خلاصه

ما یک برنامه جمع‌سپاری مبتنی بر GIS را ارائه می‌دهیم که بلافاصله پس از ثبت اولین موارد COVID-19 در یونان راه‌اندازی شد، با انگیزه نیاز به جمع‌آوری سریع و مکان‌یابی داده‌ها در مورد شیوع بیماری COVID-19 در بهار 2020، به دلیل محدود بودن آزمایش کردن. یک سوال از طریق یک برنامه وب پست شد که شرکت کنندگان ناشناس به صورت ذهنی به آن پاسخ دادند که آیا علائم بیماری COVID-19 را تجربه کرده اند یا خیر. هدف اصلی ما مکان یابی مناطق جغرافیایی با افزایش تعداد افرادی که علائم را احساس می کنند و تعیین هرگونه تغییر زمانی در آمار ورودی های نظرسنجی بود. مشخص شد که این برنامه به سرعت از طریق رسانه‌های اجتماعی در سراسر قلمرو یونان منتشر شد، بنابراین، استقبال عمومی زیادی داشت. درصد بالاتری از شرکت کنندگانی که علائم را تجربه کردند از نظر جغرافیایی با مناطق شهری پرجمعیت همزمان بود، همچنین تعداد موارد تایید شده را افزایش داد، در حالی که تغییرات زمانی مطابق با محدودیت فعالیت ها شناسایی شد. این برنامه نشان می‌دهد که سیستم‌های بهداشتی می‌توانند از برنامه‌های انبوه‌سپاری که ناشناس بودن را تضمین می‌کنند، به عنوان جایگزینی برای ردیابی برنامه‌ها، برای شناسایی نقاط داغ احتمالی و دسترسی و هشدار به مردم در یک بازه زمانی کوتاه استفاده کنند و در عین حال آگاهی موقعیتی آنها را افزایش دهند. با این حال، یک یادآوری مداوم برای مشارکت باید برنامه ریزی شود. این برنامه نشان می‌دهد که سیستم‌های بهداشتی می‌توانند از برنامه‌های انبوه‌سپاری که ناشناس بودن را تضمین می‌کنند، به عنوان جایگزینی برای ردیابی برنامه‌ها، برای شناسایی نقاط داغ احتمالی و دسترسی و هشدار به مردم در یک بازه زمانی کوتاه استفاده کنند و در عین حال آگاهی موقعیتی آنها را افزایش دهند. با این حال، یک یادآوری مداوم برای مشارکت باید برنامه ریزی شود. این برنامه نشان می‌دهد که سیستم‌های بهداشتی می‌توانند از برنامه‌های انبوه سپاری که ناشناس بودن را تضمین می‌کنند، به عنوان جایگزینی برای ردیابی برنامه‌ها، برای شناسایی نقاط داغ احتمالی و دسترسی و هشدار به مردم در یک بازه زمانی کوتاه استفاده کنند و در عین حال آگاهی موقعیتی آنها را افزایش دهند. با این حال، یک یادآوری مداوم برای مشارکت باید برنامه ریزی شود.

کلید واژه ها:

COVID-19 ؛ جمع سپاری ; برنامه های وب ؛ توزیع داده های مکانی ; GIS ; وضعیت سلامت

1. معرفی

در سال‌های اخیر برنامه‌های کاربردی متعددی بر اساس قابلیت استفاده از سیستم‌های اطلاعات جغرافیایی (GIS) در همکاری با طیف وسیعی از ابزارهای فضایی معرفی شده‌اند که به نظر می‌رسد راه‌حل‌هایی برای نگرانی‌های عمومی، مانند تجزیه و تحلیل داده‌های سلامت عمومی ارائه می‌دهند. در اپیدمیولوژی یا در تحقیقات شیوع بیماری، یک پایگاه داده جغرافیایی – یک پایگاه داده فضایی که برای ذخیره، پرس و جو و دستکاری اطلاعات جغرافیایی و داده های مکانی طراحی شده است – می تواند بدون حجم کاری قابل توجه طراحی و ساخته شود [1 ] . اطلاعات ارجاع شده جغرافیایی در مورد مکان موارد، منابع بالقوه و جهت‌های احتمالی گسترش همه‌گیری به منظور تعریف الگوهای پراکندگی و نرخ‌ها، می‌تواند به طور موثر از طریق نقشه‌برداری دیجیتال ارائه شود [2 ] .
در چند دهه گذشته بوده است که پلتفرم‌های GIS کاربرپسندتر شده‌اند و به تدریج از دسکتاپ به وب مهاجرت کرده‌اند و در دستیابی به پاسخ‌ها یا محصولات اطلاعاتی بسیار کارآمدتر و سریع‌تر شده‌اند. هزاران سازمان از فناوری اطلاعات موقعیت مکانی خود به عنوان بخشی جدایی ناپذیر از فعالیت های آمادگی و پاسخ استفاده می کنند [ 3 ]. امروزه، توسعه تعداد زیادی از الگوریتم‌های اطلاعات جغرافیایی و به‌ویژه استقرار عملیات نرم‌افزاری آنلاین از طریق زیرساخت‌های شبکه پرسرعت، فرصت جمع‌آوری و پردازش کلان داده‌ها را در زمان واقعی می‌دهد و زمینه جدیدی را برای کاربردهای نوآورانه ایجاد می‌کند.
