การเปลี่ยนแปลงของอัตราการใส่หน้ากากอนามัยเมื่ออยู่นอกบ้านในช่วงโควิด-19: การวิเคราะห์จากภาพกล้องวงจรปิดโดยปัญญาประดิษฐ์

ทยา กิติยากร; สุภารี บุญมานันท์; รัตน์ชัยนันท์ ธรรมสุจริต

ผู้แต่ง

ทยา กิติยากร คณะแพทยศาสตร์โรงพยาบาลรามาธิบดี มหาวิทยาลัยมหิดล
สุภารี บุญมานันท์ คณะแพทยศาสตร์โรงพยาบาลรามาธิบดี มหาวิทยาลัยมหิดล
รัตน์ชัยนันท์ ธรรมสุจริต คณะแพทยศาสตร์โรงพยาบาลรามาธิบดี มหาวิทยาลัยมหิดล

คำสำคัญ:

การใส่หน้ากากอนามัย, โควิด-19, กล้องวงจรปิด, การวิเคราะห์ภาพ, ปัญญาประดิษฐ์

บทคัดย่อ

ภูมิหลัง: โควิด-19 ได้คร่าชีวิตมนุษย์จำนวนมากและได้สร้างความเสียหายทางเศรษฐกิจไปทั่วโลก การใส่หน้ากากเป็นวิธีป้องกันการแพร่ระบาดที่ได้รับการยอมรับทางการแพทย์ แต่อัตราการใส่หน้ากากในแต่ละประเทศกลับไม่เหมือนกัน เนื่องด้วยวัฒนธรรม ความตื่นตัวและนโยบายรัฐ งานวิจัยที่ผ่านมาตั้งข้อสังเกตว่า พื้นที่ที่ใส่หน้ากาก หรือมีการบังคับใส่หน้ากากอนามัย/หน้ากากผ้ามีการแพร่ระบาดของโควิด-19 น้อยกว่าพื้นที่ที่ไม่ใส่หน้ากากอนามัย อย่างไรก็ตามมีงานศึกษาน้อยมากที่มีการประเมินอัตราการใส่หน้ากากโดยใช้ข้อมูลเชิงประจักษ์ ส่วนใหญ่ใช้การรายงานว่ามีกฎหมายบังคับใส่หน้ากากหรือผลจากการตอบแบบสอบถาม online ดังนั้นหากมีวิธีประเมินอัตราการใส่หน้ากากโดยใช้ข้อมูลเชิงประจักษ์จะเป็นประโยชน์ในการรณรงค์การใส่หน้ากาก งานวิจัยนี้จึงมีเป้าหมายที่จะพัฒนาระบบปัญญาประดิษฐ์ที่จะวิเคราะห์ภาพจากกล้องวงจรปิดที่ใช้จริงในพื้นที่สาธารณะ เพื่อคำนวณอัตราการใส่หน้ากากอนามัย/หน้ากากผ้า และศึกษาดูความสัมพันธ์กับนโยบายหรือปัจจัยอื่นๆ ระเบียบวิธี: โครงการได้คัดเลือกกล้องวงจรปิด ที่ติดตั้งในพื้นที่สาธารณะในกรุงเทพมหานครฯ ตามความเหมาะสมของตำแหน่งและมุมกล้อง โดยทุกสัปดาห์จะรับวิดีโอภาพ 9 ชั่วโมงจากแต่ละกล้องเพื่อมาวิเคราะห์ด้วยปัญญาประดิษฐ์ ที่ได้ฝึกการแยกแยะใบหน้าที่ใส่และไม่ใส่หน้ากากมาจากภาพในคลังภาพสาธารณะใน Internet การวิเคราะห์แบ่งเป็น ส่วนภาพที่มีคนสัญจรหรือเคลื่อนไหว กับอีกส่วนที่คนไม่เคลื่อนไหวมากนัก เช่น แผงลอยข้างทางเดิน ภาพที่ผ่านการวิเคราะห์บางส่วนจะได้รับการทบทวนความแม่นยำโดยให้มนุษย์ตรวจอีกที ซึ่งภาพส่วนนี้จะแม่นยำมากและใช้ในการวิเคราะห์เชิงลึกต่อเพื่อดูความสัมพันธ์กับปัจจัยต่างๆ ผลการศึกษา: ทางโครงการได้รับภาพจากกล้อง 39 ตัว ทุกสัปดาห์ ระหว่างวันที่ 1 เมษายน ถึง 15 พฤศจิกายน พ.