زمین آمار چیست؟ پیوند مشترک بین جغرافیای پزشکی و زمین‌شناسی پزشکی

زمین آمار چیست؟ پیوند مشترک بین جغرافیای پزشکی و زمین‌شناسی پزشکی-موسسه چشم انداز

چکیده:

زمین آماری به عنوان ابزار اصلی تجزیه و تحلیل داده های مکانی در زمینه های مختلف ، اعم از علوم زمین و جوی گرفته تا کشاورزی ، علوم خاک ، سنجش از دور و اخیراً ارزیابی قرار گرفتن در معرض محیط زیست پدید آمده است. در چند سال گذشته ، این ابزارها متناسب با زمینه جغرافیای پزشکی یا اپیدمیولوژی فضایی طراحی شده اند که به بررسی الگوهای مکانی بروز و مرگ و میر بیماری و شناسایی دلایل بالقوه بیماری مانند قرار گرفتن در معرض محیط زیست می پردازد. ، رژیم و رفتارهای ناسالم ، عوامل اقتصادی و اجتماعی – جمعیت شناختی. از طرف دیگر ، زمین شناسی پزشکی یک میدان علمی میان رشتهای در حال ظهور است که به بررسی رابطه بین عوامل زمین شناسی طبیعی و تأثیرات آنها بر سلامت انسان و حیوان می پردازد. در این مقاله مقدمه ای در زمینه زمین شناسی پزشکی با مرور کلی از روش های زمین آماری موجود برای تجزیه و تحلیل داده های زمین شناسی و بهداشت ارائه شده است. مفاهیم کلیدی با استفاده از نقشه برداری غلظت آرسنیک آب زیرزمینی در یازده شهرستان میشیگان و اکتشاف رابطه آن با بروز سرطان پروستات در سطح شهرها نشان داده شده است.

واژه‌های کلیدی: زمین شناسی ، زمین شناسی پزشکی ، اپیدمیولوژی مکانی ، آب های زیرزمینی ، آرسنیک

مقدمه:

اصطلاح «زمین آمار» مطالعه آماری پدیده های طبیعی را تعیین می کند. تحولات اولیه زمین آمار در دهه 50 و 1960 با هدف بهبود ارزیابی ذخایر قابل بازیافت در ذخایر معدنی انجام شد ( Krige، 1951 ؛ Journel and Huijbregts، 1978 ). زمینه کاربرد آن بطور قابل توجهی گسترش یافته است تا اینکه امروزه بیشتر رشته های علوم زمین (به عنوان مثال زمین شناسی ، ژئوشیمی ، ژئوهیدرولوژی ، علوم خاک) و طیف گسترده ای از رشته ها شامل شود که همگی با تجزیه و تحلیل داده های زمان و مکان مانند اقیانوس شناسی ، هیدروژئولوژی ، سنجش از دور فعالیت می کنند. کشاورزی ، علوم زیست محیطی موفقیت زمین آمار در توانایی خود برای سرمایه گذاری در اولین قانون جغرافیا است ، با بیان اینکه ” همه چیز به همه چیز دیگر مربوط می شود ، اما چیزهای نزدیکتر به هم شبیه تر هستند ” ( Tobler، 1970 ). در واقع ، یکی از ویژگی های اصلی انواع داده های فوق ، توزیع ساختار یافته آنها در فضا و زمان است که نشان دهنده تأثیر عوامل مختلف (به عنوان مثال زمین شناسی ، آب و هوا ، فعالیت های انسانی ، پوشش زمین) است که در مقیاس های مکانی و زمانی مختلف کار می کنند. مدلهای مکانی-فضایی ( Kyriakidis و Journel ، 1999 ) یک چارچوب محتمل برای تجزیه و تحلیل داده ها و پیش بینی های موجود در وابستگی مکانی و زمانی مشترک بین مشاهدات ارائه می دهند.

تجزیه و تحلیل داده های مکانی به طور معمول با “ارسال” مقادیر داده شروع می شود. به عنوان مثال ، شکل 1 (نمودار بالا) محل 259 نمونه خاک را نشان می دهد که غلظت غلظت کادمیوم خاک سطحی ثبت شده است. بیشتر کاربردهای زمین آماری مربوط به پیش بینی ویژگیهای اندازه گیری شده در مکانهای بدون اطلاعات و فاقد داده هستند. چنین درون یابی یا برون یابی با وجود خود همبستگی در داده ها امکان پذیر است ، که می توان با استفاده از واریوگرام(شبه واریانس) برنامه ریزی و اندازه گیری شد. تکنیک های مختلف کریجینگ برای دستیابی به مقادیر صفت تخمین زده شده و واریانس خطای پیش بینی مربوطه در مکان های غیرمشخص با استفاده از اطلاعات مربوط به یک یا چند ویژگی موجود است. سهم مهمی از زمین آماری ، ارزیابی عدم اطمینان در مورد مقادیر صفت در هر مکان غیرمستقیم خاص (عدم قطعیت محلی) و همچنین مشترکاً در چندین مکان (عدم اطمینان چند نقطه یا مکانی) است. مدل های عدم اطمینان محلی معمولاً به صورت نقشه احتمال فراتر از مقادیر بحرانی ، مانند آستانه های نظارتی در آلودگی خاک ، شکل می گیرد. عدم قطعیت مکانی از طریق شبیه سازی تصادفی برطرف می شود که به فرد امکان می دهد مدلهای جایگزین از توزیع مکانی مقادیر صفت را تولید کند که ویژگی های داده ها را تولید می کند (به عنوان مثال هیستوگرام). نکته آخر اینکه این ارزیابی عدم اطمینان می تواند با دانش متخصص برای تصمیم گیری همراه باشد ، مانند مشخص کردن مناطق آلوده که در آن باید اقدامات درمانی انجام شود یا انتخاب مکان هایی برای نمونه برداری اضافی.