در مورد سلامت عمومی، GIS در ابتدا عمدتاً در برنامه ریزی سلامت به صورت کیفی یا به دنبال یک رویکرد کمی به عنوان یک روش تکمیلی برای بهبود خدمات بهداشتی یا برای مدل سازی دسترسی فیزیکی به امکانات بهداشتی مورد استفاده قرار گرفت [4 ] . یکی دیگر از کاربردهای رایج GIS شامل برنامه های کاربردی برای نقشه برداری نظارت بر بیماری به منظور ردیابی عفونت ها در دوره های زمانی طولانی یا کوتاه است [ 5 ]. به طور خاص، اصطلاح “نقشه برداری بیماری” برای درک بهتر توزیع جغرافیایی و گسترش اپیدمی در گذشته یا حال معرفی شده است [ 6 ]. برای پیش‌بینی گسترش احتمالی بیماری [ 3] همراه با مطالعه پارامترهای مورد نیاز که ممکن است یک سرایت مداوم را تحت تأثیر قرار دهد، معمولاً یک مدل سازی بیماری انجام می شود که عمدتاً بر اساس نقشه های GIS و آمار مکانی است [ 7 ، 8] .]. تعاملی بودن نقشه های دیجیتال و همپوشانی داده های جغرافیایی، پزشکی، مردم شناسی، محیطی و غیره، همراه با قابلیت تغییر آسان مقیاس های مشاهده، برای توسعه سناریوها و شناخت روابط و الگوهای فضایی ایده آل است. جمع آوری داده ها و تجزیه و تحلیل الگوهای فضایی گسترش یک بیماری برای مطالعات اپیدمیولوژیک بسیار مهم است. به ویژه نقشه برداری از مرگ و میرهای خاص بیماری ناشی از ویروس های عفونی مانند ابولا و زیکا، با ارائه ابزارها و روش های مختلف تحلیلی برای تبدیل داده های خام به اطلاعات حیاتی بسیار مفید بود. بنابراین، جغرافیای پزشکی ضروری شده است و با ادغام ابزارها و شیوه های علم جغرافیایی در موضوعات خاص پزشکی بازسازی می شود [ 9 ].
امروزه، ضرورت ضروري داده‌هاي مكاني، با گسترش بيماري COVID-19 در سراسر جهان، جامعه علمي و تصميم‌گيرندگان را به طراحي و اجراي برنامه‌هاي كاربردي بر اساس فلسفه GIS براي ترسيم نقشه پيشرفت آن و حتي ارائه اطلاعات بلادرنگ به پزشكي سوق داده است. موسسات، سیستم های بهداشتی و مردم. از آنجایی که این ویروس جدید همچنان در حال گسترش است، این نقشه‌های دیجیتالی آنلاین و به‌طور مداوم است که توسط سازمان بهداشت جهانی [ 10 ] و سایر گروه‌های تحقیقاتی (به عنوان مثال، دانشگاه جانز هاپکینز [ 11) استفاده می‌شود.])، برای پایش بلادرنگ موارد جدید و مرگ‌های مرتبط با در نظر گرفتن پیش‌نیازهای اقتصادی، جمعیتی، اجتماعی و زیست‌محیطی که در قالب‌های داده‌های مختلف (صفحه‌گسترده، سرویس‌های وب، داده‌های بزرگ و بدون ساختار) و از چندین منبع ارائه می‌شوند. پلتفرم‌های GIS به یکپارچه‌سازی و نگهداری این مجموعه داده‌ها کمک می‌کنند و علاوه بر آن موقعیت جغرافیایی را فراهم می‌کنند و اطمینان می‌دهند که اطلاعات دریافتی همیشه به‌روز و قابل اعتماد هستند. آنها همچنین از تجزیه و تحلیل داده های در دسترس بودن مراقبت های پزشکی، نرخ عفونت و ارقام مرگ و میر به روش کمی بیشتر پشتیبانی می کنند [ 12 ].
مشاهده دقیق تکامل مکانی-زمانی بیماری کووید-19 برای مقامات بهداشت عمومی برای نظارت بر مرحله بیماری بسیار مهم است، زیرا قبل از آن یک چارچوب زمانی وجود دارد که در آن قرار گرفتن در معرض و زمان تاخیر بدون نشان دادن هیچ علامتی می گذرد. در این راستا، ابزار GIS برای شناسایی به موقع مناطق پرخطر و نقاط داغ و برای تغذیه مدل‌های پراکنده با پارامترهای لازم بسیار کارآمد به نظر می‌رسد [ 13 ]. آنها همچنین می‌توانند آسیب‌پذیری‌ها و خطرات جامعه، مانند شکاف‌های زیرساختی حیاتی و جمعیت‌های آسیب‌پذیر را با دقت بالاتر در مکان و زمان شناسایی کنند [ 14 ].
همه‌گیری COVID-19 روشن کرد که درک پویایی مکانی و زمانی این بیماری برای کاهش آن حیاتی است، همانطور که توسط مطالعات جغرافیایی بهداشتی متعدد نشان داده شده است [ 15 ]. ساخت تعداد زیادی داشبورد GIS که چندین بار در روز به روز می شوند، اطلاعات پردازش شده را به روشی شفاف و کارآمد در دسترس قرار می دهد، زیرا دنیا بر این اطلاعات خاص [16] تکیه دارد که می تواند به تصمیم گیری، برنامه ریزی و اقدام جامعه کمک کند . . آنها همچنین توسط مقامات تصمیم گیرنده به عنوان یک استدلال آشکار برای متقاعد کردن مردم برای اقدامات سریع مربوط به ممنوعیت سفر و قرنطینه، با ارائه تجسم های مکانی و زمانی صریح استفاده شده اند [17 ]]. داده های تجزیه و تحلیل شده از طریق وب سایت های بسیار پیچیده و ابزارهای تجسم، در سراسر جهان و در یونان با جامعه به اشتراک گذاشته می شود (به عنوان مثال، بنیاد استاوروس نیارخوس [ 18 ]، دانشگاه ملی و کاپودیستری آتن [ 19 ]). ثابت می‌کند که GIS، در میان دیگران، یک ابزار بسیار کارآمد و صرفه‌جویی در زمان برای ارائه آگاهی موقعیتی و بنابراین انتقال منابع لازم به مکان‌های مناسب در زمان‌های مناسب برای حمایت از مناطق آسیب‌دیده و حفاظت از جان انسان‌ها است [20 ] .

2. Crowdsourcing: GIS یک قدم به جلو

از آنجایی که نیاز به داده‌های سریع‌تر، به‌روزرسانی و مکان‌سنجی پیش‌نیاز استفاده عملیاتی از GIS می‌شود و به منظور افزایش منابع داده، در چند سال اخیر اصطلاح جدیدی برای جمع‌آوری داده‌های بلادرنگ معرفی شده است: «جمع‌سپاری » . ، که یک تدارکات اطلاعاتی در حال ظهور و قدرتمند است [ 21 ]. در ابتدا، اطلاعات جغرافیایی داوطلبانه (VGI) [ 22 ، 23 ، 24 ، 25 ]، محاسبات اجتماعی، هوش جمعی یا محاسبات انسانی [ 26] نامیده می شد.] که از طریق آن چندین اطلاعات کوچک از جمعیت درخواست می شود. این روشی برای جمع‌آوری سریع داده‌های خام فیلتر نشده در شرایط اضطراری از یک گروه بزرگ، نسبتاً باز و اغلب به سرعت در حال تکامل از کاربران وب است. این سیستم وظیفه‌محور طبقه‌بندی و توصیف اظهارات داوطلبان را برای شناسایی سریع یک حالت ارائه می‌کند [ 27 ].
