مقدمه

از نظر ریشه شناسی ، اصطلاح “زمین آمار ” مطالعه آماری پدیده های طبیعی را نشان می دهد. تحولات اولیه زمین آمار در دهه های 1950 و 1960 با هدف بهبود ارزیابی ذخایر قابل بازیابی در ذخایر معدنی انجام شد ( Krige ، 1951 ؛ Journel و Huijbregts ، 1978 ). حوزه کاربرد آن بطور قابل ملاحظه ای گسترش یافته و امروزه بیشتر رشته های علوم زمین (به عنوان مثال زمین شناسی ، ژئوشیمی ، ژئوهیدرولوژی ، علوم خاک) و رشته های گسترده ای از رشته ها را شامل می شود که همگی با تجزیه و تحلیل داده های فضا-زمان مانند اقیانوس شناسی ، هیدروژئولوژی ، سنجش از دور کار می کنند. ، کشاورزی و علوم محیطی. موفقیت زمین آمار به توانایی آن برای استفاده از قانون اول جغرافیا بستگی دارد که “همه چیز به هر چیز دیگری مربوط می شود ، اما چیزهای نزدیک بیشتر از چیزهای دور با هم مرتبط هستند »( توبلر ، 1970 ). در حقیقت ، یکی از ویژگی های اصلی انواع داده های فوق الذکر توزیع ساختاری 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) در مقیاس های مختلف مکانی و زمانی است. مدل های مکانی – زمانی زمین آماری ( کیریاکیدیس و جورنل ، 1999 ) چارچوبی احتمالی برای تجزیه و تحلیل داده ها و پیش بینی ها ارائه می دهند که بر اساس وابستگی مکانی و زمانی مشترک بین مشاهدات است.

مراحل اصلی یک مطالعه زمین آماری معمولی در خلاصه شده است شکل 1با استفاده از مجموعه داده های شناخته شده سوئیس Jura ( Goovaerts ، 1997 ، 1999 ). تجزیه و تحلیل داده های مکانی به طور معمول با “ارسال” مقادیر داده آغاز می شود. مثلا،شکل 1(نمودار بالا) محل 259 نمونه خاک را نشان می دهد که غلظت کادمیوم سطح خاک در آن ثبت شده است. اکثر برنامه های آماری مربوط به پیش بینی ویژگی های اندازه گیری شده در مکان های بدون نمونه است. چنین درون یابی یا برون یابی با وجود همبستگی خودکار در داده ها امکان پذیر است ، که می تواند با استفاده از نیم سنجی مقدار و اندازه گیری شود. سپس تکنیک های مختلف کریجینگ برای بدست آوردن مقادیر برآورد ویژگی و واریانس خطای پیش بینی مربوطه در مکان های بدون نمونه با استفاده از اطلاعات مربوط به یک یا چند ویژگی در دسترس هستند.سهم مهم آماری زمین ارزیابی عدم اطمینان در مورد مقادیر صفت در هر مکان خاص نمونه برداری نشده (عدم اطمینان محلی) و همچنین به طور مشترک در چندین مکان (عدم قطعیت چند نقطه ای یا مکانی) است. مدل های عدم اطمینان محلی معمولاً به صورت نقشه ای از احتمال بیش از حد بحرانی مانند آستانه های نظارتی در آلودگی خاک در می آیند. عدم اطمینان فضایی از طریق شبیه سازی تصادفی مقابله می کند که به فرد اجازه می دهد مدلهای جایگزینی از توزیع فضایی مقادیر ویژگی را که ویژگیهای داده را تولید می کند ، تولید کند (به عنوان مثال هیستوگرام ، نیم واریوگرام). آخرین اما مهمترین ، این ارزیابی عدم اطمینان را می توان با دانش متخصص برای تصمیم گیری ترکیب کرد ،مانند مشخص کردن مناطق آلوده که باید اقدامات اصلاحی در آنها انجام شود یا انتخاب مکانهایی برای نمونه برداری اضافی.