شکل 1:نمودار جریان یک مطالعه زمین شناسی معمولی از آلودگی کادمیوم خاک که به صورت پی در پی شامل می شود: نمایش محل 259 نمونه خاک ، محاسبه و مدل سازی نیم کره ، برنامه یابی غلظت با استفاده از کریجینگ ، مدل سازی عدم قطعیت محلی (نقشه احتمال) و عدم قطعیت مکانی (نقشه های شبیه سازی شده ) ، و تصمیم گیری مانند مشخص کردن مناطقی که احتمالاً غلظت از آستانه نظارتی 0.8 ppm باشد

جغرافیای پزشکی به عنوان شاخه جغرافیای انسانی مربوط به جنبه های جغرافیایی بهداشت ، بیماری و مراقبت های بهداشتی تعریف شده است ( مه 1950 ). این ایده که مکان و مکان می تواند بر سلامتی تأثیر بگذارد ، یک مفهوم بسیار قدیمی و آشنا در جغرافیای پزشکی است. یکی از اولین کاربردهای  نقشه در تحلیل بیماری ها  توسط مطالعه دکتر جان اسنو درباره بیماری همه گیر وبا در لندن در سال 1854 مطرح شد. با استفاده از نقشه هایی که مکان پمپ های آب را نشان می کند و خانه های افرادی که بر اثر وبا جان باختند . توانست نتیجه بگیرد که یک پمپ عمومی منبع شیوع وبا بود ( مک لود ، 2000 ). آن زمان ها نقشه ها کاعذی بودند ولی امروزه دیگر شرایط مثل گذشته نیست و نقشه های دیجیتال جای نقشه های کاغذی را گرفته اند

اخیراً ، تکنیک های زمین آماری (نیمه آماری ، کریگینگ ، شبیه سازی تصادفی) برای مطالعه الگوهای مکانی بروز و مرگ و میر بیماری و شناسایی علل بالقوه بیماری ، مانند قرار گرفتن در معرض محیط زیست یا فاکتور اجتماعی-جمعیت شناختی ( والر و گتوی) طراحی شده اند. ، 2004 ؛ Goovaerts ، 2007 ، 2009 ). بار دیگر ، پیامدهای سلامتی ، مانند مرگ و میر ناشی از سرطان یا بروز تشخیص اواخر مرحله ، تمایل به پیروی از قانون اول جغرافیا دارند و نقشه ها توسط مسئولان بهداشت عمومی برای شناسایی مناطق اضافی (به عنوان مثال خوشه های سرطانی) و راهنمایی نظارت و نظارت استفاده می شود. فعالیتهای کنترل ، از جمله توجه به نیازهای خدمات بهداشتی و تخصیص منابع برای غربالگری و آزمایشهای تشخیصی. داده های موجود برای مطالعات بهداشتی انسان در دو دسته اصلی قرار می گیرد: داده های سطح فردی (به عنوان مثال مکان بیماران و گروه کنترل) یا داده های جمع آوری شده (به عنوان مثال میزان سرطان ثبت شده در سطح شهرستان یا کد پستی). مثال را در شکل 2 ببینید . اگرچه هیچ یک از این مجموعه داده ها جزو دسته بندی “داده های ژئواستاتیکی” نیستند ، همانطور که به صورت کلاسیک در ادبیات آمار مکانی تعریف شده است ( کرسی ، 1993 ) ، سازمان زمین شناسی جایگزین امیدوار کننده ای برای روشهای متداول برای تجزیه و تحلیل فرآیندهای نقطه مکانی و داده های شبکه ارائه می دهد. یکی از چالش برانگیزترین کارها در اپیدمیولوژی محیطی ، تجزیه و تحلیل و جمع آوری داده های جمع آوری شده در مقیاسهای مختلف و پشتیبانی از فضاهای مختلف است. به عنوان مثال ، ممکن است کسی بخواهد روابط بین پیامدهای بهداشتی جمع شده به سطح کد پستی ، متغیرهای جمعیتی و مشخصات جمعیتی و داده های قرار گرفتن در معرض را در چند نقطه مورد بررسی قرار دهد. Geostatistics یک چارچوب نظری را برای انجام انواع مختلفی از پشتیبانی پشتیبانی ارائه می دهد ، ضمن اینکه معیاری برای اطمینان از پیش بینی ها ارائه می دهد ( Goovaerts ، 2010 ، 2012 ).

شکل 2:نمونه ای از داده های بهداشتی موجود برای تجزیه و تحلیل مکانی. داده های فردی محل زندگی بیماران مبتلا به سرطان و همچنین مرحله تشخیص آنهاست. به دلایل محرمانه بودن ، این داده های حساس غالباً جمع می شوند و در نتیجه داده های نرخ برای واحدهای جغرافیایی با اندازه و شکل متفاوت محاسبه می شوند (به عنوان مثال دستگاه های سرشماری در اینجا)

“Hydrobiogeochemoepidemiopathoecology” ، اصطلاحی است که توسط دانشمندان به عنوان جایگزینی برای رایج ترین زمین شناسی پزشکی ایجاد شده است ، به عنوان علمی که با رابطه بین عوامل زمین شناختی طبیعی و سلامتی در انسان و حیوان و درک تأثیر عوامل محیطی عادی بر جغرافیایی تعریف شده است. توزیع چنین مشکلات بهداشتی ( سلینوس و همکاران ، 2005 ). بومان و همکاران. (2003) بسته به اینکه آیا مشکلات بهداشتی ناشی از بروز طبیعی عناصر در محیط زمین شناسی (به عنوان مثال مصرف مواد غذایی در خاکهایی که دارای کمبود عنصر یا سمیت هستند) یا رهاسازی عناصر توسط خطرات طبیعی ایجاد می شود ، دو شاخه زمین شناسی پزشکی را متمایز کرده است. مانند زلزله ، فوران آتشفشانی یا زمین لغزش. مانند جغرافیا پزشکی ، اولین کاربردهای زمین شناسی پزشکی را می توان به گذشته های دور بازگرداند. رومی ها خطرات بالقوه سلامتی مربوط به معدن را تشخیص می دادند ، در حالی که چینی ها متوجه روابط بین بیماری ریه و خرد شدن سنگ شده بودند. طبق گفته سلینوس (2004) ، یکی از قدیمی ترین مستندات زمین شناسی پزشکی توسط مارکو پولو تهیه شده است ، که در سال 1275 گزارش داد که اسب های اروپایی وی در مناطق کوهستانی چین در حال مرگ هستند. علائمی که وی توضیح داد با مسمومیت سلنیوم سازگار است که در این مناطق با غلظت طبیعی بالایی وجود دارد.