جمع سپاری به ابزاری قدرتمند برای تعداد زیادی از ارائه دهندگان داده تبدیل شده است تا با اطلاعات در طول رویدادهای بحرانی همکاری کنند و یک پلت فرم طراحی شده ویژه برای جمع آوری، تجزیه و تحلیل و نمایش اطلاعات به روشی ساده را تغذیه کنند. ارزش افزوده جمع سپاری در یک پلت فرم GIS، ثبت موقعیت جغرافیایی پاسخ دهنده به طور همزمان با سایر اطلاعات است. از آنجایی که داده های جغرافیایی از طریق یک دستگاه تلفن همراه ارسال می شود که می تواند در هر نقطه از جهان باشد (از آنجایی که تلفن های هوشمند مجهز به سیستم های موقعیت یابی جهانی هستند)، ارزش اطلاعات افزایش می یابد [22]، به ویژه در هنگام بلایای طبیعی و مدیریت بحران متعاقب آن [ 3 ]]. به عنوان مثال، جمع سپاری در زلزله سال 2010 هائیتی به طور گسترده مورد استفاده قرار گرفت، زمانی که افراد گرفتار پیام ها و عکس ها را از طریق شبکه های اجتماعی به اشتراک گذاشتند، اما نه از طریق یک برنامه اختصاصی. همچنین باید به کاربرد مدیریت ریسک جمع‌سپاری برای سیل‌ها در قلمرو برزیل [ 28 ]، یا حتی سیستم‌های جمع‌آوری اطلاعات عمومی‌تر توسعه‌یافته‌تر برای پایش بلایا [ 29 ]، سازمان‌دهی و ساختن تعداد زیادی از کمک‌های بی‌ساختار «داده‌های بزرگ» قابل استفاده اشاره کنیم [ 30 ].
در طول شیوع بیماری COVID-19، چندین برنامه کاربردی جمع سپاری به کار گرفته شد و برای عموم ارسال شد، با هدف کل جمعیت یک منطقه یا گروهی با آسیب‌پذیری‌های خاص، مانند بیماران سرطانی [31]، و رویکردهای بررسی محلی یا بیشتر. سطح بین المللی داده‌های جمع‌سپاری اطلاعات به‌روز شده را در این وضعیت دائما و پویا در حال تغییر [ 32 ]، با توسعه برنامه‌های کاربردی (Apps) برای جمع‌آوری و تبادل اطلاعات مربوط به همه‌گیری [ 33 ]، در عرض چند دقیقه ارائه می‌کنند. برای مثال، برنامه‌ای که هدفش پر کردن شکاف‌های داده‌های مکانی ویروس کرونا است Opendemic [ 34] است]، که به کاربران این امکان را می‌دهد تا مکان‌های خود را به‌طور ناشناس به اشتراک بگذارند و وضعیت سلامت علائم COVID-19 را با هدف دریافت هشدار درباره سایر موارد نزدیک، چه بالقوه و چه تأیید شده، مرتبط کنند. توسعه‌دهندگان آن، با در نظر گرفتن کمبود کیت‌های آزمایش، با ایجاد یک پایگاه داده باز برای مقامات بهداشت عمومی، به منظور تصمیم‌گیری در مورد مداخلات مناسب، علاوه بر داده‌هایی که قبلاً در اختیار دارند، به خود گزارش‌دهی تکیه کردند. از سوی دیگر، داشتن نرخ پایین تست، که تعداد موارد تایید شده را کم نگه می‌دارد، می‌تواند افراد را گمراه کند و باعث ایجاد حس ایمنی کاذب شود، بنابراین هدف ثانویه برنامه این است که افراد هوشیار بمانند.
Flusurvey [ 35 ] یک برنامه/وب‌سایت ترکیبی است که در آن هر عضو عمومی بریتانیا می‌تواند در این پلت‌فرم ثبت‌نام کند تا علائمی را که ممکن است تجربه کند، گزارش دهد تا توسط محققان بهداشت عمومی انگلستان و دانشکده بهداشت و پزشکی استوایی لندن برای نظارت استفاده شود. روند بیماری در بریتانیا به طور مشابه، ردیاب علائم کووید [ 36 ]، که در کینگز کالج لندن توسعه یافت، که در آن از افراد خواسته می‌شد تا روزانه خود گزارش دهند، حتی اگر حالشان خوب باشد، با هدف شناسایی مناطق پرخطر در بریتانیا و اینکه چه کسانی بیشتر در معرض خطر هستند، بهتر است. درک علائم مرتبط با شرایط بهداشتی اساسی و سرعت انتشار ویروس در منطقه کاربران. با این حال، باید تاکید کرد که این نوع برنامه‌های ردیابی تماس، ملاحظات اخلاقی و اجتماعی را مطرح می‌کند که نباید نادیده گرفته شوند.37 ].
تلاش دیگری از سوی دانشگاه مریلند هدایت می‌شود (بررسی علائم COVID-19؛ [ 38 ])، که در آن یک نظرسنجی داوطلبانه به عنوان بخشی از یک مطالعه تحقیقاتی با هدف به دست آوردن درک عمومی بهتر از کجا و چگونه همه‌گیری ویروس کرونا در حال گسترش است، انجام می‌شود. این نظرسنجی از داده های فیس بوک برای ایجاد یک شناسه تصادفی و یک عدد آماری استفاده می کند که به تصحیح سوگیری نمونه کمک می کند.
علاوه بر این، برنامه/وب‌سایت ناشناس COVID-19 Tracking Switzerland [ 39 ] با هدف جمع‌آوری هر چه بیشتر داده‌ها، در سریع‌ترین زمان ممکن، برای هر چه بیشتر روزهای ممکن، و ارائه تصویری دقیق‌تر از وضعیت COVID-19 در موارد مختلف است. بخش هایی از کشور این تلاش با نقشه ای همراه است که نتایج طبقه بندی شده نظرسنجی و همچنین آمار خلاصه و روندها را بر اساس منطقه نشان می دهد.