جغرافیای پزشکی به عنوان شاخه ای از جغرافیای انسانی مرتبط با 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 تظاهرات قدرت نقشه برداری و تجزیه و تحلیل داده های سلامتی با مطالعه دکتر جان اسنو در مورد اپیدمی وبا که لندن را در سال 1854 ویران کرد ، ارائه شد. توانست استنباط کند که یک پمپ عمومی منبع شیوع وبا است ( مک لود ، 2000)) از آن زمان ، رشته جغرافیای پزشکی راهی طولانی را طی کرده و نقشه های کاغذی را جایگزین نقشه های دیجیتالی در آنچه اکنون سیستم اطلاعات جغرافیایی (GIS) نامیده می شود ، کرد. به همین ترتیب ، گمانه زنی های توصیفی در مورد بیماری جایگاهی برای تجزیه و تحلیل علمی الگوهای فضایی بیماری ، از جمله آزمایش فرضیه ، مدل سازی چند سطح ، رگرسیون و تحلیل چند متغیره داده است.

اخیراً ، روشهای زمین آماری (نیم واریوگرام ، کریجینگ ، شبیه سازی تصادفی) برای مطالعه الگوهای مکانی بروز بیماری و مرگ و میر و شناسایی “علل” بالقوه بیماری ، مانند قرار گرفتن در معرض محیط یا فاکتور اجتماعی-جمعیتی ( والر و گت وی) تنظیم شده است. ، 2004 ؛ Goovaerts ، 2007 ، 2009) یک بار دیگر ، نتایج بهداشتی ، مانند مرگ و میر ناشی از سرطان یا بروز تشخیص در مراحل آخر ، مطابق با قانون اول جغرافیا است ، و مقامات بهداشت عمومی از نقشه ها برای شناسایی مناطق بیش از حد (به عنوان مثال خوشه های سرطانی) و هدایت نظارت و نظارت استفاده می کنند. فعالیت های کنترل ، از جمله در نظر گرفتن نیازهای خدمات بهداشتی و تخصیص منابع برای غربالگری و آزمایش های تشخیصی. داده های موجود برای مطالعات سلامت انسان در دو دسته اصلی قرار دارد: داده های سطح فردی (به عنوان مثال محل قرارگیری بیماران و گروه های کنترل) یا داده های جمع شده (به عنوان مثال میزان سرطان در سطح شهرستان یا کد پستی ثبت شده). مثال را در ببینیدشکل 2. اگرچه هیچ یک از این مجموعه داده ها در دسته “داده های زمین آماری” که به طور کلاسیک در ادبیات آمار فضایی تعریف می شود ، قرار نمی گیرد ( کرسی ، 1993 ) ، آمار زمین آماری یک گزینه امیدوار کننده برای روش های معمول برای تجزیه و تحلیل فرایندهای نقطه مکانی و داده های شبکه ارائه می دهد. یکی از چالش برانگیزترین وظایف در اپیدمیولوژی محیطی ، تجزیه و تحلیل و تلفیق داده های جمع آوری شده در مقیاس های مختلف و پشتیبانیهای مختلف مکانی است. به عنوان مثال ، ممکن است بخواهیم روابط بین نتایج بهداشتی جمع شده در سطح کد پستی ، متغیرهای جمعیتی دستگاه سرشماری و داده های قرار گرفتن در معرض را در چند نقطه اندازه گیری کنیم. زمین آمار یک چارچوب نظری را برای انجام انواع تغییرات پشتیبانی فراهم می کند ، در حالی که اندازه گیری قابلیت اطمینان پیش بینی ها را ارائه می دهد (Goovaerts ، 2010 ، 2012 ).

“Hydrobiogeochemoepidemiopathoecology” ، اصطلاحی که توسط دانشمندان به عنوان جایگزینی برای رایج ترین زمین شناسی پزشکی ابداع شده است ، به عنوان علمی در رابطه با رابطه بین عوامل طبیعی زمین شناسی و سلامت در انسان و حیوان و درک تأثیر عوامل محیطی معمولی بر جغرافیایی تعریف شده است. توزیع چنین مشکلات سلامتی ( Selinus و همکاران ، 2005 ). بومن و همکاران (2003)دو شاخه از زمین شناسی پزشکی را متمایز می کند ، این بستگی به این دارد که آیا مشکلات سلامتی ناشی از وقوع طبیعی عناصر در محیط زمین شناسی است (به عنوان مثال مصرف مواد غذایی در خاک هایی که دارای کمبود عنصر یا سمیت هستند) یا انتشار عناصر توسط خطرات طبیعی مانند زمین لرزه ، فوران آتشفشان ، یا رانش زمین. مانند جغرافیای پزشکی ، اولین کاربردهای زمین شناسی پزشکی را می توان در گذشته های دور جستجو کرد. رومی ها خطرات بالقوه بهداشتی مربوط به استخراج معادن را تشخیص دادند ، در حالی که چینی ها روابط بین بیماری ریه و خرد کردن سنگ را مشاهده کرده بودند. طبق گفته Selinus (2004)، یکی از قدیمی ترین اسناد زمین شناسی پزشکی توسط مارکو پولو ارائه شد که در سال 1275 گزارش داد اسب های اروپایی وی در مناطق کوهستانی چین در حال مرگ هستند. علائمی که وی توصیف کرد با مسمومیت توسط سلنیوم که در غلظت های طبیعی زیاد در این مناطق وجود دارد سازگار است.