از آن زمان ، نمونه های زیادی وجود دارد که چگونه زمین شناسی بر سلامت انسان و حیوان تأثیر می گذارد ، از طریق هر دو مقدار اضافی (مانند آرسنیک موجود در آب آشامیدنی و سرطان پوست ، سرطان رادون و ریه) یا کمبود (به عنوان مثال ید و گواتر ، مواد معدنی خاک و رشد ضعیف دام) عناصر شیمیایی که به طور طبیعی وجود دارند. در قرن بیستم ، مطالعات بسیاری از نقشه ها منتشر شد که توزیع بیماری را به انواع سنگ یا خاک مرتبط می کند. به عنوان مثال ، با قرار دادن نقشه شیوع پودوکونیوز (نوع فیل یا تورم پا) در نقشه زمین شناسی غرب آفریقا ، ارتباط این بیماری و وجود گلهای قرمز سرشار از فلزات قلیایی مانند سدیم و پتاسیم و همراه با فعالیت آتشفشانی مشخص شد. ( قیمت ، 1976 ). فینکلمن و همکاران. (2011) گزارش داد كه بروز سرطان ریه و میزان مرگ و میر در انتاریو در مناطقی كه تحت خاك سنگین اورانیوم غنی شده و سپر كانادا قرار دارند بالاترین است. پیوند بین ژئوشیمی فلوراید آب در یک منطقه و بروز فلوروز دندان نیز یک رابطه مشهور در زمین شناسی پزشکی است ( دیسانایایک ، 2005 ).

از آنجا که زمین شناسی زمین شناسی در زمین شناسی ریاضی به خوبی تثبیت شده است و کاربرد آن در جغرافیای پزشکی رو به رشد است ، طبیعی است پیش بینی آینده ای روشن برای این رشته در زمینه نوظهور زمین شناسی پزشکی. این مقاله با استفاده از نقشه برداری از بروز سرطان پروستات در میشیگان و اکتشاف رابطه آن با سطح آرسنیک آب زیرزمینی ، یک مرور مختصر از روشهای زمین آماری موجود برای تجزیه و تحلیل داده های بهداشتی زیست محیطی و تجمیع موجود ارائه می دهد.

آرسنیک  یکی از سمی ترین عناصر موجود در محیط زیست ما است و پس از سرب و جیوه در فهرست مواد سمی و بیماری های ایالات متحده به عنوان سومین ماده سمی فهرست شده است. تأثیرات منفی آن بر سلامتی انسان می تواند اشکال مختلفی داشته باشد ، از جمله ضایعات پوستی ، بیماری های قلبی عروقی ، فشار خون بالا ، اختلالات تولید مثل و عصبی ، مشکلات تنفسی و انواع سرطان (مانند پوست ، ریه ، کبد ، مثانه ، پروستات ، کلیه). منابع قرار گرفتن در معرض آرسنیک از سوزاندن زغال سنگ غنی از آرسنیک (چین) و فعالیت های معدن (مالزی ، ژاپن) تا مصرف غذای لکه دار ( به عنوان مثال برنج) یا آب آلوده به منابع طبیعی مانند بستر حاوی آرسنیک ( مانند بنگلادش ، هند ، تایوان ، فیلیپین ، مکزیک ، شیلی). آرسنیک موجود در آب آشامیدنی یک مشکل اساسی است و به دلیل جمعیت زیاد انسانی که در معرض آن قرار گرفته و غلظت های بسیار زیاد (به عنوان مثال 600 تا 700 میکروگرم بر لیتر) در بسیاری از موارد ثبت شده است ، مورد توجه بسیاری قرار گرفته است. با این حال ، مطالعات کمی ، خطرات مرتبط با قرار گرفتن در معرض سطوح کم آرسنیک (مثلاً <50 میکروگرم بر لیتر) را که معمولاً در آب آشامیدنی در ایالات متحده یافت می شود ، ارزیابی کرده است.

سطح بالایی از آرسنیک طبیعی در الگوهای منطقه ای در ایالات متحده آمریکا شناسایی شده و به ژئوشیمی ، زمین شناسی ، آب و هوا و تاریخ یخبندان نسبت داده شده است ( Welch et al. ، 2000 ). در منطقه میشیگان Thumb ، آرسنوپیریت (حداکثر 7 درصد وزن) در بستر سفره آب ماسه سنگ مارشال ، یکی از پرمخاطب ترین سفره های آبی منطقه شناخته شده است ( Westjohn و همکاران ، 1998 ). مطالعه موردی حاضر ارتباط بین بروز سرطان پروستات و سطح آرسنیک آبهای زیرزمینی را برای یازده شهرستان میشیگان نشان داده شده در شکل 3 بررسی کرده است . مطالعات اپیدمیولوژیک ارتباط احتمالی بین قرار گرفتن در معرض آرسنیک غیر آلی و مرگ و میر سرطان پروستات ، از جمله مطالعه جمعیت ساکن یوتا را نشان داده است ( لوئیس و همکاران ، 1999 ). برخلاف مطالعه یوتا ، هیچ گونه اطلاعات شخصی در اینجا در دسترس نیست ، که هرگونه بازسازی در معرض نور را ممنوع می کند ( یعنی مدت زمان قرار گرفتن در معرض در صورت عدم اطلاع از تاریخ مسکونی ناشناخته است) و گنجاندن متغیرهای مهم مانند سن ، سیگار کشیدن ، رژیم غذایی ، وراثت ، یا وضعیت اقتصادی – اجتماعی توجه داشته باشید که هدف از مطالعه موردی ، نشان دادن کاربرد زمین آماری در زمین شناسی پزشکی است و یک مطالعه کامل اپیدمیولوژیک فراتر از محدوده این مقاله است.

