Mathematical Epidemiology 2.0

ผศ.เฉลิมวุฒิ คำเมือง 6 กุมภาพันธ์ 2026

วันนี้ผมอยากจะพาทุกคนก้าวข้ามขอบเขตของแบบจำลองคลาสสิกที่เราคุ้นเคย ไปสู่ยุคใหม่ที่เรียกว่า Mathematical Epidemiology 2.0

หาก “Epidemiology 1.0” คือรากฐานที่เข้มแข็งจากปี 1927 “2.0” ก็คือการนำรากฐานนั้นมาสวมวิญญาณของโลกยุค Digital และความซับซ้อน (Complexity) ที่เราเผชิญอยู่ในปัจจุบันครับ

1. จากกฎการแพร่ของมวล (Mass Action) สู่ความเฉพาะตัว (Heterogeneity)

ในยุค 1.0 เรามักจะตั้งสมมติฐานว่าประชากรนั้น “Homogeneous” หรือทุกคนมีโอกาสเจอใครก็ได้ในสังคมแบบสุ่ม (Well-mixed population) ซึ่งแสดงออกมาในรูปของสมการเชิงอนุพันธ์สามัญ (ODEs) ชุดคลาสสิกอย่าง SIR Model:

\frac{dS}{dt} = -\beta \frac{SI}{N}

\frac{dI}{dt} = \beta \frac{SI}{N} - \gamma I

\frac{dR}{dt} = \gamma I

แต่ในโลกของ Epidemiology 2.0 เรายอมรับความจริงที่ว่ามนุษย์ไม่ได้ผสมปนเปกันเหมือนโมเลกุลแก๊ส เรามีโครงสร้างสังคม มี “Super-spreaders” และมีการเคลื่อนที่ที่ซับซ้อน ดังนั้นหัวใจของ 2.0 คือการนำ Network Science เข้ามาแทนที่ Mass Action ครับ

การเปลี่ยนจาก ODEs เป็น Network Dynamics

แทนที่จะมองเป็นก้อนประชากร เรามองเป็น Graph $G(V, E)$ โดยที่:

Nodes ( $V$ ): คือบุคคล
Edges ( $E$ ): คือปฏิสัมพันธ์ที่มีโอกาสแพร่เชื้อ
Adjacency Matrix ( $A_{ij}$ ): จะเข้ามามีบทบาทแทนค่า $\beta$ แบบคงที่ เพื่อบอกว่าใครคุยกับใครบ่อยแค่ไหน

2. พลวัตหลายระดับ (Multiscale Modeling)

ในยุค 2.0 เราไม่ได้มองแค่การแพร่กระจายระหว่างคนสู่คนเท่านั้น แต่เราเชื่อมโยงคณิตศาสตร์เข้าด้วยกันหลายระดับ (Scales):

Level 1: Within-host Dynamics – ใช้ระบบสมการเพื่อจำลองว่าไวรัสสู้กับภูมิคุ้มกันในร่างกายอย่างไร
Level 2: Between-host Dynamics – คือ SIR/SEIR ที่เราคุ้นเคย
Level 3: Global Mobility – การใช้ข้อมูลสายการบิน (Aviation data) และการเคลื่อนที่จากโทรศัพท์มือถือ เพื่อดูการแพร่กระจายข้ามพรมแดน

การเชื่อมโยง (Coupling) ระหว่างระบบขนาดเล็ก (Micro) ไปสู่ระบบขนาดใหญ่ (Macro) คือความท้าทายหลักของนักคณิตศาสตร์ในยุคนี้ครับ

3. จาก Deterministic สู่ Stochastic และ Agent-Based Models (ABM)

แบบจำลอง 1.0 มักเป็น Deterministic (ผลลัพธ์ตายตัวถ้าค่าเริ่มต้นคงที่) แต่ในความเป็นจริง การที่คนคนหนึ่งจะติดเชื้อหรือไม่ มันคือ “Probability”

Mathematical Epidemiology 2.0 จึงเน้นไปที่:

Stochastic Differential Equations (SDEs): เพื่อคำนวณความไม่แน่นอน
Agent-Based Modeling (ABM): การเขียนโปรแกรมให้ “Agent” แต่ละตัวมีพฤติกรรมเป็นของตัวเอง (เช่น บางคนใส่หน้ากาก บางคนไม่ใส่) แล้วดูผลลัพธ์ที่เกิดขึ้น (Emergent properties)

4. การผสาน Big Data และ Machine Learning

นี่คือจุดตัดที่น่าตื่นเต้นที่สุดครับ เมื่อก่อนเราใช้ข้อมูลย้อนหลัง (Historical data) มาฟิตกราฟ แต่ปัจจุบันเราใช้ Real-time Data Assimilation:

Digital Proxies: การใช้คำค้นหาใน Google หรือเทรนด์ใน X (Twitter) มาเป็นตัวแปรต้นในการพยากรณ์
Physics-Informed Neural Networks (PINNs): การใช้ Deep Learning ที่ถูกกำกับด้วย “กฎทางฟิสิกส์” หรือในที่นี้คือ “กฎทางระบาดวิทยา” เพื่อให้ AI ไม่ได้แค่เดาตัวเลข แต่เข้าใจธรรมชาติของการแพร่ระบาดจริงๆ

บทสรุปสำหรับนักคณิตศาสตร์

ถ้าจะสรุปให้สั้นที่สุด Mathematical Epidemiology 2.0 คือการเปลี่ยนผ่านจาก “สูตรสำเร็จรูป” ไปสู่ “ระบบพลวัตที่ปรับตัวได้” (Adaptive Dynamical Systems) มันไม่ใช่แค่เรื่องของ $R_0$ อีกต่อไป (เพราะ $R_0$ เป็นเพียงค่าเฉลี่ยที่มักจะหลอกตาเรา) แต่เป็นเรื่องของการเข้าใจ Connectivity, Topology, และ Human Behavior ที่ถูกแปลงให้อยู่ในรูปของภาษาคณิตศาสตร์ที่เข้มข้นขึ้น

“โมเดลทั้งหมดนั้นผิด แต่บางโมเดลมีประโยชน์” — George Box กล่าวไว้ และหน้าที่ของพวกเราในยุค 2.0 คือการทำให้โมเดลที่ ‘ผิด’ นั้น มีความใกล้เคียงกับความซับซ้อนของมนุษย์ให้มากที่สุดครับ