از آن زمان ، نمونه های زیادی از چگونگی تأثیر زمین شناسی بر سلامت انسان و حیوانات وجود دارد ، از طریق مقدار اضافی (به عنوان مثال آرسنیک در آب آشامیدنی و سرطان پوست ، سرطان رادون و ریه) یا کمبود (به عنوان مثال ید و گواتر ، مواد معدنی خاک و رشد ضعیف رشد دام) از عناصر شیمیایی طبیعی. در قرن بیستم ، بسیاری از نقشه ها که توزیع بیماری را به انواع سنگ یا خاک پیوند می دهد ، منتشر شد. به عنوان مثال ، با قرار دادن نقشه بروز پودوکونیوز (نوع فیل یا تورم پا) بر روی نقشه زمین شناسی آفریقای شرقی ، همبستگی بین این بیماری و وجود خاک رس های قرمز غنی از فلزات قلیایی مانند سدیم و پتاسیم و مرتبط با فعالیت آتشفشانی نشان داد ( قیمت ، 1976 ). فینکلمن و همکاران (2011)گزارش داد که بروز سرطان ریه و مرگ و میر در انتاریو در مناطق زیر پوشش خاک رس سنگین اورانیوم و سپر کانادایی بالاترین است. ارتباط بین ژئوشیمی فلوراید آب در یک منطقه و وقوع فلوروز دندان نیز یک رابطه شناخته شده در زمین شناسی پزشکی است ( Dissanayake ، 2005 ).

از آنجا که زمین آمار در زمین شناسی ریاضی کاملاً ثابت است و کاربرد آن در جغرافیای پزشکی در حال رشد است ، طبیعی است که آینده درخشان این رشته را در زمینه نوظهور زمین شناسی پزشکی پیش بینی کنیم. این مقاله با استفاده از نقشه برداری از میزان بروز سرطان پروستات در میشیگان و بررسی رابطه آن با سطح آرسنیک آبهای زیرزمینی ، مروری اجمالی بر روشهای آماری در دسترس برای تجزیه و تحلیل داده های بهداشتی و جمع آوری شده سلامت دارد.

تنظیم مشکل

آرسنیک (ع) یکی از سمی ترین عناصر در محیط زیست ما است و به عنوان سومین ماده سمی بعد از سرب و جیوه در فهرست مواد سمی و بیماری های ایالات متحده ذکر شده است. تأثیر سو ad آن بر سلامت 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 مختلف سرطان (به عنوان مثال پوست ، ریه ، کبد ، مثانه ، پروستات ، کلیه). منابع قرار گرفتن در معرض آرسنیک از سوزاندن ذغال غنی از آرسنیک (چین) و فعالیت های معدنی (مالزی ، ژاپن) تا مصرف مواد غذایی آلوده ( به عنوان مثال برنج) یا آب آلوده به منابع طبیعی مانند سنگ بستر حاوی آرسنیک ( به عنوان مثال) متفاوت است.. بنگلادش ، هند ، تایوان ، فیلیپین ، مکزیک ، شیلی). آرسنیک در آب آشامیدنی یک مشکل اساسی است و به دلیل جمعیت زیادی که در معرض انسان است و غلظت بسیار زیاد (به عنوان مثال 600 تا 700 میکروگرم در 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 سطح پایین آرسنیک (مثلاً 50 میکروگرم در 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 است و به ژئوشیمی ، زمین شناسی ، آب و هوا و تاریخ یخبندان نسبت داده می شود ( ولچ و همکاران ، 2000 ). در منطقه میشیگان Thumb ، آرسنوپیریت (تا 7٪ از نظر وزنی) در بستر سفره سفره ماسال ماسه سنگ ، یکی از پر آبترین سفره های منطقه شناسایی شده است ( Westjohn و همکاران ، 1998 ). مطالعه موردی حاضر ارتباط بین بروز سرطان پروستات و سطح آرسنیک آب زیرزمینی را برای یازده شهرستان میشیگان نمایش داده شده درشکل 3. مطالعات اپیدمیولوژیک ارتباط احتمالی بین قرار گرفتن در معرض آرسنیک غیر آلی و مرگ و میر ناشی از سرطان پروستات را پیشنهاد کرده است ، از جمله مطالعه جمعیت های ساکن در یوتا ( لوئیس و همکاران ، 1999 ). بر خلاف مطالعه یوتا ، هیچ داده ای با سطح فردی در دسترس نیست که هرگونه بازسازی قرار گرفتن در معرض را ممنوع کند (به عنوان مثال ، مدت قرار گرفتن در معرض در غیاب اطلاعات مربوط به سابقه مسکونی مشخص نیست) و ترکیب متغیرهای مهم مانند سن ، سیگار ، رژیم غذایی ، وراثت یا وضعیت اقتصادی-اجتماعی. توجه داشته باشید که هدف مطالعه موردی نشان دادن کاربرد زمین آمار در زمین شناسی پزشکی است و یک مطالعه کامل اپیدمیولوژیکی فراتر از محدوده این مقاله است.

