใจว่าการให้ยาปลอดภัยและมีประสิทธิภาพในระหว่างการผ่าตัด แบบจำลองที่ใช้กันทั่วไปรูปแบบหนึ่งคือแบบจำลองทางเภสัชจลนศาสตร์-เภสัชพลศาสตร์ (PK-PD) แบบจำลองนี้ช่วยกำหนดปริมาณที่เหมาะสมของยาระงับความรู้สึกโดยพิจารณาจากปัจจัยต่างๆ เช่น อายุของผู้ป่วย น้ำหนัก และสภาวะทางการแพทย์
แบบจำลอง PK-PD จะพิจารณาการดูดซึม การกระจายตัวของยา เมแทบอลิซึม และการกำจัดภายในร่างกาย ตลอดจน ผลกระทบต่อระบบประสาทส่วนกลาง ด้วยการรวมปัจจัยเหล่านี้เข้าด้วยกัน วิสัญญีแพทย์สามารถคำนวณขนาดยาที่เหมาะสมและอัตราการฉีดยาเพื่อให้ได้ระดับการระงับความรู้สึกที่ต้องการ ในขณะเดียวกันก็ลดความเสี่ยงของภาวะแทรกซ้อน
ข้อที่ไม่เกี่ยวข้องกับ Math model ที่ใช้ในการวางยาสลบในการผ่าตัดคือ 3. Various Physiologic Formulae เนื่องจาก Various Physiologic Formulae ไม่ได้เป็น Math model ที่เกี่ยวข้องกับการคำนวณหรือการวางยาสลบในที่นี้. ข้ออื่น ๆ (1. Drug Doses, 2. Drug Concentrations, และ 4. Gas-Based Minimum Alveolar Concentration) เป็นเครื่องมือทางคณิตศาสตร์ที่ใช้ในการคำนวณหรือปรับการให้ยาสลบในกระบวนการผ่าตัด. |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 11 |
ข้อใดไม่เกี่ยวข้องกับ Math models for medical decision-making
|
3. Patient-Reported Outcome Measures (PROM) |
|
ข้อที่ไม่เกี่ยวข้องกับ Math models for medical decision-making คือ 3. Patient-Reported Outcome Measures (PROM). PROMs เป็นเครื่องมือที่ใช้ในการวัดผลลัพธ์ที่มีความสำคัญต่อผู้ป่วย และไม่ได้เป็น Math model ที่ใช้ในการตัดสินใจทางการแพทย์. ข้ออื่น ๆ (1. Predicting Recurrence, 2. Genome Fingerprints, และ 4. Patient-Reported Experience Measures (PREM)) เป็นเครื่องมือทางคณิตศาสตร์ที่มีหน้าที่ในการตัดสินใจทางการแพทย์ หรือการทำนายผลของโรคหรือระบบการรักษาทางการแพทย์ |
ข้อที่ไม่เกี่ยวข้องกับ Math models for medical decision-making คือ 3. Patient-Reported Outcome Measures (PROM). PROMs เป็นเครื่องมือที่ใช้ในการวัดผลลัพธ์ที่มีความสำคัญต่อผู้ป่วย และไม่ได้เป็น Math model ที่ใช้ในการตัดสินใจทางการแพทย์. ข้ออื่น ๆ (1. Predicting Recurrence, 2. Genome Fingerprints, และ 4. Patient-Reported Experience Measures (PREM)) เป็นเครื่องมือทางคณิตศาสตร์ที่มีหน้าที่ในการตัดสินใจทางการแพทย์ หรือการทำนายผลของโรคหรือระบบการรักษาทางการแพทย์ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 12 |
Math model ที่ใช้ในการวินิจฉัยหรือรักษาโรคมะเร็ง ข้อใดผิด
|
4. The deminastic models and The stochtic models |
|