ศ. 2564 ซึ่งภาพจากกล้อง 15 ตัวจะได้รับการตรวจสอบอีกครั้งด้วยมนุษย์หลังจากที่ได้รับผลกลับมาจากปัญญาประดิษฐ์ เหตุการณ์สำคัญในช่วงการศึกษามีดังต่อไปนี้: การประกาศบังคับใส่หน้ากากอนามัย/หน้ากากผ้าเมื่ออยู่นอกเคหะสถาน และการติดเชื้ออย่างรุนแรงระลอกที่ 4 ในประเทศไทย อัตราการใส่หน้ากากฯ โดยรวมในส่วนของคนสัญจร ก่อนการประกาศบังคับใส่หน้ากากฯ มีร้อยละ 89 (SD 10%) และเพิ่มขึ้นเป็นร้อยละ 92 (SD 9%) หลังออกประกาศฯ แต่การเพิ่มขึ้นนี้ไม่มีนัยสำคัญทางสถิติ (p = 0.3) เมื่อเปรียบเทียบอัตราการใส่หน้ากากฯ ก่อนระลอกที่ 4 กับ ช่วงครึ่งแรกของการแพร่ระบาดระลอกที่ 4 พบว่าอัตราการใส่หน้ากากฯ เพิ่มขึ้นอย่างมีนัยสำคัญ จากร้อยละ 92 ขึ้นเป็นร้อยละ 96 (p = 0.0039) หลังจากจุดสูงสุดของการระบาดระลอกที่ 4 อัตราการใส่หน้ากากฯ ลดลงเหลือร้อยละ 94 แต่การลดลงนี้ไม่มีนัยสำคัญ การวิเคราะห์ทางสถิติยังพบว่า จำนวนคนติดเชื้อในสัปดาห์ก่อน วัน เวลา และชนิดพื้นที่ มีผลต่ออัตราการใส่หน้ากากฯ อย่างมีนัยสำคัญ การตรวจภาพใบหน้าที่ไม่ใส่หน้ากากฯ พบว่ามีภาพผู้ชาย ที่ไม่ใส่หน้ากากฯ มากกว่าผู้หญิงประมาณ 3 เท่า นอกจากนั้นยังสังเกตเห็นคนที่สูบบุหรี่ คนพูดคุยผ่านโทรศัพท์มือถือ ขอทาน และคนในชุมชน ไม่ใส่หน้ากากฯ สรุป: การศึกษานี้ได้ใช้ระบบปัญญาประดิษฐ์วิเคราะห์ภาพจากกล้องวงจรปิดในพื้นที่สาธารณะในชีวิตจริง เพื่อวิเคราะห์อัตราการใส่หน้ากากอนามัยและหน้ากากผ้า คนไทยในกรุงเทพมหานครฯ มีอัตราการใส่หน้ากากฯ ร้อยละ 89 ก่อนมีประกาศบังคับใส่หน้ากากอนามัยฯ และเพิ่มขึ้นเป็นร้อยละ 92 หลังจากมีประกาศฯ อย่างไรก็ตามอัตราการใส่หน้ากากฯ เพิ่มขึ้นอย่างมีนัยสำคัญ (ร้อยละ 96) ในช่วงการระบาดระลอกที่ 4 ปัจจัยที่สัมพันธ์กับการใส่หน้ากากคือ จำนวนผู้ป่วยที่รายงานในสัปดาห์ก่อน วัน เวลาและลักษณะพื้นที่ที่ติดตั้งกล้อง ปัจจัยเหล่านี้ รวมทั้งปัจจัยที่ได้จากการตรวจดูภาพของคนที่ไม่ใส่หน้ากากฯ และพฤติกรรมเสี่ยงที่ได้จากการตอบแบบสัมภาษณ์ อาจจะเป็นประเด็นที่นำมาใช้รณรงค์ให้ประชาชนใส่หน้ากากฯ เพิ่มขึ้นได้ในอนาคต

เอกสารอ้างอิง

Cheng VC, Wong SC, Chuang VW, So SY, Chen JH, Sridhar S, et al. The role of community-wide wearing of face mask for control of coronavirus disease 2019 (COVID-19) epidemic due to SARS-CoV-2. J Infect. 2020;81(1):107-14.