در نهایت، یک برنامه جمع‌سپاری متفاوت Folding@home [ 40 ] است که یک پروژه محاسباتی توزیع‌شده برای شبیه‌سازی دینامیک پروتئین است، با هدف کشف ساختارهای پروتئینی جدید SARS-CoV-2 و نحوه تعامل پروتئین‌های انسانی با ویروس. برای انجام محاسبات پیچیده مورد نیاز، با نصب یک برنامه نرم افزاری که در غیر این صورت کامپیوتر در حالت بیکار قرار می گیرد، محاسبات را اجرا می کند.
همه‌گیری فعلی کووید-19 به وضوح نشان داده است که اگر کارشناسان بهداشت عمومی بتوانند افراد مبتلا را در اولین فرصت ممکن شناسایی کنند، شانس بیشتری برای جلوگیری از گسترش آن و به حداقل رساندن تأثیر آن وجود دارد. در آغاز همه‌گیری، ظرفیت محدودی برای دسترسی به افراد برای آزمایش انبوه وجود داشت (و هنوز هم در بسیاری از نقاط جهان وجود دارد). بنابراین، یک برنامه جمع سپاری که ساکنان می توانند از آن برای گزارش ناشناس وضعیت سلامتی خود به طور منظم استفاده کنند، می تواند به طور قابل توجهی مفید باشد. این اطلاعات می‌تواند برای مقامات برای یافتن شکاف‌های موارد تایید شده و مکان‌یابی مناطقی که افراد علائم خود را گزارش می‌دهند، مفید باشد، و به آنها کمک می‌کند تا در بالای نقاط داغ در حال ظهور باقی بمانند و مناطق مورد نظر برای مداخله را شناسایی کنند [39 ]].
بنابراین، یک برنامه کاربردی جمع‌سپاری مربوطه برای ثبت فضایی انتشار COVID-19 در یونان توسط گروه زمین‌شناسی و ژئومحیط زیست، دانشگاه ملی و کاپودیستری آتن توسعه داده شد و همراه با تجزیه و تحلیل داده‌های جمع‌آوری‌شده در اینجا ارائه شده است.
اهداف ما این بود:
  • برای تعیین موقعیت جغرافیایی کسانی که احساس می کنند علائم دارند، با در نظر گرفتن ناتوانی احتمالی در آزمایش و احتمال بیماری خفیف؛
  • برای تعیین نسبت شهروندانی که احساس می کنند علائم را دارند و برای تشخیص هرگونه تغییر زمانی در پاسخ ها (از “نه” به “بله” یا بالعکس).
  • آشنایی شهروندان با این فناوری های جدید و تشویق مشارکت عمومی در شرایط اضطراری؛
  • به اشتراک گذاشتن نتایج، در صورت لزوم، با مقامات ذیصلاح برای منافع عمومی؛ و
  • ارزیابی ارزش افزوده داده‌های جمع‌سپاری در نقشه‌برداری از توزیع فضایی یک بیماری، به جای جمع‌آوری داده‌های پزشکی که ممکن است ارزش عینی پایینی داشته باشند.
جنبه جدید این برنامه این است که سعی می کند در اسرع وقت به چالش های ناشی از یک بحران بهداشت جهانی که قبلاً دیده نشده بود پاسخ دهد. به طور مشخص، در یونان چنین اپلیکیشنی برای مواقع ضروری ایجاد و معرفی نشده است، بلکه فقط برای مسائل روزمره زندگی در مقیاس محلی است. بنابراین، بررسی چگونگی واکنش شهروندان در چنین فناوری‌هایی و اینکه چگونه اطلاعات جمع‌آوری‌شده می‌تواند برای مقامات بهداشتی/عمومی ارزشمند باشد، مهم در نظر گرفتیم.

3. مواد و روشها

با توجه به شرایط اضطراری، یک نرم افزار تجاری برای ایجاد نظرسنجی و جمع آوری سریع داده های جمع سپاری انتخاب شد. Survey123 برای ArcGIS ( https://survey123.arcgis.com/ )، که بخشی از ESRI Geospatial Cloud است و یک راه حل فرم محور برای ایجاد، اشتراک گذاری و تجزیه و تحلیل نظرسنجی ها استفاده شده است. داده ها را می توان از طریق دستگاه های تلفن هوشمند، لپ تاپ یا رایانه های رومیزی به عنوان یک برنامه بومی و از طریق مرورگر جمع آوری کرد، حتی بدون اتصال به اینترنت پایدار. علاوه بر این، تجزیه و تحلیل سریع داده ها را ارائه می دهد، در حالی که داده های گرفته شده بلافاصله در پلت فرم ArcGIS برای تجزیه و تحلیل بیشتر در دسترس هستند.
در این نظرسنجی، یک سوال بسته از طریق یک برنامه وب با فرمول‌بندی «آیا علائم COVID-19 را تجربه کرده‌اید؟» پست شد و شرکت‌کنندگان باید از بین سه گزینه از پیش تعریف‌شده، یعنی خیر، مطمئن نیستم و بله، انتخاب کنند. از آنجایی که یک نظرسنجی تحقیقاتی با تمرکز بر کاربرد جمع‌سپاری در موقعیت‌های بهداشت عمومی اضطراری، داشتن تنها یک سوال برای پاسخ، انجام آن را آسان و سریع می‌کند. این امر مشارکت گسترده شهروندانی را تسهیل کرد که به طور کلی از درگیر شدن در پرسشنامه ها در مواقعی که سؤالات بسیار زیاد است، اجتناب می کنند و تجربه نظرسنجی آسان را ترجیح می دهند. علاوه بر این، از آنجایی که در آن مرحله تنها سه علامت منتسب به بیماری کووید-19 (تب، سرفه خشک، تنگی نفس) وجود داشت، نیازی به ذکر علائم در سؤال نبود. با این حال،
جدا از سوالی که باید به آن پاسخ داده شود، کاربران باید موقعیت مکانی خود را نیز با اجازه دادن به دستگاه خود برای مکان یابی یا با وارد کردن یک موقعیت در نقشه ارائه شده به اشتراک بگذارند ( شکل 1 ). در مورد اطلاعات شخصی شرکت کنندگان، تنها محل و پاسخ انتخابی به همراه شماره شناسایی سریال ثبت شد. هیچ اطلاعات دیگری که بتواند اطلاعات شخصی شرکت کنندگان را فاش کند ثبت نشده است.