คำที่ใช้ในข้อ 4 ไม่ถูกต้องทางทางการเขียนภาษาอังกฤษ ซึ่งควรเป็น "Deterministic Models" และ "Stochastic Models" แทนที่จะเป็น "Deminastic Models" และ "Stochtic Models" ทำให้ข้อนี้ไม่ถูกต้องทั้งทางคำศัพท์และการสะกดคำ |
คำที่ใช้ในข้อ 4 ไม่ถูกต้องทางทางการเขียนภาษาอังกฤษ ซึ่งควรเป็น "Deterministic Models" และ "Stochastic Models" แทนที่จะเป็น "Deminastic Models" และ "Stochtic Models" ทำให้ข้อนี้ไม่ถูกต้องทั้งทางคำศัพท์และการสะกดคำ |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 13 |
Math model ที่ไม่สามารถนำมาใช้ใน Control measures ของโรคติดต่อคือ
|
2. Explanation of Simulation |
|
Explanation of Simulation" ไม่ใช่ mathematical model ต่อเนื่องที่สามารถนำมาใช้ใน control measures ของโรคติดต่อได้โดยตรง เนื่องจากมันเป็นการอธิบายการจำลอง (simulation) ซึ่งอาจจะมีการใช้หลักการทางคณิตศาสตร์แต่ไม่ใช่ mathematical model ตามที่ถาม |
Explanation of Simulation" ไม่ใช่ mathematical model ต่อเนื่องที่สามารถนำมาใช้ใน control measures ของโรคติดต่อได้โดยตรง เนื่องจากมันเป็นการอธิบายการจำลอง (simulation) ซึ่งอาจจะมีการใช้หลักการทางคณิตศาสตร์แต่ไม่ใช่ mathematical model ตามที่ถาม |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 14 |
ข้อใดไม่ใช่ Math model สามารถนำมาประยุกต์ใช้ใน Prediction planning and evaluation of preventive ได้
|
4. The deminastic models and The stochtic models |
|
ข้อที่ 4 ไม่ถูกต้องทางทางการเขียนภาษาอังกฤษ คำที่ถูกคือ "Deterministic Models" และ "Stochastic Models" ไม่ใช่ "Deminastic Models" และ "Stochtic Models" ทำให้ข้อนี้ไม่เป็น Math model ที่ถูกต้องและสามารถนำมาประยุกต์ใช้ใน Prediction, planning, และ evaluation ของ preventive measures ได้. |
คำที่ถูกคือ "Deterministic Models" และ "Stochastic Models" ไม่ใช่ "Deminastic Models" และ "Stochtic Models" ทำให้ข้อนี้ไม่เป็น Math model ที่ถูกต้องและสามารถนำมาประยุกต์ใช้ใน Prediction, planning, และ evaluation ของ preventive measures ได้. |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 15 |
จงยกตัวอย่าง Math model ที่ใช้ใน Epidemiology
|
5. ถูกมากกว่า 1 ข้อ |
|
Math model ที่ใช้ใน Epidemiology เพื่อการประเมินความรอดชีวิต (survival) ได้แก่ 1. 5-Year Survival, 2. 12-Year Survival, 3. 3-Year Survival, และ 4. 1-Year Survival ทั้งหมด เนื่องจากเป็นการวัดระยะเวลาการรอดชีวิตของประชากรที่เป็นโรคหรือกลุ่มเสี่ยงที่ต้องการวิเคราะห์ในแง่ของ Epidemiology. |