اطلاعات موجود برای این مطالعه به اصطلاح اکولوژیکی ( یعنی تجزیه و تحلیل نتایج بهداشتی جمع شده) شامل: (1) 9 188 غلظت آرسنیک اندازه گیری شده در 8 212 چاه مختلف خصوصی است که بین سالهای 1993 و 2002 نمونه برداری شده است ، (2) بروز سرطان پروستات. ثبت شده در سطح شهرستان در طی دوره 1985-2002 ، و (3) تراکم جمعیت بلوک گروه که به عنوان یک پروکسی برای شهرنشینی و استفاده از منبع تغذیه عمومی تنظیم شده در مقابل استفاده از چاه های خصوصی بالقوه آلوده در مناطق روستایی خدمت می کند.شکل 4Aنمای نزدیک از این سه مجموعه داده در قسمت شمالی منطقه مورد مطالعه را نشان می دهد. این مطالعه موردی یک چالش مشترک در اپیدمیولوژی محیطی را نشان می دهد – یعنی تجزیه و تحلیل و سنتز داده های مکانی جمع آوری شده در مقیاس های مختلف فضایی و بیش از پشتیبانی های مختلف مکانی. بررسی روابط بین این مجموعه داده های ناسازگار مستلزم برآورد هر سه متغیر در یک مجموعه واحد جغرافیایی است (به عنوان مثال شهرستانها در اینجا). دیدنشکل 4B. به دنبال اصطلاحات در Gotway and Young (2007) ، این تغییر پشتیبانی (COS) شامل ارتقاaling (تجمع فضایی) برای داده های آرسنیک و مقیاس جانبی است ، اصطلاحی که برای اشاره به پیش بینی مقادیر در یک مجموعه از واحدهای فضایی از داده ها در مورد مجموعه دیگری از واحدهای مکانی همپوشانی ، برای تراکم جمعیت.

نقشه برداری از محتوای آرسنیک

این مطالعه از مدل زمین آماری توزیع فضایی غلظت آرسنیک آبهای زیرزمینی استفاده می کند که در جزئیات در Goovaerts و همکاران شرح داده شد . (2005) . فقط برجسته ترین ویژگی ها در اینجا ارائه می شود. مدل سازی بر اساس داده های 9188 چاه انجام شده است. اندازه کوچک تغییرات زمانی نسبت به تنوع در فضا یا ناشی از خطای اندازه گیری ، و همچنین عدم وجود روند زمانی یا فصلی ، ما را وادار کرد تا از بعد زمانی در این مطالعه 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 در ابتدا غلظت آلاینده بیشتری گزارش شده است ، متراکم تر است. این نمونه گیری ترجیحی با استفاده از روش تخریب سلول اصلاح شد ( Deutsch and Journel، 1998) ، که تقسیم منطقه مورد مطالعه به سلولهای مستطیلی را می طلبد. سپس به هر مشاهده در یک سلول وزنی اختصاص داده می شود که متناسب با تعداد داده های درون آن سلول معکوس است. در محاسبه آمار خلاصه به جای وزنهای برابر از این وزنه های شکننده استفاده شد که منجر به میانگین و انحراف معیار 10/97 و 22/15 میکروگرم در لیتر شد.