شکل 3:مجموعه داده های آرسنیک آب های زیرزمینی: 8 212 مشاهده داده چاه (میکروگرم بر لیتر) برای مدل سازی و نقشه بستر با محل زیرگذر ماسه سنگ مارشال که بالاترین غلظت آرسنیک پیدا شد. حاشیه شهرها در پس زمینه نمایش داده می شود و منطقه مورد مطالعه در ایالت میشیگان واقع شده است

اطلاعات موجود برای این مطالعه به اصطلاح زیست محیطی (به عنوان مثال تجزیه و تحلیل نتایج سلامت جمع آوری شده) شامل موارد زیر است: (1) 9 188 غلظت آرسنیک در 8 212 حلقه چاه خصوصی که بین سالهای 1993 تا 2002 نمونه برداری شده ، اندازه گیری شده است (2) بروز سرطان پروستات ثبت شده در سطح شهر در طی دوره 1985-2002 ، و (3) تراکم جمعیت بلوک گروه که به عنوان پروکسی برای شهرنشینی و استفاده از آبرسانی عمومی تنظیم شده در مقابل استفاده از چاههای خصوصی بالقوه آلوده در مناطق روستایی خدمت کرده است. شکل 4A نزدیک بودن این سه مجموعه داده را در قسمت شمالی منطقه مورد مطالعه نشان می دهد. این مطالعه موردی یک چالش رایج در اپیدمیولوژی محیطی را نشان می دهد – یعنی تجزیه و تحلیل و ترکیب داده های مکانی جمع آوری شده در مقیاسهای مختلف مکانی و بیش از پشتیبانهای مختلف مکانی. بررسی روابط بین این مجموعه داده های ناسازگار ، نیاز به تخمین هر سه متغیر بر روی همان مجموعه واحدهای جغرافیایی دارد (به عنوان مثال ، شهرهای اینجا). شکل 4B را ببینید. به دنبال اصطلاحات در Gotway and Young (2007) ، این تغییر پشتیبانی (COS) شامل افزایش مجدد (تجمع فضایی) برای داده های آرسنیک و مقیاس بندی جانبی است ، اصطلاحی که برای اشاره به پیش بینی مقادیر در یک مجموعه واحدهای مکانی از آن استفاده می شود. داده ها در مورد مجموعه دیگری از واحدهای فضایی با هم تداخل دارند ، برای تراکم جمعیت.

شکل 4:نمونه ای از تغییر پشتیبانی در جایی که از کریگینگ برای تخمین غلظت آرسنیک آب زیرزمینی و تراکم جمعیت در سطح شهر استفاده می شود با استفاده از غلظت آرسنیک چاه های خصوصی (بالا آمدن) و داده های سرشماری بلوک گروه (مقیاس بندی جانبی) استفاده می شود. این تغییر پشتیبانی ، تجزیه و تحلیل رابطه بین نوشیدن آبهای زیرزمینی با سطح بالای آرسنیک و بروز سرطان پروستات را امکان پذیر می کند.

نقشه برداری از محتوای آرسنیک

در این مطالعه از مدل زمین آماری توزیع مکانی فضایی غلظت آرسنیک آب های زیرزمینی استفاده شده است که در گوآورتس و همکاران به تفصیل شرح داده شده است . (2005) فقط برجسته ترین ویژگی ها در اینجا ارائه خواهد شد. مدل سازی بر اساس تمام داده های 9 188 چاه انجام شد. بزرگی کمی از تغییرات زمانی نسبت به تغییر در فضا یا ناشی از خطای اندازه گیری و همچنین عدم وجود روند زمانی یا فصلی ، باعث شده است که در این مطالعه از بعد زمانی چشم پوشی کنیم. از آنجا که این پایگاه داده شامل اندازه گیری آرسنیک است که توسط صاحبان خانه درخواست شده است ، نمونه برداری در مناطقی که غلظت آلاینده بالاتر در ابتدا گزارش شده ، متراکم تر است. این نمونه برداری ترجیحی با استفاده از تکنیک تجزیه سلولها اصلاح شد ( Deutsch and Journel، 1998 ) ، که خواستار تقسیم منطقه مورد مطالعه به سلولهای مستطیلی است. سپس هر مشاهده در یک سلول وزن معكوس متناسب با تعداد داده های آن سلول اختصاص می یابد. از این وزن های تجزیه کننده به جای وزن برابر ، در محاسبه آمار خلاصه استفاده شد که منجر به میانگین و انحراف استاندارد به ترتیب 10.97 و 15.22 میکروگرم بر لیتر شد.

غلظت آرسنیک در گره های یک شبکه فاصله 500 متر با استفاده از کریجینگ نشانگر نرم ( Goovaerts ، 1997 ) و 22 آستانه تخمین زده شد. اطلاعات نرم توسط کالیبراسیون داده های زمین شناسی ، از قبیل نوع بستر و رسوبات غیر تلفیقی ، و مجاورت چاه ها به زیرگذر ماسه سنگ مارشال ، جایی که بالاترین غلظت آرسنیک پیدا شد ، بدست آمد. انتخاب رویکرد غیرپارامتری نسبت به کریجینگ لوژورمالی یا چندگاوسی توسط:

حضور 737 اندازه گیری زیر حد مجاز. بر خلاف تکنیک های دیگر ، نشانگر نیازی به اختصاص مقدار ذهنی (به عنوان مثال نیمی از حد تشخیص) به این داده ها ندارد زیرا آستانه اول به سادگی با حد مجاز مشخص می شود.

تغییر در اتصال فضایی طبقات مختلف مشاهدات. نشانگرهای نیمه هادی در شکل 5 فرکانس انتقال بین دو کلاس از مقادیر آرسنیک را به عنوان تابعی از فاصله تفکیک اندازه گیری می کنند. هرچه مقدار نیم یاریگر شاخص بیشتر باشد ، مقادیر کوچک یا بزرگ در فضای کمتری به هم وصل می شوند. با افزایش آستانه ، تغییر در برد کوتاه اهمیت بیشتری پیدا می کند ، که نشان می دهد غلظت آرسنیک بالا در فضا نسبت به غلظت های پایین کمتر ارتباط دارد.