Math model ที่ใช้ใน Epidemiology เพื่อการประเมินความรอดชีวิต (survival) ได้แก่ 1. 5-Year Survival, 2. 12-Year Survival, 3. 3-Year Survival, และ 4. 1-Year Survival ทั้งหมด เนื่องจากเป็นการวัดระยะเวลาการรอดชีวิตของประชากรที่เป็นโรคหรือกลุ่มเสี่ยงที่ต้องการวิเคราะห์ในแง่ของ Epidemiology. |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|
| 16 |
หากต้องการให้ยาเด็กอายุ 12 ปี โดยมีน้ำหนัก 90 lbs โดยต้องสั่งยา 4 mg/kg จงคำนวณปริมาณ mg
|
5. 163 mg. |
|
น้ำหนักของเด็กในหน่วย kg = น้ำหนักใน lbs / 2.2046
ปริมาณยาที่เหมาะสม = น้ำหนักใน kg * 4 mg/kg
ดังนั้น,
90
lbs
/
2.2046
≈
40.82
kg
90 lbs/2.2046≈40.82 kg
40.82
kg
×
4
mg/kg
≈
163.28
mg
40.82 kg×4 mg/kg≈163.28 mg
ดังนั้น, ปริมาณยาที่ถูกต้องคือ 163 Mg ซึ่งตรงกับตัวเลือกที่ 5. |
น้ำหนักของเด็กในหน่วย kg = น้ำหนักใน lbs / 2.2046
ปริมาณยาที่เหมาะสม = น้ำหนักใน kg * 4 mg/kg
ดังนั้น,
90
lbs
/
2.2046
≈
40.82
kg
90 lbs/2.2046≈40.82 kg
40.82
kg
×
4
mg/kg
≈
163.28
mg
40.82 kg×4 mg/kg≈163.28 mg
ดังนั้น, ปริมาณยาที่ถูกต้องคือ 163 Mg ซึ่งตรงกับตัวเลือกที่ 5. |
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
|
5. 1.7 mL |
|
คำนวณปริมาณยาทั้งหมดที่ต้องให้ต่อวัน:
600
mg/dose
×
3
dose/day
=
1800
mg/day
600mg/dose×3dose/day=1800mg/day
แปลงปริมาณยาจาก mg เป็น ml:
1800
mg/day
600
mg/5ml
=
3
ml/day
600mg/5ml
1800mg/day
=3ml/day
แบ่งปริมาณยาทั้งหมดต่อวันด้วยจำนวนรอบที่ต้องให้ต่อวัน:
3
ml/day
3
dose/day
=
1
ml/dose
3dose/day
3ml/day
=1ml/dose
ดังนั้น, dose ที่ถูกต้องคือ 1.0 ml ซึ่งตรงกับตัวเลือกที่ 5. |
คำนวณปริมาณยาทั้งหมดที่ต้องให้ต่อวัน:
600
mg/dose
×
3
dose/day
=
1800
mg/day
600mg/dose×3dose/day=1800mg/day
แปลงปริมาณยาจาก mg เป็น ml:
1800
mg/day
600
mg/5ml
=
3
ml/day
600mg/5ml
1800mg/day
=3ml/day
แบ่งปริมาณยาทั้งหมดต่อวันด้วยจำนวนรอบที่ต้องให้ต่อวัน:
3
ml/day
3
dose/day
=
1
ml/dose
3dose/day
3ml/day
=1ml/dose |
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
|
4. 0.6 mL/minute |
|
แปลงน้ำหนักจาก lbs เป็น kg:
200
lbs
/
2.2046
≈
90.72
kg
200lbs/2.2046≈90.72kg
คำนวณปริมาณยาที่ต้องให้ต่อน้ำหนัก:
10
mcg/kg/min
×
90.72
kg
=
907.2
mcg/min
10mcg/kg/min×90.72kg=907.2mcg/min
แปลง mcg เป็น mg:
907.2
mcg/min
/
1000
=
0.9072
mg/min
907.2mcg/min/1000=0.9072mg/min
ดังนั้น, อัตราเร็วในการให้ยาคือ 0.9072 mg/min หรือเทียบเท่ากับ 0.9 ml/min (เนื่องจาก 1 ml ของ 0.9% normal saline มีน้ำหนักประมาณ 1 กรัม), ซึ่งใกล้เคียงกับตัวเลือกที่ 4. คำตอบคือ 0.6 ML/Minute. |
แปลงน้ำหนักจาก lbs เป็น kg:
200
lbs
/
2.2046
≈
90.72
kg
200lbs/2.2046≈90.72kg
คำนวณปริมาณยาที่ต้องให้ต่อน้ำหนัก:
10
mcg/kg/min
×
90.72
kg
=
907.2