این نظرسنجی در 16 مارس 2020 از طریق رسانه های اجتماعی، ایمیل های تجاری یا شخصی و یک بیانیه مطبوعاتی برای رسانه ها راه اندازی شد، در حالی که چند مصاحبه تلویزیونی انجام شد. هیچ تبلیغ دیگری در طول بررسی انجام نشده است. به منظور هوشیار نگه داشتن کاربران برای پاسخ مجدد در صورت تغییر وضعیت سلامتی آنها، داشبوردی ایجاد شد که نتایج به سرعت تجزیه و تحلیل شده را نشان می دهد. تجزیه و تحلیل هر 3 ساعت انجام شد، اما توزیع فضایی ورودی‌ها و همچنین شاخص‌های هر گزینه پاسخ (خیر، بله، و مطمئن نیستم) در داشبورد عمومی به صورت بلادرنگ نمایش داده شد (شکل 2) .). حریم خصوصی مکان پاسخ دهندگان با تنظیم تعریف مناسب محدوده دید، از طریق طراحی برنامه، تضمین شد. این نظرسنجی در طول موج اول اپیدمی به جمع آوری داده ها ادامه داد، اما آخرین انتشار آنلاین نتایج تجزیه و تحلیل و به روز رسانی اطلاعات داشبورد در 18 مارس، ساعت 12:00 (EET) بود. با توجه به اینکه مشارکت به‌طور غیرمنتظره‌ای بالا بود، تصمیم گرفتیم دسترسی عمومی به داده‌ها را قطع کنیم تا بتوانیم آنها را با دقت پردازش کنیم و مهمتر از همه، از هرگونه تفسیر نادرست از سوی مردم جلوگیری کنیم. علاوه بر این، انتشار نتایج در آن مرحله، در حالی که تحقیقات هنوز در حال انجام بود، می‌تواند منجر به تفسیری بدخواهانه یا یک طرفه و ارائه پاسخ‌های مغرضانه شود. باید اضافه کرد که افزایش مشارکت فراتر از قابلیت مجوز نظرسنجی بود که باعث ایجاد مشکلات موقت در راه اندازی رابط “Survey123” و تاخیر در تجزیه و تحلیل شد. این را می توان با یک مجوز تجاری پیشرفته برطرف کرد.
به منظور اعتبارسنجی داده‌های نظرسنجی به این معنا که پاسخ‌های مثبت (بله) از نظر جغرافیایی با موارد COVID-19 یا مناطق پرجمعیت، ویژگی‌های جمعیتی یونان و همچنین موارد تایید شده رسمی COVID-19 و مرگ و میر مطابقت دارند، در نظر گرفته شدند ( جدول 1). باید اضافه کرد که قلمرو یونان از نظر اداری به 13 منطقه متشکل از 74 واحد منطقه ای (سطح NUTS 3؛ واحدهای منطقه ای و ترکیبی از آنها تا حد زیادی معادل استان های سابق هستند) تقسیم می شود که بیشتر به 332 شهرداری تقسیم می شود. برای این منظور، یک رگرسیون خطی (از طریق حداقل مربعات معمولی ArcGIS) با در نظر گرفتن پاسخ های مثبت نظرسنجی به عنوان متغیر وابسته و تعداد موارد تایید شده، جمعیت و تراکم جمعیت به عنوان متغیرهای توضیحی، با هدف بررسی و بررسی هر گونه روابط فضایی بین انجام شد. آنها را البته لازم به تاکید است که موارد تایید شده رسمی کووید-19 و مرگ و میر در طول دوره بررسی در سطح واحد منطقه ثبت شده است، بنابراین تحلیل تفکیک مکانی بالاتر امکان پذیر نیست.
در نهایت، تجزیه و تحلیل آماری جامع بر روی داده های جمع آوری شده (پاسخ های نظرسنجی) انجام شد. تغییرات زمانی نسبت‌های هر گزینه پاسخ (یعنی «نه»، «مطمئن نیستم»، «بله» بر تعداد کل پاسخ‌ها) بر اساس تفاوت آنها بین روزهای متوالی انجام فرضیه آزمون و اهمیت نسبت ها این آزمون نسبت «موفقیت» دو نمونه را تحت این فرضیه صفر مقایسه می‌کند که تفاوتی بین جمعیت‌های نمونه‌های مشتق‌شده وجود ندارد، یعنی نسبت یک گزینه پاسخ معین از نظر آماری بین دو روز متوالی تغییر معنی‌داری نمی‌کند. تفاوت‌های نسبت‌ها از توزیع تقریباً نرمال پیروی می‌کنند و در سطح انتخابی از اهمیت با محاسبه z-score مربوطه آزمایش می‌شوند [ 41]]. علاوه بر این، تغییرات مکانی و وجود بالقوه خوشه‌بندی فضایی پاسخ‌ها از طریق تجزیه و تحلیل نقطه داغ [ 42 ، 43 ] شامل ابزارهای تجزیه و تحلیل نقطه داغ ArcGIS مورد بررسی قرار گرفت.
تمام تجزیه و تحلیل های فوق به ترتیب برای کل قلمرو یونان و برای هر منطقه انجام شد. توجه ویژه به مناطق آتیکا و مقدونیه مرکزی داده شد، زیرا این دو منطقه روی هم حدود 52 درصد از کل جمعیت کشور را تشکیل می دهند.