شکل 5:نيمهاريوگرام هاي شاخص تجربي محاسبه شده از داده هاي چاه آرسنيك با استفاده از پنج مقدار آستانه. خط جامد مدل جاسازی شده با استفاده از رگرسیون حداقل مربعات است. توجه داشته باشید که چگونه تغییرات دامنه کوتاه برای دهکده چهارم و نهم فوقانی هیستوگرام نمونه افزایش می یابد ، که نشان دهنده اتصال فضایی کوچکتر از غلظت آرسنیک بالا است

1. نتایج یک مطالعه اعتبارسنجی متقابل با استفاده از داده های چاه 18 188 و یک مطالعه اعتبار سنجی با استفاده از 73 حلقه چاه جدید. در هر دو مورد ، معیارهای نرم افزار کوچکترین خطای مطلق پیش بینی را ارائه می دهن

شکل 6 (نمودار بالا) میانگین توزیع محلی احتمال را با استفاده از کریجینگ شاخص نرم (برآورد نوع E) مدل سازی کرده است. این نقشه از نزدیک الگوی مکانی شکل گیری بستر را بازتولید می کند ( شکل 3 ) ، تخمین های کمتری را در قسمت جنوبی منطقه مورد مطالعه و برآورد های بزرگتر در محل ماسه ماسه مارشال ارائه می دهد. غلظت در هر یک از 342 شهر به طور متوسط ​​انجام شد تا نقشه مناسب برای پیوند با داده های بهداشتی تهیه شود ( شکل 6 ، نمودار پایین).

شکل 6: نقشه غلظت آرسنیک آب های زیرزمینی (میکروگرم در لیتر) در گره های شبکه فاصله 500 متر با استفاده از کریگینگ نشانگر نرم و در سطح شهر با تجمع خطی تخمین زده می شود

چگالی جمعیت

تراکم جمعیت در سطح شهر از داده های دستگاه سرشماری با استفاده از وزن های ناحیه ای یا تخصیص متناسب حاصل می شود ( Gotway and Young، 2002 ). به عبارت دیگر ، جمعیت مرد مبتنی بر دستگاه سرشماری براساس مساحت نسبی دستگاه سرشماری که در آن شهرک درج شده است به هر شهرستان اختصاص می یابد. فرض ضمنی این بود که جمعیت به طور یکنواخت در دستگاه سرشماری توزیع می شدند. سپس داده های جمعیت برای محاسبه تراکم جمعیت توسط منطقه شهر تقسیم می شوند. نقشه نهایی ( شکل 7 ) چگالی جمعیت کم در قسمت شمالی منطقه مورد مطالعه را نشان می دهد و مراکز شهری مانند دیترویت ، فلینت ، آن آربر یا لانسینگ را برجسته می کند.

شکل :نقشه تراکم جمعیت در سطح شهر به دست آمده توسط وزن ناحیه داده های سرشماری

نقشه برداری از بروز سرطان پروستات

شکل 8A نقشه میزان بروز سرطان پروستات محاسبه شده در سطح شهر را نشان می دهد. این تجزیه و تحلیل به مردان سفید پوست 65 سال و بالاتر محدود شد تا به حداقل برسد تأثیر نابرابریها در توزیع سنی در سراسر منطقه و برای کاهش تأثیر تنوع در پوشش بهداشتی از آنجا که همه موارد تحت پوشش مدیکر قرار گرفتند. علاوه بر این ، 146 نرخ مبتنی بر کمتر از 10 مورد غیرقابل اعتماد در نظر گرفته شده و یک مقدار گمشده را اختصاص داده است. حتی در شهرهایی که بیش از 10 مورد دارند ، نرخ ها هنوز هم می توانند ناپایدار باشند ، به ویژه در مناطق کم جمعیت روستایی. این مسئله ، که در اپیدمیولوژی به عنوان “مشکل کم تعداد” شناخته می شود ، با استفاده از شکلی از خطاهای اندازه گیری غیرسیستماتیک ، به نام پواسون کریگینگ ( Geovaerts ، 2009 ) از نظر زمین شناسی قابل حل است . ایده اصلی این است که با استفاده از نرخهای ثبت شده در واحدهای جغرافیایی مجاور ، نویزهای متصل به هر نرخ را فیلتر کنید. نرخ ها بر اساس جمعیت کمی ، از این رو پایدارتر ، وزن کمتری نسبت به نرخ های ثبت شده در مناطق پرجمعیت در برآوردگر کریگینگ دریافت می کنند. فواید عمده پواسون نسبت به صاف کننده های آماری سنتی این است که علاوه بر فیلتر نرخ پر سر و صدا ، امکان تخمین نرخ گمشده را فراهم می کند.

شکل 8:نقشه میزان بروز سرطان پروستات (تعداد موارد در هر 100000 سکنه) قبل از (A) و بعد از فیلتر کردن سر و صدا با استفاده از کریگزینگ پواسون (B). نقشه واریانس کریجینگ (C) بیانگر عدم اطمینان بیشتر در شهرهای کم جمعیت است. برآورد کریجینگ و واریانس برای محاسبه این احتمال استفاده می شود که میزان بروز در سطح منطقه از 1 709 مورد در هر 100000 سکنه در سطح شهر فراتر رود.