غلظت آرسنیک در گره های یک شبکه فاصله 500 متری با استفاده از کریجینگ نشانگر نرم ( Goovaerts ، 1997 ) و مقدار آستانه 22 برآورد شد . اطلاعات نرمي توسط كاليبراسيون داده هاي زمين شناسي ، از قبيل نوع سنگ بستر و نهشته هاي غيرمستحكم و نزديكي چاه ها به محصول زراعي ماسال ماسه سنگ ، كه بيشترين غلظت آرسنيك در آن وجود داشت ، بدست آمد. انتخاب رویکرد غیرپارامتری به جای کریجینگ غیرطبیعی یا چندگروسی با این انگیزه ایجاد شد:

1. وجود 737 اندازه گیری زیر حد تشخیص. برخلاف سایر تکنیک ها ، تعیین شاخص نیازی به اختصاص یک مقدار ذهنی (به عنوان مثال نیمی از حد تشخیص) به این داده ها ندارد ، زیرا آستانه اول را می توان به سادگی با حد تعیین کرد

2. تغییر در ارتباط فضایی طبقات مختلف مشاهدات. نشانگرهای نیم نمودار درشکل 5فرکانس انتقال را بین دو کلاس از مقادیر آرسنیک به عنوان تابعی از فاصله جدایی اندازه گیری کنید. هرچه مقدار نیم سنج نشانگر بیشتر باشد ، مقادیر کوچک یا بزرگ در فضا کمتر متصل می شوند. با افزایش آستانه ، تنوع دامنه کوتاه اهمیت بیشتری پیدا می کند ، که نشان می دهد غلظت آرسنیک زیاد در فضا نسبت به غلظت کم به هم متصل هستند.

   

   نیم سنج نشانگر تجربی با استفاده از پنج مقدار آستانه از داده های چاه آرسنیک محاسبه می شود. خط جامد مدلی است که با استفاده از رگرسیون حداقل مربعات استفاده می شود. توجه داشته باشید که چگونه تنوع کوتاه برد برای ربع بالای و دهک نهم هیستوگرام نمونه افزایش می یابد ، که نشان دهنده اتصال فضایی کوچکتر از غلظت های بالا آرسنیک است

3. نتایج یک مطالعه اعتبارسنجی متقابل با استفاده از 9 داده 188 چاه و یک مطالعه اعتبارسنجی با استفاده از 73 حلقه چاه جدید. در هر دو مورد ، کریجینگ اندیکاتور نرم کمترین میانگین خطای مطلق پیش بینی را ارائه داد.

شکل 6(نمودار بالا) میانگین توزیع های محلی احتمال را با استفاده از کریجینگ اندیکاتور نرم (مدل E برآورد) نشان می دهد. این نقشه الگوی فضایی تشکیل سنگ بستر را از نزدیک بازتولید می کند (شکل 3) ، تخمینهای کوچکتر در قسمت جنوبی منطقه مورد مطالعه و تخمینهای بزرگتر در محل مارشال ماسه سنگ. غلظت ها در هر یک از 342 شهرستان به طور متوسط ​​انجام شد تا نقشه ای مناسب برای ارتباط با داده های بهداشتی ارائه شود (شکل 6، نمودار پایین)

نقشه برداری از تراکم جمعیت

تراکم جمعیت سطح شهر از داده های دستگاه سرشماری با استفاده از وزن دهی محلی یا تخصیص متناسب حاصل شد ( Gotway and Young، 2002 ). به عبارت دیگر ، جمعیت مرد ناحیه سرشماری بر اساس منطقه نسبی دستگاه سرشماری موجود در آن شهر به هر شهرستان اختصاص یافت. فرض ضمنی این بود که جمعیت به طور یکنواخت در دستگاه سرشماری توزیع می شود. سپس داده های جمعیت برای محاسبه تراکم جمعیت بر اساس منطقه شهرستان تقسیم شد. نقشه نهایی (شکل 7) تراکم کم جمعیت را در قسمت شمالی منطقه مورد مطالعه نشان می دهد و مراکز شهری مانند دیترویت ، فلینت ، آن آربر یا لانسینگ را برجسته می کند.