4. نتایج

نظرسنجی همچنان فعال است، اما برای اهداف تحلیل آماری دوره اول یک ماهه (16/03/2020 لغایت 16/04/2020) انتخاب شد. در این مدت 212715 پاسخ دریافت شد. اگرچه این نظرسنجی برای یونان انجام شد، اما چندین پاسخ در سرتاسر جهان و همچنین فراساحل یافت شد. بنابراین، گام اولیه به کارگیری مهندسی داده مهم بود. به طور خاص، از 212715 ورودی، 207762 مورد خشکی و 4953 مورد فراساحلی بوده است. دومی از رویکرد آماری حذف شدند، اگرچه بسیاری از آنها ممکن است پاسخ افرادی باشد که یا با قایق سفر می کردند (از آنجایی که قرنطینه کامل هنوز اعمال نشده بود) یا برخی از پاسخ دهندگان از دستگاه های تلفن همراه GPS با دقت پایین استفاده می کردند. از داده های خشکی، 205993 ورودی در یونان واقع شده است ( شکل 3، در حالی که ورودی هایی از خارج از کشور، عمدتاً از اروپا (بیشتر آنها در قبرس، آلمان و بریتانیا) وجود داشت. تمام ورودی های خارج از کشور از تجزیه و تحلیل های بعدی حذف شده اند. با توجه به موقعیت پاسخ‌دهندگان در یونان، اکثر ورودی‌ها در منطقه آتیکا (121284) و منطقه مقدونیه مرکزی (25549) توزیع شده‌اند که پرجمعیت‌ترین مناطق یونان هستند (شکل 3، جدول 2 را ببینید ) . . حتی اگر این دو منطقه با جزئیات بیشتری مورد بحث قرار گرفته اند، تحلیل مشابهی برای هر 13 منطقه یونان انجام شد. پاسخ‌ها در هر منطقه به خوبی توزیع می‌شوند و تقریباً کل منطقه آن را پوشش می‌دهند، با اکثریت پاسخ‌های مثبت (بله) که کم و بیش از شهرهای بزرگ پرجمعیت دریافت می‌شود.
حتی اگر داده های ماه اول در اینجا ارائه شده است، هشت روز اول (از 16/03/2020 تا 23/03/2020) نظرسنجی که بیشترین تعداد (97.4٪) ورودی ها را شامل می شود، برای تجزیه و تحلیل آماری بعدی، زیرا مشارکت پس از 23/03/2020 به شدت کاهش یافت ( ویدئو S1 را در مواد تکمیلی ببینید). سه روز نقطه عطف را می توان برجسته کرد: روز دوم و سوم نظرسنجی، یعنی 17 و 18 مارس 2020، که در آن 39,459 (19٪ از کل ورودی ها) و 36,881 (18٪ از کل ورودی ها) به نظرسنجی پاسخ دادند. به ترتیب و همچنین روز ششم نظرسنجی (21 اسفند) که بیشترین تعداد ورودی ها با 55826 (27 درصد از کل ورودی ها) از پاسخ ها ثبت شده است. در نهایت، از مجموع پاسخ ها (205993): (الف) 174257 (84.6%) پاسخ دادند که هیچ علامتی نداشتند (خیر)، (ب) 5368 (2.6%) که علائم داشتند (بله) و (ج) 26368 (ج) 12.8٪ گفتند که مطمئن نیستند (مطمئن نیست) ( شکل 4 ).
برای کمک به اعتبارسنجی و تجزیه و تحلیل بیشتر داده‌ها و متعاقبا، تلاش برای ردیابی مکانی و تکامل زمانی همه‌گیری COVID-19، داده‌های سطح فردی را از گزارش‌های بهداشتی ملی، منطقه‌ای و شهرداری جمع‌آوری و مدیریت کردیم. اطلاعات اضافی از گزارش های آنلاین ( جدول 1 را ببینید ). داده های دقیق، زمان واقعی و قابل اعتماد برای شیوع بیماری های در حال ظهور از اهمیت بالایی برخوردار است و می تواند به ایجاد شواهد قوی برای حمایت از تصمیم گیری در مورد سلامت عمومی کمک کند. با این حال، ما باید روشن کنیم که عملکرد وزارت بهداشت یونان، از زمان ظهور همه‌گیری در یونان، ارائه داده‌های موارد/مرگ‌های تایید شده در سطح فضایی درشت، یعنی در واحدهای منطقه‌ای است که منطقه‌ای را پوشش می‌دهند. ~ 1800 کیلومتر 2به طور متوسط. بنابراین، این ما را تسهیل نمی‌کند که پاسخ‌های نظرسنجی را به هیچ غلظتی از موارد تأیید شده COVID-19 متصل کنیم.
با این وجود، برای دریافت بینش بهتر در مورد روابط فضایی ممکن، تعداد پاسخ‌های مثبت (بله) را با تراکم جمعیت در سطح واحد منطقه‌ای همبستگی کردیم. تجزیه و تحلیل رگرسیون نشان داد که پاسخ های مثبت (بله) به طور معنی داری (01/0 a =) با جمعیت و موارد تایید شده واحدهای منطقه ای با پیش بینی بیش از حد و کم پیش بینی مدل برای برخی از واحدها (نمایش داده نشده) رابطه آماری معنی داری دارد. ) نشان می دهد که یک یا چند متغیر توضیحی در مدل وجود ندارد.
به منظور داشتن بینشی بهتر از تکامل زمانی دیدگاه شرکت کنندگان در مورد وضعیت سلامتی خود و با کاهش تدریجی تعداد شرکت کنندگان، نسبت های متناظر گزینه های مختلف پاسخ برای هر روز از نظرسنجی محاسبه شد. به طور کلی، درصد «نه» نسبت به کل پاسخ‌ها 84.6 درصد است، در حالی که درصد «مطمئن نیستم» و «بله» به ترتیب 12.8 درصد و 2.6 درصد بوده است (شکل 4 ) .