همانطور که برای غلظت آرسنیک ، این روش نقشه برداری نیاز به محاسبه و مدل سازی یک نیم کاره دارد. دو تفاوت عمده عبارتند از: (1) مشاهدات نرخ هستند و بنابراین از یک شمارنده (تعداد موارد سرطان) و مخرج (جمعیت مرد) تشکیل شده است ، و (2) تکیه گاههای مکانی از مشاهدات نقاط (داده های ناحیه ای) و یکنواخت نیستند (شهرها اندازه ها و شکل های مختلفی دارند). مشکل اول با استفاده از یک برآوردگر نیمه کاره جمعیتی وزن به منظور کاهش تأثیر نرخ اصطبل کمتر در مدل سازی تغییرپذیری مکانی برطرف می شود. از طرف دیگر ، پشتیبانی مکانی از داده ها با استفاده از شکلی از کریجینگ بلوک به نام منطقه به منطقه (ATA) کریجینگ ( Kyriakidis ، 2004 ) در نظر گرفته شده است. مسئله آخر این واقعیت است که کریجینگ ATA نیاز به یک مدل نیم مرحله ای از نقطه پشتیبانی دارد ، در حالی که تنها یک مدل نیم مرحله ای پشتیبانی از بلوک موجود است زیرا همه مشاهدات داده های عاملی هستند. استخراج یک مدل نیم مرحله ای از نقطه پشتیبانی از یک مدل پشتیبانی بلوک به تجزیه تجزیه و تحلیل در زمین آماری گفته می شود و یک مشکل شناخته شده در صنعت معدن است. با این حال ، بلوک های معدن تمایل دارند که تمام میادین به یک اندازه باشند ، وضعیتی بسیار متفاوت از واحدهای اداری که در جغرافیای پزشکی دستکاری می شوند. اخیراً یک روش خاص برای تجزیه مجدد برای پرونده واحدهای نامنظم ایجاد شده است ( Goovaerts ، 2008 ، 2011 ).

نقشه نرخ های فیلتر شده با سر و صدا ( شکل 8B ) که خطرات نامیده می شوند ، تنوع بسیار کمتری نسبت به نقشه های نرخ اصلی دارند. به ویژه ، برخی از میزان بروز شدید ثبت شده در مناطق روستایی دیگر وجود ندارد. در مناطق شمالی بیشتر روستایی مشاهده می شود ( شکل 7 ) و همچنین در شهرهای دیترویت و فلینت که از شهرهای کمتری از دانشگاه های آنر آربور و لانسینگ رونق کمتری دارند. نقشه واریانس کریجینگ ( شکل 8C ) شبیه به نقشه تراکم جمعیت است ( شکل 7 ) و نشان دهنده قابلیت اطمینان بیشتر نرخ های برآورد شده در مناطق پرجمعیت در مقایسه با نرخ هایی است که در مناطق روستایی مفقود یا برآورد شده است. به دنبال Goovaerts (2006) ، توزیع احتمال خطر ناشناخته را می توان با استفاده از توزیع Gaussian که دارای تخمین پوگیسون و واریانس کریجینگ به عنوان میانگین و واریانس است ، مدل سازی کرد. احتمالاً بیش از آستانه های خاص می تواند به راحتی محاسبه شود و هم بزرگی برآورد ریسک و هم عدم اطمینان آن را در بر می گیرد. به عنوان مثال ، شکل 8D این احتمال را نشان می دهد که از میزان بروز 1709 مورد در هر 100000 سکنه در سطح منطقه فراتر رود.

تجزیه و تحلیل همبستگی

رابطه بین نتیجه سلامت و همبستگیهای قلبی (سطح آرسنیک و تراکم جمعیت) با استفاده از رگرسیون لجستیک مورد تجزیه و تحلیل قرار گرفت. متغیر وابسته متغیر شاخصی است که اگر احتمال فراتر از میزان بروز در سطح منطقه بالاتر از 0.5 باشد ، در غیر این صورت صفر است. پیش بینی کننده اصلی میزان غلظت سطح آرسنیک در سطح شهر است که در پایین شکل 6 نشان داده شده است . با توجه به اینکه شهرکهای روستایی کمتر به دسترسی به منبع تنظیم شده در آب دسترسی دارند ، باید انتظار داشت که در صورت کم بودن میزان تراکم جمعیت ، سطح آرسنیک آب زیرزمینی و بروز سرطان پروستات قوی تر باشد. این فرضیه با استفاده از اصطلاح تعامل زیر در مدل رگرسیون مورد آزمایش قرار گرفت: کلاس چگالی غلظت آرسنیک ، که در آن هشت کلاس به همان اندازه احتمالاً تراکم جمعیت ( یعنی تعداد محدودی از شهرهای مشابه) از شکل 7 ایجاد شده است.

نتایج رگرسیون در جدول I گزارش شده است . نسبت شانس اندازه گیری نسبی ارتباط بین قرار گرفتن در معرض (به عنوان مثال آرسنیک در آب های زیرزمینی) و یک نتیجه است (به عنوان مثال میزان بروز در سطح منطقه برای سرطان پروستات با احتمال بالاتر از 0.5). به طور دقیق تر ، نسبت شانس بیانگر این شانس است که نتیجه با توجه به قرار گرفتن در معرض خاص ، اتفاق می افتد ، در مقایسه با شانس نتیجه در صورت عدم حضور در معرض. در مورد فعلی که پیش بینی کننده یک متغیر مداوم است ، اگر غلظت آرسنیک با 1 ppm افزایش یابد ، احتمال شانس را می توان تغییر داد. جدول اول نشان می دهد که خطر بالای یک شهر از میزان شیوع بالای سرطان پروستات به طور قابل توجهی افزایش می یابد (نسبت شانس با فاصله اطمینان 95٪ بزرگتر از 1) برای دو کلاس اول تراکم جمعیت ، یعنی در شهرهای روستایی که در آن ساکن هستند. به احتمال زیاد برای آب آشامیدنی به چاه های خصوصی تکیه می کنند. نسبت شانس برای همه کلاسهای دیگر که شامل شهرهایی هستند که جمعیت آنها متراکم تر است ، پایین تر است. نسبت شانس قابل توجه ثبت شده برای بیشتر شهرهای شهری احتمالاً با بیشترین شیوع بیماری مزمن در محلات با وضعیت اقتصادی-اجتماعی پایین تر مرتبط است. با این حال ، تجزیه و تحلیل دقیق تر ، ضروری است تا تأثیر سایر متغیرهای زمینه ای ( مثلاً سطح فقر ، دسترسی به غربالگری) و سطح فردی (مانند سیگار کشیدن ، مصرف آبهای زیرزمینی) را ترسو کند. بنابراین ، نتایج این تجزیه و تحلیل از داده های جمع آوری باید به طور عمده برای طراحی مطالعات کنترل موردی آینده از جمله بیماران سرطانی و افراد سالم با مشخصات جمعیتی مشابه استفاده شود.

