Big Data ได้ยินบ่อยๆ ทุกวงการ นำมาใช้ประโยชน์อะไรกันบ้าง?

คำว่า Big Data หรือ ข้อมูลขนาดใหญ่ หลายๆคนคงได้ยินคำนี้บ่อยๆในช่วง 3-4 ปีที่ผ่านมา แต่ช่วงนี้คงได้ยินกันมากขึ้น ในหลายๆวงการ เช่น วงการไอที วงการตลาด วงการแพทย์ โดยเฉพาะยุคโควิดนี้ จนบางคนกล่าวว่า Big Data เป็นขุมทรัพย์ด้านธุรกิจในยุคนี้ เรามาทำความรู้จักกับ คำว่า Big Data กันเลยค่ะ

ความหมายของ Big Data

Big Data หรือ ข้อมูลขนาดใหญ่ (โดยราชบัณฑิตยสภาบัญญัติศัพท์ Big Data ว่า “ข้อมูลมหัต”) คือ ชุดข้อมูลต่างๆ ที่มีขนาดและความซับซ้อนมาก จนยากที่จะประมวลผลได้ด้วยเครื่องมือจัดการฐานข้อมูลที่มีอยู่ ความท้าทาย หรือ อุปสรรค (challenges) ของ Big Data นี้ มีอะไรบ้าง นั่นคือ การจับบันทึก (capturing data)  การจัดเก็บ (data storage) การวิเคราะห์ (data analysis) การค้นหา (data search) การแบ่งปัน (data sharing) การย้ายข้อมูล (data transfer) การวาดภาพข้อมูล (data visualization) การสอบถามข้อมูล (data querying) การทำให้ข้อมูลใหม่เสมอ (data updating) การทำให้ข้อมูลเป็นส่วนตัว (information privacy) และแหล่งข้อมูล (data source)

คำว่า Big Data ได้นำมาใช้ตั้งแต่ปี ค.ศ.1990 (พ.ศ.2533) โดย Dr. John Mashey นักวิทยาศาสตร์คอมพิวเตอร์ ชาวสหรัฐอเมริกา เมื่อเราพูดถึงขนาดของ Big Data นั้น จะมีเป้าหมายที่เปลี่ยนแปลง เคลื่อนไปเรื่อยๆ ตามเวลา โดยตั้งแต่ปี ค.ศ.2012 (พ.ศ.2555) จะมีขนาดใหญ่ประมาณ 24-36 เท่าของ terabytes (10¹² bytes) ถึง หลายๆ zettabytes(10²¹bytes) ในชุดข้อมูลชุดเดียว ด้วยความยากลำบากนี้ ดังนั้นจึงต้องมีเทคโนโลยีและสถาปัตยกรรมไอทีรุ่นใหม่ ซึ่งอาจมาในรูปแบบซอฟต์แวร์ หรือ แพลตฟอร์มใหม่ ที่สามารถรองรับการจัดเก็บ การจัดการ กรองเลือกข้อมูล การวิเคราะห์ แสดงผล และการใช้งานข้อมูลได้

คุณลักษณะที่สำคัญของ Big Data มีดังนี้

1.      Volume (ปริมาณ): ข้อมูลที่มีขนาดใหญ่ มีปริมาณข้อมูลมาก ขนาดของข้อมูล บ่งบอกถึงคุณค่า และความสำคัญ

2.      Variety (ความหลากหลาย) : ข้อมูลมีความหลากหลาย ข้อมูลที่ได้มานั้นจะมาจากแหล่งที่มาที่ต่างกันหรือประเภทที่ต่างกัน เช่น จาก Social Network ต่าง ๆ อย่าง Youtube, Facebook, Twitter, Instagram, Webboard และ Website ต่าง ๆ รวมทั้ง อีเมล วิดีโอ

3.      Velocity (ความเร็ว): เป็นข้อมูลที่มีการเปลี่ยนแปลงตลอดเวลาอย่างรวดเร็ว ซึ่งมักจะเป็นข้อมูลประเภท “Real-Time” เช่น ข้อมูลการส่งข้อความผ่าน Social Media