با توجه به نسبت‌های روزانه پاسخ‌ها، مشخص شد که تغییرات ثابتی در نسبت‌ها در پاسخ‌های شرکت‌کنندگان برای 8 روز اول نظرسنجی وجود دارد، که طی آن آگاهی جمعیت در مورد پیشرفت همه‌گیری کووید-19 در سطح جهانی بود. بالاترین سطوح به طور خاص، از 16 تا 17/03/2020، نسبت “بله” به طور قابل توجهی افزایش می یابد (a = 0.01)، بدون هیچ تغییر محسوسی در دو گزینه دیگر پاسخ. در همان زمان، در حالی که تعداد شرکت کنندگان بیش از یک مرتبه بزرگی افزایش یافت، تعداد “نه” حدود 20 برابر افزایش یافت. دو روز بعد، از 18 تا 19/03/2020، تقریباً افزایش معینی (a = 0.01) از «مطمئن نیست» در برابر «نه» ثبت شد. اگرچه از 19 تا 20/03/2020 و از 20 تا 21/03/2020، “مطمئن نیستم” و “بله” به طور قابل توجهی کاهش می یابد (a = 0.01)، فقط برای افزایش مجدد دو روز بعد در دو روز اول قرنطینه (از 22 تا 24/03/2020)، با افزایش آماری معنی‌دار (a = 0.05) “بله”. لازم به ذکر است که 22/03/2020 روزی است که قرنطینه کامل اعلام شده و تعداد موارد تایید شده به شدت افزایش یافته است. این تغییر از خیر به بله/مطمئن نیست را می‌توان به تغییر واقعی افراد در احساس یا داشتن علائم، مرتبط با افزایش واقعی موارد عمدتاً در مناطق پرجمعیت، یا ترس نهفته آنها از ابتلای آنها نسبت داد. اگرچه فرض اخیر تنها از طریق تحلیل جامعه‌شناختی یا روان‌شناختی قابل ارزیابی است که با داده‌های موجود این مطالعه قابل انجام نیست. لازم به ذکر است که 22/03/2020 روزی است که قرنطینه کامل اعلام شده و تعداد موارد تایید شده به شدت افزایش یافته است. این تغییر از خیر به بله/مطمئن نیست را می‌توان به تغییر واقعی افراد در احساس یا داشتن علائم، مرتبط با افزایش واقعی موارد عمدتاً در مناطق پرجمعیت، یا ترس نهفته آنها از ابتلای آنها نسبت داد. اگرچه فرض اخیر تنها از طریق تحلیل جامعه‌شناختی یا روان‌شناختی قابل ارزیابی است که با داده‌های موجود این مطالعه قابل انجام نیست. لازم به ذکر است که 22/03/2020 روزی است که قرنطینه کامل اعلام شده و تعداد موارد تایید شده به شدت افزایش یافته است. این تغییر از خیر به بله/مطمئن نیست را می‌توان به تغییر واقعی افراد در احساس یا داشتن علائم، مرتبط با افزایش واقعی موارد عمدتاً در مناطق پرجمعیت، یا ترس نهفته آنها از ابتلای آنها نسبت داد. اگرچه فرض اخیر تنها از طریق تحلیل جامعه‌شناختی یا روان‌شناختی قابل ارزیابی است که با داده‌های موجود این مطالعه قابل انجام نیست. مرتبط با افزایش واقعی موارد عمدتاً در مناطق پرجمعیت، یا ترس نهفته آنها مبنی بر اینکه ممکن است آلوده شده باشند. اگرچه فرض اخیر تنها از طریق تحلیل جامعه‌شناختی یا روان‌شناختی قابل ارزیابی است که با داده‌های موجود این مطالعه قابل انجام نیست. مرتبط با افزایش واقعی موارد عمدتاً در مناطق پرجمعیت، یا ترس نهفته آنها مبنی بر اینکه ممکن است آلوده شده باشند. اگرچه فرض اخیر تنها از طریق تحلیل جامعه‌شناختی یا روان‌شناختی قابل ارزیابی است که با داده‌های موجود این مطالعه قابل انجام نیست.
هر گونه تغییر زمانی در روزهای بعد، حتی از نظر آماری معنی دار، مورد بحث قرار نمی گیرد، زیرا تعداد شرکت کنندگان در مقایسه با هشت روز اول نظرسنجی نسبتاً کم است و بنابراین، بیشتر مستعد سوگیری هستند.
یافته‌های فوق در مورد کل قلمرو یونان عمدتاً از پاسخ‌های منطقه آتیکا تعیین می‌شوند که 59 درصد از کل پاسخ‌ها را تشکیل می‌دهند. منطقه آتیکا، شامل آتن، پایتخت یونان، با جمعیتی در حدود 3.8 میلیون نفر، حدود 35 درصد از کل جمعیت را تشکیل می دهد (تخمین عمومی جمعیت سازمان آمار یونان برای سال 2019، www.statistics.gr)، در حالی که تراکم جمعیت ~1000/Km2 در مقابل ~55/Km2 برای بقیه کشور است. پاسخ‌ها 2/3 منطقه را پوشش می‌دهند، بخش شمال غربی آتیکا سهم کمی در نظرسنجی دارد، در حالی که پاسخ‌های «بله» و «مطمئن نیستم» بیشتر در منطقه شهری آتن و شهرهای اطراف و همچنین مرکز مرکزی قرار دارند. ساحل شرقی آتیکا (شکل 5 و ویدئو S2 در مواد تکمیلی ).
با مقایسه درصد آتیکا از سه گزینه پاسخ مختلف در برابر بقیه قلمرو یونان برای هشت روز اول نظرسنجی، تقریباً مطمئن است (a=0.01) که درصدهای «بله» و «مطمئن نیستم» برای آتیکا به طور قابل توجهی بالاتر است. نسبت به درصدهای مربوطه برای بقیه کشور. این را می توان به این دلیل نسبت داد که تراکم موارد تایید شده در آتیکا در مقایسه با سایر نقاط کشور حدود 9 برابر بیشتر است (به طور خاص، 90.3 مورد تایید شده در هر 1 میلیون در مقابل 10.6 مورد تایید شده در هر میلیون از 16/03/2020 تا 23/03/2020). علاوه بر این، لازم به ذکر است که ناحیه قرمز تلفظ شده در شکل 5a، مربوط به منطقه شهری آتن است، یک حوضه بسته احاطه شده توسط کوه ها و دریا، که اکثریت قریب به اتفاق جمعیت آتیک در آن ساکن هستند، با تراکم جمعیت حدود 3500 نفر در کیلومتر مربع و جایی که بیشترین موارد آتیکا در آن رخ داده است .
از سوی دیگر، پاسخ‌های منطقه مقدونیه مرکزی، دومین شهر از نظر تعداد ورودی‌ها، جایی که تسالونیکی (دومین شهر بزرگ یونان از نظر جمعیت) در آن قرار دارد، به طور یکسان در کل منطقه توزیع نشده است، در حالی که اکثریت « پاسخ‌های بله» و «مطمئن نیستم» عمدتاً در تسالونیکی و همچنین در شهرهای بزرگ‌تر منطقه قرار دارند. فقط 12 روز اول در شکل 6 ارائه شده است ، زیرا پس از آن دوره، تعداد شرکت کنندگان نسبتاً کم است. این نسبت‌ها همان تحول زمانی کل کشور را نشان می‌دهند، اگرچه تنها تغییر آماری معنی‌دار، با افزایش «نه» در برابر کاهش «مطمئن نیستم» و «بله»، از 20 تا 21/03/2020 مشاهده می‌شود، زمانی که تعداد تعداد شرکت کنندگان حدود 6 برابر افزایش یافت ( شکل 6).