جدول اول

نتایج تحلیل رگرسیون لجستیک: نسبت شانس و فاصله اطمینان 95٪ مربوط به هشت کلاس به همان اندازه احتمالاً تراکم جمعیت شهر. هر نسبت شانس تأثیر محتوای آرسنیک آبهای زیرزمینی را در احتمال بیش از میزان بروز در سطح منطقه برای سرطان پروستات اندازه گیری می کند. نسبت شانس تفاوت معنی داری با 1 دارد اگر فواصل اطمینان آنها شامل 1 نباشد (شماره قرمز)

ارزیابی ریسک سلامتی مرتبط با قرار گرفتن در معرض محیط زیست به موضوع مورد توجه جوامع ما تبدیل شده است. این توجه مجدد منجر به توسعه رشته های همپوشانی مانند ژئو سلامت است. علوم زمین و بهداشت عمومی؛ زمین شناسی پزشکی؛ اپیدمیولوژیک؛ جغرافیای پزشکی؛ بوم شناسی پزشکی؛ بوم شناسی بالینی؛ اپیدمیولوژی پزشکی محیطی؛ ژئومودیسین؛ ژئواپیدمیولوژی؛ زمین شناسی و سلامت؛ زمین شناسی ، محیط زیست و بهداشت؛ جغرافیای پزشکی؛ و پاتولوژی ، برای ذکر چند مورد. همه این رشته های تحصیلی پیچیده هستند و نیاز به یک رویکرد چند رشته ای دارند که متکی بر طیف گسترده ای از متخصصان زمین شناسان ، ژئوشیمی ها و پزشکان پزشکی گرفته تا زیست شناسان و دامپزشکان باشد. موضوع مشترک ، شناخت تأثیر مهمی است که مکان و مکان در بروز پیامدهای بهداشتی و فرآیندهای محیطی دارد. برای نقل فیلسوف هلندی ، باروچ اسپینوزا (1632-1632) ، ” هیچ چیز در طبیعت تصادفی نیست …” یک چیز فقط از طریق ناقص بودن دانش ما تصادفی به نظر می رسد. نقشه برداری تعاملی داده های اپیدمیولوژیکی با ویژگی های جغرافیایی و محیطی ابزاری مهم برای تسهیل در تدوین فرضیه ها و شناسایی روابط مربوط به الگوهای مکانی بیماری است. روش زمین آماری احتمالاً به دلیل توانایی آن در در نظر گرفتن جنبه مضاعف تصادفی و ساختار مکانی در خصوصیات متغیرهای منطقه ای ، می تواند در این تلاش نقش اساسی داشته باشد.نتیجه گیری

استفاده از زمین آماری در زمینه امیدوار کننده اپیدمیولوژی محیط زیست چالش های روش شناختی متعددی را بوجود می آورد که از این واقعیت ناشی می شود: (1) داده ها بسیار متنوع هستند و به طور معمول بر روی جغرافیای همپوشانی ثبت می شوند (به عنوان مثال کد پستی ، دستگاه های سرشماری) و (2) پیامدهای بهداشتی. اغلب بر روی تکیه گاههای نامنظم مکانی جمع می شوند و از یک شمارنده و مخرج (یعنی اندازه جمعیت) تشکیل شده اند. ابزارهای زمین آماری روزمره ، مانند نیم واریوگرام یا کریگینگ ، بنابراین نمی توانند کورکورانه اجرا شوند. دهه گذشته شاهد ظهور ابزارها و تکنیک های متناسب با این نوع جدید داده ها بوده است. حمایت های مکانی نامنظم اکنون می تواند به لطف روش های کریجینگ منطقه به منطقه و روش های تکرار شونده تکرار شود. به طور مشابه ، پواسون و کریگینگ binomial همراه با برآوردگرهای نیمه کاره جمعیت با وزن جمع شده ، امکان ترکیب هر دو شمارنده و مخرج را در پردازش داده های نرخ فراهم می کنند. نکته قابل توجه این است که فرمول کلی کریگینگ که نیم قرن پیش معرفی شده است می تواند در حال حاضر دارای تکیه گاههای مختلف مکانی برای داده ها و واحد پیش بینی شده باشد. توسعه سیستم های اطلاعات جغرافیایی و افزایش چشمگیر قدرت محاسباتی سرانجام اجرای این مفاهیم نظری را ممکن ساخت.

حوزه زمین شناسی بهداشت محیط همچنان در مراحل ابتدایی است. رشد آن را نمی توان پایدار نگه داشت ، یا حداقل بی معنی است ، در صورت عدم استفاده نهایی از کاربران نهایی اپیدمیولوژیست ، زمین شناسان و متخصصان GIS که در بخش های بهداشتی ، تحقیقات زمین شناسی و ثبت سرطان فعالیت می کنند. مؤلفه های مهم موفقیت آن شامل انتشار مطالعات کاربردی است که شایستگی های زمین آماری را در مقایسه با روش های نقشه برداری تجربی فعلی ، آموزش از طریق دوره های کوتاه و به روز کردن برنامه های درسی موجود ، و همچنین توسعه نرم افزار کاربر پسند نشان می دهد. موفقیت صنعت معدن و زمین شناسی زیست محیطی ، همانطور که امروز آن را تجربه می کنیم ، با همکاری نزدیک افراد و دست اندرکاران ریاضی ، می توان به پیشرفت آن در خارج از حوزه آمارهای مکانی پی برد. زمین آماری بهداشت محیط هیچ تفاوتی نخواهد داشت.