Van Dyke ME, Rogers TM, Pevzner E, Satterwhite CL, Shah HB, Beckman WJ, et al. Trends in county-level COVID-19 incidence in counties with and without a mask mandate – Kansas, June 1-August 23, 2020. MMWR Morb Mortal Wkly Rep. 2020;69(47):1777-81.

Lyu W, Wehby GL. Community use of face masks and COVID-19: evidence from a natural experiment of state mandates in The US. Health Aff (Millwood). 2020;39(8):1419-25.

Fischer CB, Adrien N, Silguero JJ, Hopper JJ, Chowdhury AI, Werler MM. Mask adherence and rate of COVID-19 across the United States. PLoS One. 2021;16(4):e0249891.

Adjodah D, Dinakar K, Chinazzi M, Fraiberger SP, Pentland A, Bates S, et al. Association between COVID-19 outcomes and mask mandates, adherence, and attitudes. PLOS ONE. 2021;16(6):e0252315.

Talic S, Shah S, Wild H, Gasevic D, Maharaj A, Ademi Z, et al. Effectiveness of public health measures in reducing the incidence of covid-19, SARS-CoV-2 transmission, and covid-19 mortality: systematic review and meta-analysis. BMJ. 2021;375:e068302.

Elachola H, Gozzer E, Rahman NMM, Ditekemena J, Pan-do-Robles V, Pa K, et al. Photo-epidemiology to estimate face covering use in select areas in Asia versus the Americas and Africa during the COVID-19 pandemic. J Travel Med. 2020;27(8):taaa121. doi: 10.1093/jtm/taaa121.

Soltanian AR, Omidi T, Khazaei S, Bashirian S, Heidarimoghadam R, Jenabi E, et al. Assessment of mask-wearing adherence and social distancing compliance in public places in Hamadan, Iran, during the COVID-19 pandemic. J Res Health Sci. 2021 Aug 30;21(3):e00526. doi: 10.34172/jrhs.2021.61.

Institute of Global Health Innovation ICL. COVID-19 behaviour tracker 2020 [internet]. Available from: https://public.tab-leau.com/profile/ighi#!/vizhome/ICLYouGovCovid-19Track-er_V0_3/1Specificpreventativebehaviourbycountry.

Department of Health, Ministry of Public Health. Anamai poll 5 health surveillance [internet]. 28 December 2020 – 8 January 2021 [cited 2022 Sep]. Available from: https://sites.google.com/view/hia-surveillance/anamai-poll-covid/%E0%B8%84%E0%B8%A3%E0%B8%87%E0%B8%97-5. (in Thai)

Department of Health, Ministry of Public Health. Anamai poll 15 health surveillance [internet]. 1 October -31 October 2021 [cited 2022 Sep]. Available from: https://sites.google.com/view/hia-surveillance/anamai-poll-covid/%E0%B8%84%E0%B8%A3%E0%B8%87%E0%B8%97-15?authuser=0. (in Thai)

Haischer MH, Beilfuss R, Hart MR, Opielinski L, Wrucke D, Zirgaitis G, et al. Who is wearing a mask? Gender-, age-, and location-related differences during the COVID-19 pandemic. PLOS ONE. 2020;15(10):e0240785.

Xinqi Fan, Mingie Jiang. RetinaFaceMask: a single stage face mask detector for assisting control of the COVID-19 pandemic [internet]. arXiv:2005.03950v3. 2020. Available from: https://arxiv.org/abs/2005.03950.

Qin B, Li D. Identifying facemask-wearing condition using image super-resolution with classification network to prevent COVID-19. Sensors. 2020;20(18):5236.

Loey M, Manogaran G, Taha MHN, Khalifa NEM. Fighting against COVID-19: a novel deep learning model based on YOLO-v2 with ResNet-50 for medical face mask detection. Sustain Cities Soc. 2021;65:102600.

Loey M, Manogaran G, Taha MHN, Khalifa NEM. A hybrid deep transfer learning model with machine learning methods for face mask detection in the era of the COVID-19 pandemic. Measurement (Lond). 2021;167:108288.