4.      Veracity (ความแม่นยำ): ความแม่นยำของข้อมูลที่มาจากต่างที่ และความไม่แน่นอนของข้อมูลนั้น ๆ ซึ่งต้องมาทำการจัดระเบียบและวิเคราะห์ว่าข้อมูลใดมีความถูกต้องแม่นยำมากที่สุด ข้อมูลที่ยังไม่สมบูรณ์จึงยังไม่สามารถนำไปประกอบการตัดสินใจได้

ตัวอย่างของ Big Data เช่น บันทึกการใช้งานเว็บ, เครือข่ายเซ็นเซอร์, เครือข่ายสังคม, ข้อมูลสังคม (social data), เอกสารและข้อความบนอินเทอร์เน็ต, การทำดัชนีค้นหาอินเทอร์เน็ต, บันทึกการโทรศัพท์, ดาราศาสตร์, วิทยาศาสตร์สภาพอากาศ, จีโนมิกส์, การวิจัยทางชีวธรณีเคมี ชีววิทยา และการวิจัยทางวิทยาศาสตร์ที่ซับซ้อนและมักจะข้ามสาขา, การสอดส่องทางการทหาร, เวชระเบียน, คลังภาพถ่าย, คลังภาพเคลื่อนไหว, และพาณิชย์อิเล็กทรอนิกส์ขนาดใหญ่

สำหรับในประเทศไทย มีบริษัทที่พัฒนาจากระบบ Ecosystem และพัฒนาต่อยอดทำเป็น Big Data ด้วยเช่นกัน ในปัจจุบันปี 2562 มีฐานข้อมูลของผู้ใช้งานกว่า 50 ล้านราย รองจาก Facebook และ Google เป็นต้น

การนำไปใช้ประโยชน์ของ Big Data

1.      ภาคธุรกิจ สามารถนำมาใช้วิเคราะห์ความต้องการของลูกค้า นำมาจัดทำแผนการตลาด นำมาประเมินงบประมาณ หรือนำมาวิเคราะห์ข้อมูลจากเครือข่ายสังคมออนไลน์ (Social Media) การวิเคราะห์พฤติกรรมการอุปโภค บริโภคที่ปรับเปลี่ยนตลอดเวลา

2.      ภาครัฐ ปัจจุบันหน่วยงานภาครัฐหลายหน่วยงานสามารถนำ Big Data มาใช้ให้เกิดประโยชน์ เช่น การเก็บข้อมูลประชากรตั้งแต่เกิด จนเสียชีวิต ซึ่งเป็นข้อมูลที่สำคัญ เห็นได้ชัดในช่วงสถานการณ์โควิดนี้ สามารถใช้จัดสรร แบ่งกลุ่มประชากรในการที่รัฐบาลจะให้ความช่วยเหลือแยกตามประเภทประชากรได้ นอกจากนี้ยังสามารถนำมาใช้ประโยชน์ด้านการคมนาคม เช่น วิเคราะห์ข้อมูลการจราจร ด้านอื่นๆ เช่น วิเคราะห์ข้อมูลด้านน้ำ แหล่งน้ำ การใช้น้ำ วิเคราะห์ข้อมูลการใช้ไฟฟ้า วิเคราะห์ข้อมูลการเสียภาษี วิเคราะห์ข้อมูลสภาพอากาศ การพยากรณ์อากาศ เป็นต้น

3.      ด้านการแพทย์และสุขภาพ นำมาใช้วิเคราะห์ข้อมูลสาธารณสุข แนวโน้มผู้ป่วย การรักษาพยาบาล การบริหารจัดการโรงพยาบาล เราจะเห็นได้ว่า เมื่อเกิดการระบาดของ โควิด-19 จะเห็นความสำคัญของ Big Data อย่างชัดเจน เช่น การติดตามผู้ที่มีความเสี่ยงต่อการติดเชื้อ การสร้างแอปพลิเคชัน ไทยชนะ สำหรับบุคคลทั่วไป และร้านค้า เพื่อใช้ในการค้นหา เช็คอิน เช็คเอาท์ ประเมินกิจการ/กิจกรรมต่างๆ และใช้ข้อมูลเพื่อเป็นส่วนหนึ่งของการบริหารความเสี่ยง  การนำข้อมูลมาวิเคราะห์ความสามารถด้านการแพทย์ เพื่อบริหารจำนวนบุคลากร อุปกรณ์ต่างๆ ที่จำเป็น