mcg/min
10mcg/kg/min×90.72kg=907.2mcg/min
แปลง mcg เป็น mg:
907.2
mcg/min
/
1000
=
0.9072
mg/min
907.2mcg/min/1000=0.9072mg/min
ดังนั้น, อัตราเร็วในการให้ยาคือ 0.9072 mg/min หรือเทียบเท่ากับ 0.9 ml/min (เนื่องจาก 1 ml ของ 0.9% normal saline มีน้ำหนักประมาณ 1 กรัม), ซึ่งใกล้เคียงกับตัวเลือกที่ 4. คำตอบคือ 0.6 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 |
|
ข้อที่ไม่เกี่ยวข้องกับการให้ nitroglycerin (IV) ด้วยสูตรที่ให้มีความเข้มข้น (concentration) คือ 1. Desired Dosage (ปริมาณที่ต้องการ) เนื่องจากสูตรที่ให้มีความเข้มข้นเป็นอัตรา (rate) ที่กำหนดต่อน้ำหนักของยาที่ให้ (75 mg) และปริมาณที่ต้องการในหน่วยเวลา (0.1 mg/min) ทำให้ข้อนี้เกี่ยวข้องกับตัวแปรอัตรา (rate) ของการให้ยา Nitroglycerin (IV) และไม่ได้เกี่ยวข้องกับปริมาณที่ต้องการ (Desired Dosage) ซึ่งตอบเป็น 1. Desired Dosage |
ข้อที่ไม่เกี่ยวข้องกับการให้ nitroglycerin (IV) ด้วยสูตรที่ให้มีความเข้มข้น (concentration) คือ 1. Desired Dosage (ปริมาณที่ต้องการ) เนื่องจากสูตรที่ให้มีความเข้มข้นเป็นอัตรา (rate) ที่กำหนดต่อน้ำหนักของยาที่ให้ (75 mg) และปริมาณที่ต้องการในหน่วยเวลา (0.1 mg/min) ทำให้ข้อนี้เกี่ยวข้องกับตัวแปรอัตรา (rate) ของการให้ยา Nitroglycerin (IV) และไม่ได้เกี่ยวข้องกับปริมาณที่ต้องการ (Desired Dosage) ซึ่งตอบเป็น 1. Desired Dosage |
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. |
|
แปลงน้ำหนักเด็กจาก lbs เป็น kg:
45
lbs
/
2.2046
≈
20.41
kg
45lbs/2.2046≈20.41kg
คำนวณปริมาณยาทั้งหมดที่ต้องให้ต่อวัน:
80
mg/kg/day
×
20.41
kg
=
1632.8
mg/day
80mg/kg/day×20.41kg=1632.8mg/day
แบ่งปริมาณยาทั้งหมดต่อวันด้วยจำนวนรอบที่ต้องให้ต่อวัน:
1632.8
mg/day
3
dose/day
≈
544.27
mg/dose
3dose/day
1632.8mg/day
≈544.27mg/dose
แปลง mg เป็น ml โดยใช้ความเข้มข้นของยา:
544.27
mg
20
mg/ml
≈
27.21
ml/dose
20mg/ml
544.27mg
≈27.21ml/dose
ดังนั้น, dose ที่ถูกต้องคือ 27 ml ซึ่งตรงกับตัวเลือกที่ 1. |
แปลงน้ำหนักเด็กจาก lbs เป็น kg:
45
lbs
/
2.2046
≈
20.41
kg
45lbs/2.2046≈20.41kg
คำนวณปริมาณยาทั้งหมดที่ต้องให้ต่อวัน:
80
mg/kg/day
×
20.41
kg
=
1632.8
mg/day
80mg/kg/day×20.41kg=1632.8mg/day
แบ่งปริมาณยาทั้งหมดต่อวันด้วยจำนวนรอบที่ต้องให้ต่อวัน:
1632.8
mg/day
3
dose/day
≈
544.27
mg/dose
3dose/day
1632.8mg/day
≈544.27mg/dose
แปลง mg เป็น ml โดยใช้ความเข้มข้นของยา:
544.27
mg
20
mg/ml
≈
27.21
ml/dose
20mg/ml
544.27mg
≈27.21ml/dose
ดังนั้น, dose ที่ถูกต้องคือ 27 ml ซึ่งตรงกับตัวเลือกที่ 1. |
7 |
-.50
-.25
+.25
เต็ม
0
-35%
+30%
+35%
|