نقشه برداری از بروز سرطان پروستات

شکل 8Aنقشه میزان بروز سرطان پروستات را در سطح شهرستان محاسبه می کند. تجزیه و تحلیل به مردان سفیدپوست 65 سال به بالا محدود شد تا تأثیر اختلاف در توزیع سن در منطقه را به حداقل برساند و تأثیر تنوع در پوشش بهداشتی را کاهش دهد زیرا همه موارد توسط Medicare تحت پوشش قرار گرفت. علاوه بر این ، 146 نرخ بر اساس کمتر از 10 مورد غیر قابل اعتماد در نظر گرفته شد و مقدار مفقود شده ای را برای آنها تعیین کرد. حتی در شهرهای دارای بیش از 10 مورد ، نرخ ها هنوز هم می توانند ناپایدار باشند ، به ویژه در مناطق روستایی با جمعیت کم. این مسئله ، که به عنوان “مشکل تعداد کمی” در اپیدمیولوژی شناخته می شود ، می تواند با استفاده از نوعی کریجینگ با خطاهای اندازه گیری غیر سیستماتیک ، به نام کریجینگ پواسون ، از لحاظ زمین آماری رفع شود ( Goovaerts، 2009) ایده اصلی فیلتر کردن نویز متصل به هر نرخ با استفاده از نرخ های ثبت شده در واحدهای جغرافیایی مجاور است. نرخ های مبتنی بر جمعیت کم ، از این رو پایدارتر ، وزن کمتری نسبت به نرخ های ثبت شده در مناطق پرجمعیت در برآورد کننده کریجینگ دریافت می کنند. یک مزیت عمده کریجینگ پواسون نسبت به نرم کننده های آماری سنتی این است که امکان تخمین نرخ از دست رفته را علاوه بر فیلتر کردن میزان سر و صدا فراهم می کند.

همانطور که برای غلظت آرسنیک ، این روش نقشه برداری نیاز به محاسبه و مدل سازی یک نیم نمودار دارد. دو تفاوت عمده عبارتند از: یکنواخت نیستند (شهرستانها دارای اندازه ها و شکل های مختلف هستند). اولین مسئله با استفاده از یک برآوردگر نیم سنجی با وزن جمعیت برای کاهش تأثیر نرخ کمتر اصطبل در مدل سازی تنوع مکانی برطرف می شود. از طرف دیگر ، پشتیبانی مکانی داده ها با استفاده از نوعی کریجینگ بلوک ، به نام کریجینگ منطقه به منطقه (ATA) محاسبه می شود ( کیریاکیدیس ، 2004) آخرین مسئله این واقعیت است که کریجینگ ATA به یک مدل نیمه ویروسی با پشتیبانی از نقطه نیاز دارد ، در حالی که فقط یک مدل نیم واریوگرام با پشتیبانی بلوک در دسترس است زیرا همه مشاهدات داده های محلی هستند. استخراج یک مدل نیمه متغیر پشتیبانی از نقطه ای از یک مدل پشتیبانی بلوک ، در تجزیه و تحلیل داده ها ، تجزیه و تحلیل (deconvolution) نامیده می شود و یک مشکل شناخته شده در صنعت معدن است. با این حال بلوک های معدنی تمایل دارند که همه مربع های یک اندازه باشند ، وضعیت بسیار متفاوت از واحدهای اداری که در جغرافیای پزشکی دستکاری می شوند. اخیراً یک روش انحلال تکاملی تکراری برای مورد واحدهای نامنظم ایجاد شده است ( Goovaerts، 2008 ، 2011 ).

نقشه میزان فیلترهای صوتی (شکل 8B) ، که خطرات نامیده می شود ، تنوع بسیار کمتری از نقشه های نرخ اصلی را نشان می دهد. به طور خاص ، برخی از موارد بروز شدید ثبت شده در شهرستان های روستایی دیگر وجود ندارد. در مناطق شمالی که بیشتر روستایی است ، موارد بالاتر مشاهده می شود (شکل 7) و همچنین در شهرهای دیترویت و فلینت که نسبت به شهرهای کالج Ann Arbor و Lansing ثروت کمتری دارند. نقشه واریانس کریجینگ (شکل 8C) شبیه نقشه تراکم جمعیت است (شکل 7) و نشان دهنده قابلیت اطمینان بیشتر نرخ های تخمین زده شده در مناطق پرجمعیت نسبت به نرخ هایی است که در مناطق روستایی از دست رفته یا برآورد شده اند. به دنبال Goovaerts (2006) ، توزیع احتمال خطر ناشناخته را می توان با استفاده از توزیع گاوسی که دارای برآورد کریجینگ پواسون و واریانس کریجینگ به عنوان میانگین و واریانس باشد ، مدل سازی کرد. بنابراین احتمال بیش از آستانه های خاص می تواند به راحتی محاسبه شود و هم میزان برآورد ریسک و هم عدم اطمینان مربوط به آن را در بر می گیرد. مثلا،شکل 8D این احتمال را نشان می دهد که از میزان بروز 1709 مورد در هر 100000 نفر از ساکنان بیشتر شده است.