             จากตัวอย่างข้างต้น จะเห็นถึงประโยชน์และความสำคัญของ Big Data สิ่งที่ควรตระหนักและให้ความสำคัญ คือ หน่วยงานต่างๆ โดยเฉพาะหน่วยงานภาครัฐ ควรทำงานร่วมกัน แชร์ข้อมูลและเชื่อมโยงข้อมูลร่วมกันได้ เห็นเป็นภาพใหญ่ระดับประเทศ เพื่อให้เกิดประโยชน์สูงสุด นอกจากนี้ หน่วยงานที่นำ Big Data ไปใช้ควรจะต้องให้ความมั่นใจในการไม่ละเมิดสิทธิส่วนบุคคล นำข้อมูลไปใช้ผิดวัตถุประสงค์โดยไม่ได้รับอนุญาตโดยเฉพาะในเชิงพาณิชย์  

แหล่งข้อมูล: 

1.  https://en.wikipedia.org/wiki/Big_data

2.  https://th.wikipedia.org/wiki/%E0%B8%82%E0%B9%89%E0%B8%AD%E0%B8%A1%E0%B8%B9%E0%B8%A5%E0%B8%A1%E0%B8%AB%E0%B8%B1%E0%B8%95

3.  https://www.facebook.com/RatchabanditThai/?_rdc=1&_rdr

เรารู้อะไรบ้างเกี่ยวกับการตอบสนองทางภูมิคุ้มกันต่อโรคโควิด-19 ณ ปัจจุบัน

        เป็นที่ทราบกันดีว่า จากการศึกษาและความเข้าใจในภูมิคุ้มกันต่อโรคต่างๆ ทำให้เราสามารถนำความรู้ ความเข้าใจนั้น มาใช้ในการออกแบบวัคซีนที่มีประสิทธิภาพ และยารักษาโรคได้ แต่ในปัจจุบันนี้เราทราบอะไรกันบ้างเกี่ยวกับเรื่องภูมิคุ้มกันต่อโรคโควิด-19 เพื่อการพัฒนาวัคซีนโควิด-19 นี้  
         สำหรับเรื่องวัคซีนนั้น องค์การอาหารและยาแห่งสหรัฐอเมริกา (Food and Drug Administration, FDA) ได้ให้เกณฑ์ว่า วัคซีนโควิด-19  ควรจะป้องกันโรคได้ หรืออย่างน้อยก็สามารถลดความรุนแรงของการเกิดโรคได้ ในครึ่งหนึ่ง (50%) ของจำนวนคนที่ได้รับการฉีดวัคซีน

         การพัฒนาวัคซีน ส่วนใหญ่ต้องการให้วัคซีนกระตุ้น แอนติบอดี (antibody) เพื่อป้องกันไม่ให้เชื้อโรคเข้าสู่เซลล์ได้ แต่ ณ ปัจจุบัน จากการศึกษาวิจัยการตอบสนองทางภูมิคุ้มกันโดยการสร้าง แอนติบอดี ต่อเชื้อ SARS-CoV-2 ซึ่งเป็นสาเหตุของโรค โควิด-19 นี้ เราทราบเพียงว่า

      1.      ผู้ป่วยที่หายจากโรคโควิด-19 จะสร้างแอนติบอดี ต่อเชื้อไวรัสนี้ บางส่วนของแอนติบอดีที่สร้างขี้นเป็น

             แอนติบอดีที่มีความสามารถในการป้องกันการติดเชื้อไวรัสนี้ได้ โดยการป้องกันไม่ให้ไวรัสเข้าสู่เซลล์ได้ (neutralizing antibodies)