Tomás J, Rego A, Viciano-Tudela S, Lloret J. Incorrect face-mask-wearing detection using convolutional neural networks with transfer learning. Healthcare. 2021;9(8):1050.

Sethi S, Kathuria M, Kaushik T. Face mask detection using deep learning: an approach to reduce risk of coronavirus spread. Journal of biomedical informatics. 2021;120:103848.

Hussain GKJ, Priya R, Rajarajeswari S, Prasanth P, Niyazuddeen N. The face mask detection technology for image analysis in the Covid-19 surveillance system. Journal of Physics: Conference Series. 2021;1916(1):012084.

Adhikarla E, Davidson BD. Face mask detection on real-world webcam images. Proceedings of the Conference on Information Technology for Social Good (GoodIT ’21). September 9–11, 2021, Roma, Italy. ACM, New York, NY, USA. 2021. p. 139–44. Available from: https://doi.org/10.1145/3462203.3475903.

Kasem S, Paisan R, Ngamphol S, Panisa S, Natsuda K, Thanaruk T. Reflecting on public behavior with artificial intelligence-assisted detection of face mask wearing during the COVID-19 pandemic. Research Square. 2022.

Deng J, Guo J, Zhou Y, Yu J, Kotsia I, Zafeiriou S. Retina-Face: single-stage dense face localisation in the wild. arXiv:190500641v2. 2019.

Earp SWF, Noinongyao P, Cairns JA, Ganguly A. Face detection with feature pyramids and landmarks. arXiv:191200596v2. 2019.

Sommana B, Watchareeruetai U, Ganguly A, Earp SWF, Kitiyakara T, Boonmanunt S, et al. Development of a face mask detection pipeline for mask-wearing monitoring in the era of the COVID-19 pandemic: a modular approach. arXiv:211215031v1 2021.

Goldberg MH, Gustafson A, Maibach EW, Ballew MT, Bergquist P, Kotcher JE, et al. Mask-wearing increased after a government recommendation: a natural experiment in the U.S. during the COVID-19 pandemic. Frontiers in Communication. 2020;5.

Official statistics registration systems [Internet]. [cited Sep 2022]. Available from: https://stat.bora.dopa.go.th/stat/statnew/statMenu/newStat/home.php. (in Thai)

Tam SY, Tam VCW, Law HKW, Khaw ML, Lee SWY. Rationale for mass masking in controlling the COVID-19 pandemic. Front Public Health. 2021;9:665708.

Liu Y, Rocklov J. The reproductive number of the Delta variant of SARS-CoV-2 is far higher compared to the ancestral SARS-CoV-2 virus. J Travel Med. 2021;28(7).

Campbell F, Archer B, Laurenson-Schafer H, Jinnai Y, Konings F, Batra N, et al. Increased transmissibility and global spread of SARS-CoV-2 variants of concern as at June 2021. Euro Surveill. 2021;26(24).

Howard MC. Gender, face mask perceptions, and face mask wearing: are men being dangerous during the COVID-19 pandemic? Personality and Individual Differences. 2021;170:110417.

Palmer CL, Peterson RD. Toxic mask-ulinity: the link between masculine toughness and affective reactions to mask wearing in the COVID-19 era. Politics & Gender. 2020;16(4):1044-51.

Badillo-Goicoechea E, Chang T-H, Kim E, LaRocca S, Morris K, Deng X, et al. Global trends and predictors of face mask usage during the COVID-19 pandemic. BMC Public Health. 2021;21(1):2099.

Salas-Rodriguez J, Gomez-Jacinto L, Hombrados-Mendieta I, Del Pino-Brunet N. Applying an evolutionary approach of risk-taking behaviors in adolescents. Front Psychol. 2021;12:694134.

Pawlowski B, Atwal R, Dunbar RIM. Sex differences in everyday risk-taking behavior in humans. Evolutionary Psychology. 2008;6(1):147470490800600104.

Estrada F, Bäckman O, Nilsson A. The darker side of equality? The declining gender gap in crime: historical trends and an enhanced analysis of staggered birth cohorts. The British Journal of Criminology. 2015;56(6):1272-90.

Tamas V, Kocsor F, Gyuris P, Kovacs N, Czeiter E, Buki A. The young male syndrome-an analysis of sex, age, risk taking and mortality in patients with severe traumatic brain injuries. Front Neurol. 2019;10:366.