تجزیه و تحلیل همبستگی

رابطه بین نتیجه سلامت و متغیرهای قلمداد شده (سطح آرسنیک و تراکم جمعیت) با استفاده از رگرسیون لجستیک مورد تجزیه و تحلیل قرار گرفت. متغیر وابسته یک متغیر شاخص است که اگر احتمال بیش از حد بروز در سطح منطقه بیش از 0.5 باشد ، مقدار 1 را می گیرد و در غیر این صورت صفر است. پیش بینی کننده اصلی غلظت آرسنیک در سطح شهر است که در پایین آرسنیک نمایش داده می شودشکل 6. با توجه به اینکه دسترسی شهرهای روستایی به تأمین آب عمومی تنظیم شده کمتر است ، باید انتظار داشت که در آنجا که تراکم جمعیت کم است ، رابطه بالقوه بین سطح آرسنیک آب زیرزمینی و بروز سرطان پروستات قویتر باشد. این فرضیه با استفاده از اصطلاح متقابل زیر در مدل رگرسیون مورد آزمایش قرار گرفت: غلظت آرسنیک class کلاس تراکم ، که در آن هشت کلاس به همان اندازه احتمال تراکم جمعیت (به عنوان مثال از جمله تعداد مشابه شهرستانها) از ایجاد شده است.شکل 7.

نتایج رگرسیون در گزارش شده است جدول I. نسبت شانس اندازه گیری نسبی ارتباط بین قرار گرفتن در معرض (به عنوان مثال آرسنیک در آبهای زیرزمینی) و یک نتیجه است (به عنوان مثال میزان بروز سرطان پروستات در منطقه با احتمال بالاتر از 0.5). به عبارت دقیق تر ، نسبت شانس نشان دهنده این است که نتیجه با توجه به قرار گرفتن در معرض خاص ، در مقایسه با احتمال نتیجه در غیاب آن قرار گرفتن در معرض ، اتفاق خواهد افتاد. در حالت فعلی که پیش بینی کننده یک متغیر پیوسته است ، می توان نسبت شانس را تغییر داد اگر غلظت آرسنیک به میزان 1 ppm افزایش یابد.جدول Iنشان می دهد که خطر برای یک شهرستان بیش از میزان شیوع سرطان پروستات در سطح منطقه به طور قابل توجهی افزایش می یابد (نسبت شانس با 95٪ فاصله اطمینان بیشتر از 1) برای دو کلاس اول تراکم جمعیت ، که در شهرستانهای روستایی است که ساکنان بیشتر احتمالاً برای چشمه های آب آشامیدنی به چاه های خصوصی اعتماد می کنند. نسبت شانس برای همه طبقات دیگر که شامل شهرستانهایی هستند که دارای جمعیت بیشتری هستند ، کمتر است. نسبت شانس قابل توجهی که برای شهرنشین ترین شهرها ثبت شده احتمالاً به بیشترین شیوع بیماری مزمن در محله هایی با وضعیت اقتصادی-اجتماعی پایین مرتبط است. تجزیه و تحلیل دقیق تر ، با این وجود ، تضمین می کند که تأثیر زمینه های دیگر ( به عنوان مثال). سطح فقر ، دسترسی به غربالگری) و در سطح فردی (به عنوان مثال سیگار کشیدن ، مصرف آب زیرزمینی) متغیر هستند. بنابراین ، نتایج حاصل از این تجزیه و تحلیل داده های جمع آوری شده باید عمدتا برای طراحی مطالعات مورد شاهدی در آینده شامل بیماران سرطانی و افراد سالم با مشخصات دموگرافیک مشابه استفاده شود.