2.      ผู้ป่วยที่หายจากโรคโควิด-19 จะมีจำนวนและชนิดของแอนติบอดีแตกต่างกันในแต่ละคน จากการศึกษาวิจัยของ Larry Luchsinger และคณะ แห่ง New York Blood Center โดยใช้น้ำเหลืองผู้ป่วยที่หายจากโรคโควิด-19 แล้ว (convalescent plasma) และพบว่ามีความแตกต่างกันนั้น ส่วนใหญ่มีระดับแอนติบอดีปานกลาง และประมาณ 16% ไม่มี neutralizing antibodies แต่ 10% มี neutralizing antibodies ที่แรงหรือประสิทธิภาพสูง โดยผู้ชายมี neutralizing antibodies แรงกว่าผู้หญิง 2 เท่า แต่ในเรื่องของอายุ กลุ่มเลือดหรือเชื้อชาติ ไม่ได้บันทึกไว้

3.      จากการศึกษาของ Davide F. Robbiani และคณะ ที่ตีพิมพ์ใน Nature พบว่า มากกว่า 99% ของผู้ป่วยมีระดับของ neutralizing antibodies ต่ำ แต่จำนวนของ แอนติบอดีที่จับกับไวรัสได้ (binding antibodies) พบในผู้ป่วยทุกคน แสดงให้เห็นว่า การสร้าง neutralizing antibodies ได้นั้น เป็นความสามารถของแต่ละคน (intrinsically capable)

4.      จากการศึกษาของ Sanjeev Krishna แห่ง St. George’s, University of London พบว่า ผู้ป่วยที่มีอาการรุนแรงจะสร้างแอนติบอดีได้มากกว่า โดยเฉพาะถ้าเกิดมีการอักเสบ (inflammation) มาก แล้ว ระดับแอนติบอดีจะมีแนวโน้มสูง โดยการศึกษาระดับของ แอนติบอดี (IgG) ต่อเชื้อไวรัสในผู้ป่วย 177 ราย

5.      จากหลายๆการศึกษา พบว่า ไม่ใช่ผู้ป่วยทุกๆคน จะสร้างแอนติบอดี จากการศีกษาของ Sanjeev Krishna และคณะ ก็เช่นเดียวกัน ซึ่งพบว่า ผู้ที่ติดเชื้อไวรัสนี้ 2-8 % ไม่พบ IgG antibodies

นอกจากนี้  ผู้ป่วยที่สร้างแอนติบอดี เราก็ยังบอกไม่ได้ว่าแอนติบอดีจะอยู่นานแค่ไหน และแอนติบอดีเหล่านั้นสามารถป้องกันโรคได้ไหม แต่การศึกษาของ Krishna พบว่าอย่างน้อย เกือบ 2 เดือนแล้วแอนติบอดียังไม่ลดลง แต่การศึกษาของ Quan-Xin Long และคณะ ซี่งตีพิมพ์ใน Nature Medicine ได้ศืกษาในกลุ่มผู้ติดเชื้อที่ไม่มีอาการ (asymptomatic people) จำนวน 37 ราย และผู้ป่วยที่มีอาการ (symptomatic people) จำนวน 37 ราย พบว่า มีการลดลงในระดับของ IgG และ neutralizing antibodies ภายหลัง 2-3 เดือน (โดยลดลงในกลุ่มผู้ที่ไม่แสดงอาการมากกว่า)  

จากการศึกษาดังกล่าว ทำให้ในขณะนี้ นักวิจัยให้ความสนใจไปยัง ภูมิคุ้มกันชนิดอื่น นอกจาก แอนติบอดี ที่ใช้ในการป้องกันโรค คือ

1.       Helper T cells  ซี่งนักวิจัย พบว่า ผู้ป่วยที่หายจากโรคโควิด-19 มี helper T cells ซึ่งจดจำ specific proteins บนเชื้อ SARS-CoV-2 