منابع:

1. Bowman C, Bobrowski PT, Selinus O. Medical geology: New relevance in the earth sciences. Episodes. 2003;26(4):270–278. [Google Scholar]
2. Cressie N. Statistics for Spatial Data. New York: Wiley; 1993. [Google Scholar]
3. Deutsch CV, Journel AG. GSLIB: Geostatistical Software Library and User’s Guide. 2nd edn. New York: Oxford University Press; 1998. [Google Scholar]
4. Dissanayake CB. Essays on science and society: Global voices of science: Of stones and health: Medical geology in Sri Lanka. Science. 2005;309(5736):883–885. [PubMed] [Google Scholar]
5. Finkelman RB, Gingerich H, Centeno JA, Krieger G. Medical geology issues in North America. In: Selinus O, Finkelman RB, Centeno JA, editors. Medical Geology: A Regional Synthesis. Dordrecht: Springer; 2011. pp. 1–27. [Google Scholar]
6. Goovaerts P. Geostatistics for Natural Resources Evaluation. Oxford University Press; 1997. [Google Scholar]
7. Goovaerts P. Geostatistics in soil science: state-of-the-art and perspectives. Geoderma. 1999;89(1–2):1–45. [Google Scholar]
8. Goovaerts P. Geostatistical analysis of disease data: visualization and propagation of spatial uncertainty in cancer mortality risk using Poisson kriging and p-field simulation. International Journal of Health Geographics. 2006;5(7) [PMC free article] [PubMed] [Google Scholar]
9. Goovaerts P. Spatial uncertainty in medical geography: A geostatistical perspective. In: Shekhar S, Xiong H, editors. Encyclopedia of GIS. Berlin: Springer-Verlag; 2007. pp. 1106–1112. [Google Scholar]
10. Goovaerts P. Kriging and semivariogram deconvolution in presence of irregular geographical units. Mathematical Geosciences. 2008;40(1):101–128. [PMC free article] [PubMed] [Google Scholar]
11. Goovaerts P. Medical geography: a promising field of application for geostatistics. Mathematical Geosciences. 2009;41(3):243–264. [PMC free article] [PubMed] [Google Scholar]
12. Goovaerts P. Combining areal and point data in geostatistical interpolation: Applications to soil science and medical geography. Mathematical Geosciences. 2010;42(5):535–554. [PMC free article] [PubMed] [Google Scholar]
13. Goovaerts P. A coherent geostatistical approach for combining choropleth map and field data in the spatial interpolation of soil properties. European Journal of Soil Sciences. 2011;62(3):371–380. [PMC free article] [PubMed] [Google Scholar]
14. Goovaerts P. Geostatistical analysis of health data with different levels of spatial aggregation. Spatial and Spatio-temporal Epidemiology. 2012;3(1):83–92. [PMC free article] [PubMed] [Google Scholar]
15. Goovaerts P, AvRuskin G, Meliker J, Slotnick M, Jacquez GM, Nriagu J. Geostatistical modeling of the spatial variability of arsenic in groundwater of Southeast Michigan. W07013 10.1029. Water Resources Research. 2005;41(7)
16. Gotway CA, Young LJ. Combining incompatible spatial data. Journal of the American Statistical Association. 2002;97(459):632–648. [Google Scholar]
17. Gotway CA, Young LJ. A geostatistical approach to linking geographically-aggregated data from different sources. Journal of Computational and Graphical Statistics. 2007;16(1):115–135. [Google Scholar]
18. Journel AG, Huijbregts CJ. Mining Geostatistics. New York: Academic Press; 1978. [Google Scholar]
19. Krige DG. A statistical approach to some basic mine valuation problems on the Witwatersrand. Journal of the Chemical, Metallurgical and Mining Society of South Africa. 1951;52(6):119–139. [Google Scholar]
20. Kyriakidis P. A geostatistical framework for area-to-point spatial interpolation. Geographical Analysis. 2004;36(2):259–289. [Google Scholar]
21. Kyriakidis P, Journel AG. Geostatistical space-time models. Mathematical Geology. 1999;31(6):651–684. [Google Scholar]
22. Lewis DR, Southwick JW, Ouellet-Hellstrom R, Rench J, Calderon RL. Drinking water arsenic in Utah: A cohort mortality study. Environmental Health Perspectives. 1999;107(5):359–365. [PMC free article] [PubMed] [Google Scholar]
23. May JM. Medical geography: its methods and objectives. Geographical Review. 1950;40:9–41. [Google Scholar]
24. McLeod KS. Our sense of Snow: the myth of John Snow in medical geography. Social Science & Medicine. 2000;50(7–8):923–935. [PubMed] [Google Scholar]
25. Price EW. The association of endemic elephantiasis of the lower legs in East Africa with soil derived from volcanic rocks. Transactions of the Royal Society of Tropical Medicine and Hygiene. 1976;70(4):288–295. [PubMed] [Google Scholar]
26. Selinus O. Medical geology: an emerging speciality. Terrae. 2004;1(1):8–15. [Google Scholar]
27. Selinus O, Alloway BJ, Centeno JA, Finkelman RB, Fuge R, Lindh U, Smedley P, editors. Essentials of Medical Geology – Impacts of the Natural Environment on Public Health. Boston: Elsevier Academic Press; 2005. [Google Scholar]
28. Tobler W. A computer movie simulating urban growth in the Detroit region. Economic Geography. 1970;46(2):234–240. [Google Scholar]
29. Waller LA, Gotway CA. Applied Spatial Statistics for Public Health Data. New Jersey: John Wiley and Sons; 2004. [Google Scholar]
30. Welch AH, Westjohn DB, Helsel DR, Wanty RB. Arsenic in ground water of the United States: Occurrence and geochemistry. Ground Water. 2000;38(4):589–604. [Google Scholar]
31. Westjohn DB, Kolker A, Cannon WF, Sibley DF. Arsenic in ground water in the ‘Thumb Area’ of Michigan. The Mississippian Marshall Sandstone Revisited. Michigan: Its Geology and Geologic Resources; 5th Symposium. Michigan Department of Environmental Quality; East Lansing, Michigan. 1998. pp. 24–25. [Google Scholar]