نتیجه گیری

ارزیابی خطر سلامتی مرتبط با قرار گرفتن در معرض محیط مورد توجه بسیاری از جوامع ما قرار گرفته است. این توجه جدید منجر به توسعه رشته هایی با هم تداخل از جمله بهداشت جغرافیایی شده است. علوم زمین و بهداشت عمومی؛ زمین شناسی پزشکی؛ اپیدمیولوژی جغرافیای پزشکی؛ بوم شناسی پزشکی؛ اکولوژی بالینی؛ اپیدمیولوژی پزشکی محیطی ؛ پزشکی پزشکی؛ ژئو اپیدمیولوژی زمین شناسی و بهداشت؛ زمین شناسی ، محیط زیست و بهداشت ؛ جغرافیای پزشکی؛ و پاتوکولوژی ، به ذکر چند. همه این رشته های تحصیلی پیچیده هستند و نیاز به یک رویکرد چند رشته ای دارند که به طیف گسترده ای از متخصصان از زمین شناسان ، ژئوشیمی ها و پزشکان پزشکی گرفته تا زیست شناسان و دامپزشکان متکی است.یک موضوع مشترک شناخت تأثیر مهمی است که مکان و مکان در وقوع پیامدهای بهداشتی و فرآیندهای محیطی اعمال می کند. به نقل از فیلسوف هلندی باروخ اسپینوزا (1632–1677) ،هیچ چیز در طبیعت تصادفی نیست. چیزی فقط از طریق ناقص بودن دانش ما تصادفی به نظر می رسد. ‘نقشه برداری تعاملی از داده های اپیدمیولوژیک با ویژگی های جغرافیایی و زیست محیطی ابزاری مهم است که فرمول بندی و شناسایی روابط مربوط به الگوهای فضایی بیماری را تسهیل می کند. روش زمین آماری به دلیل توانایی در در نظر گرفتن جنبه دوگانه تصادفی و ساختار فضایی در توصیف متغیرهای منطقه ای ، نقش مهمی در این تلاش بازی می کند.

استفاده از زمین آمار در زمینه امیدوار کننده اپیدمیولوژی محیطی چندین چالش روش شناختی را نشان می دهد که از این واقعیت ها ناشی می شود: اغلب از پشتوانه های مکانی نامنظم جمع می شوند و از یک عدد و مخرج تشکیل می شوند (یعنی اندازه جمعیت). ابزارهای آماری روزمره ، مانند نیم سنجی ها یا کریجینگ ، بنابراین نمی تواند کورکورانه اجرا شود. دهه گذشته شاهد ظهور ابزارها و فنون متناسب با این نوع جدید از داده ها بوده است. پشتیبانی فضایی نامنظم اکنون به لطف کریجینگ منطقه به منطقه و روش های تجزیه انحرافی تکراری قابل حل است. به طور مشابه ،کریجینگ پواسون و دوجمله ای همراه با برآوردگرهای نیم سنجی با وزن جمعیت اجازه می دهد تا هر دو عدد و مخرج در پردازش داده های نرخ ترکیب شود. قابل ذکر است که فرمول بندی کلی کریجینگ که نیم قرن پیش معرفی شده است می تواند پشتیبانی مکانی مختلفی را هم برای داده ها و هم برای واحد پیش بینی شده داشته باشد. توسعه سیستم های اطلاعات جغرافیایی و افزایش چشمگیر قدرت محاسباتی سرانجام اجرای این مفاهیم نظری را ممکن ساخت.توسعه سیستم های اطلاعات جغرافیایی و افزایش چشمگیر قدرت محاسباتی سرانجام اجرای این مفاهیم نظری را ممکن ساخت.توسعه سیستم های اطلاعات جغرافیایی و افزایش چشمگیر قدرت محاسباتی سرانجام اجرای این مفاهیم نظری را ممکن ساخت.

رشته زمین آمار بهداشت محیط هنوز در مراحل ابتدایی است. اگر کاربران نهایی که اپیدمیولوژیست ، زمین شناسان و متخصصان GIS هستند و در بخش های بهداشت ، بررسی های زمین شناسی و ثبت سرطان کار نمی کنند ، رشد آن پایدار نیست یا حداقل بی معنی است. م componentsلفه های مهم موفقیت آن شامل انتشار مطالعات کاربردی است که نشان دهنده شایستگی زمین آمار نسبت به روش های فعلی نقشه برداری تجربی ، آموزش از طریق دوره های کوتاه مدت و به روزرسانی برنامه های درسی موجود و همچنین توسعه نرم افزارهای کاربر پسند است. موفقیت آمار معادن و زمین آماری ، همانطور که امروزه آن را تجربه می کنیم ، می تواند به توسعه آن در خارج از حوزه آماری مکانی ، از طریق همکاری نزدیک افراد و پزشکان با ذهنیت ریاضی بازگردد.ثابت خواهد شد که آمار زمین آماری بهداشت محیط تفاوتی ندارد.