2.      T cells อีกชนิด คือ killer T cells ซึ่งเป็น cellular immune response ที่สำคัญ ซึ่งจะทำหน้าที่ฆ่าเซลล์ที่ติดเชื้อมากกว่า การป้องกันการติดเชื้อ โดย จากการศึกษาของ Daniella Weiskopf และคณะ พบว่า ผู้ป่วยโรคโควิด-19 ที่เข้ารักษาตัวในห้องรักษาพยาบาลผู้ป่วยขั้นวิกฤต (intensive care unit, ICU) พบว่ามี SARS-CoV-2-specific killer T cells และ ในกลุ่มควบคุมที่มีสุขภาพดี 2 ราย ที่ไม่ได้สัมผัสกับเชื้อ SARS-CoV-2 แต่ยังมี T cells ในระดับต่ำๆ ซึ่งทำปฏิกริยากับ เชื้อ SARS-CoV-2 ได้ ซึ่งชี้ให้เห็นว่า สามารถเกิดปฏิกิริยาข้ามกลุ่มได้ (cross-reactivity) เนื่องจากเคยได้รับเชื้อไข้หวัดธรรมดา (common cold) ที่เกิดจากเชื้อไวรัสโคโรนา (Corona viruses) จึงไม่น่าแปลกใจเลยว่า T cells มีความสำคัญมากเช่นกัน

          อย่างไรก็ตาม การตอบสนองทางภูมิคุ้มกันของ T cells เรายังไม่ทราบว่าจะยาวนานแค่ไหน  จะมีความสามารถในการป้องกันการติดเชื้อ SARS-CoV-2 หรือไม่ และไวรัสสามารถหลีกหนีภูมิคุ้มกันได้หรือไม่

     

                 ณ ปัจจุบัน เรายังไม่ทราบแน่ว่า ภูมิคุ้มกันที่ใช้ในการป้องกัน (Protective immunity) คืออะไร ดังนั้น เราจึงไม่ทราบอย่างแน่ชัดว่าจะสร้างหรือกระตุ้นภูมิคุ้มกันชนิดไหนเพื่อป้องกันการติดเชื้อ โดย Poznansky Center แนะนำว่า การพัฒนาวัคซีน ควรจะกระตุ้นทั้ง T cells และ แอนติบอดี  และวัคซีนที่จะสำเร็จได้นั้นขึ้นกับ การศึกษาในทางคลินิก (clinical study) เป็นสำคัญ 

จากประสบการณ์ของผู้เขียนในการศึกษาวิจัย วัคซีนโรคเอดส์ นั้น จะมีรูปแบบคล้ายกับการศึกษาวัคซีนป้องกันโรคโควิด-19 โดยจะต้องพัฒนาวัคซีนที่กระตุ้นทั้ง T cells และ แอนติบอดี  สำหรับแอนติบอดีที่เป็น functional antibodies คือ neutralizing antibodies เช่นเดียวกัน ซึ่งแต่ละคนก็สร้าง neutralizing antibodies ที่มีความแรงไม่เท่ากัน และจำนวนไม่เท่ากันด้วย อีกทั้งมีการสร้าง neutralizing antibodies ต่างชนิดกัน ต่อ epitopes ที่ต่างกันของ ไวรัส ซึ่งมีประสิทธิภาพที่ต่างกัน ดังนั้นคงต้องพิจารณา หรือศึกษาด้านวิทยาภูมิคุ้มกันเพื่อให้มีความรู้พื้นฐานมากยิ่งขึ้นสำหรับโรคโควิด-19 นี้ ในการนำไปใช้พัฒนาวัคซีนที่มีประสิทธิภาพที่ดียิ่งๆขึ้นไป อย่างไรก็ตาม วัคซีนโควิด-19 มีความต้องการเร่งด่วน จึงต้องมีการพัฒนา ปรับปรุง ควบคู่กับการศึกษาด้านวิทยาภูมิคุ้มกันนี้

              แหล่งข้อมูล:

           1.      https://www.axios.com/coronavirus-vaccine-antibodies-t-cells-immunity-c5addf66-5b46-479b-af77-f41e6ed1887e.html

              2.   https://www.medrxiv.org/content/10.1101/2020.06.08.20124792v1.full.pdf

              3     https://www.nature.com/articles/s41586-020-2456-9_reference.pdf

              4.   https://www.medrxiv.org/content/10.1101/2020.06.07.20124636v2.full.pdf

              5.   https://www.nature.com/articles/s4159-020-0965-6

              6.   https://immunology.sciencemag.org/content/5/48/eabd2071  

            7.  https://www.sciencemag.org/news/2020/05/t-cells-found-covid-19-patients-bode-well-long-

                    term-immunity