در تلاش برای ارزیابی سودمندی نظرسنجی برای مداخلات به موقع مقامات در مناطقی با افزایش پاسخ‌های مثبت (بله) که ممکن است با افزایش موارد واقعی مرتبط باشد، یک تجزیه و تحلیل نقطه داغ برای کل قلمرو یونان و همچنین برای منطقه شهری آتن، به دلیل تراکم بالای جمعیت. تجزیه و تحلیل نقطه داغ می تواند خوشه های آشکاری از مقادیر افزایش یافته متغیر مورد بررسی را نشان دهد. در مورد ما نقاط داغ مربوط به خوشه های بله است. مشخص شده است که جدا از شهرهای بزرگتر که نقاط داغ را تشکیل می دهند، بیشتر شهرها با نقاط سرد مطابقت دارند. به عنوان مثال، به خوشه های شماره. با این حال، نقاط داغ در چندین منطقه ظاهر می شود که نشان می دهد موارد افزایش یافته ممکن است در شهرها یا روستاهای کوچکتر رخ دهد (نمایش داده نشده است). به طور خاص، در شکل 7تجزیه و تحلیل نقطه داغ برای منطقه شهری آتن به صورت روزانه برای 8 روز اول بررسی ارائه می شود که طی آن بیشترین مشارکت ثبت شده است. اولین نقاط داغ آماری معنی دار در طول روز سوم بررسی خوشه بندی می شوند و به وضوح در روزهای پنجم و ششم بررسی در چندین محله در منطقه کلانشهر آتن و شهرها و حومه های اطراف آن شکل می گیرند، اما به دلیل تعداد روز محدود. ، نمی توان هیچ تغییری در الگوهای فضایی نقاط داغ تشخیص داد. با این حال، این یافته ها نشان می دهد که چنین تحلیل های روزانه می تواند برای مقامات حفاظت مدنی ارزشمند باشد.

5. بحث و نتیجه گیری

با برنامه ارائه شده در اینجا، تلاش شد تا یک رویکرد جمع سپاری برای جمع آوری داده های انبوه در مورد شیوع بیماری COVID-19 در یونان در طول بهار 2020 برای اهداف تحقیقاتی اجرا شود. هدف اصلی مکان یابی مناطق جغرافیایی با افزایش تعداد افراد احساس علائم و تعیین هرگونه تغییرات زمانی در پاسخ های شرکت کنندگان بود.
مقابله با اپیدمی ها چالش برانگیز است زیرا داده های بلادرنگ حجیم هستند و نیاز به تجزیه و تحلیل و تجسم زمان بر دارند. همه‌گیری‌ها، مانند هر بلای طبیعی، شرایط اضطراری هستند که نیاز به اقدام سریع و حمایت جمعیت آسیب‌دیده دارند. بنابراین، چشم انداز جغرافیایی می تواند پاسخ های ارزشمندی به برخی از چالش های اصلی ارائه دهد. توزیع فضایی پاسخ ها با توجه به احساس علائم خود شرکت کنندگان، می تواند از نظر مکان یابی مناطق با مشکل فزاینده بسیار سودمند باشد. با این وجود، ما باید این پارامتر قابل توجه را در نظر بگیریم که ممکن است جمعیت سالخورده بدون صلاحیت در فن آوری های جدید (برنامه های کاربردی اینترنت، تلفن های هوشمند، شبکه های اجتماعی و غیره) نتوانند در آن شرکت کنند. مثلا، تنها غلظت شناخته شده موارد تایید شده رسمی توسط سازمان ملی بهداشت عمومی یونان، در طول دوره زمانی مورد بررسی، دو روستای دورافتاده در شمال غربی یونان بود. در طول فرآیند اعتبارسنجی داده‌های نظرسنجی، هیچ مشارکتی از این منطقه یافت نشد، احتمالاً به دلیل جمعیت بسیار مسن ساکن در این روستاها.
ترکیب داده‌های رسمی بلادرنگ با داده‌های جمع‌آوری‌شده از طریق جمع‌سپاری برای تحلیل فضایی بیشتر مهم است. با این حال، به دلیل عدم وجود موقعیت جغرافیایی با وضوح بالا پرونده های رسمی در یونان، هرگونه همبستگی و اعتبار مکانی با گزارش پرونده های رسمی عملا غیرممکن بود.
اگرچه هیچ تصمیم‌گیرنده‌ای درخواستی برای به اشتراک گذاشتن داده‌ها یا نتایج خام نظرسنجی ما نکرد، بسیاری از سازمان‌های غیرانتفاعی، سایر دانشگاه‌ها و افراد برای همکاری و به اشتراک گذاشتن شیوه‌ها و نتایج تجزیه و تحلیل با گروه تحقیقاتی ما تماس گرفتند. با این حال، این بررسی از جمع‌آوری داده‌های بهداشتی، به وضوح نشان می‌دهد که سازمان‌های بهداشتی باید حداقل با ایجاد پروتکل‌های سخت‌گیرانه، پتانسیل استفاده از برنامه‌های crowdsourcing را برای دسترسی به عموم در یک بازه زمانی کوتاه بررسی کنند. شرایط محرمانه و مسئولیت و برنامه ریزی یک یادآوری مداوم برای مشارکت مکرر.
هر برنامه جمع سپاری نتایجی را تولید می کند که به مسئولیت شرکت کنندگان بستگی دارد. دریچه های امنیتی وجود دارد، اما نمی توانند اعتبار داده های دریافتی را تضمین کنند. برای مثال، سطح بالای مثبت کاذب از چنین برنامه‌هایی می‌تواند باعث وحشت شود، در حالی که منفی‌های کاذب می‌توانند در بقیه افراد جامعه احساس کاذب ایمنی را حفظ کنند [ 37] .]. بنابراین، نتایج چنین تحقیقاتی باید پردازش و تجزیه و تحلیل شود تا در صورت امکان، به عنوان مثال چندین ورودی مشکوک یا ورودی های نابجا، مخرب یا غیر مخرب حذف شوند. برنامه توصیف شده به سرعت و به طور یکسان در سراسر قلمرو یونان از طریق رسانه های اجتماعی، در اولین روزهای هشدار همه گیر منتشر شد و یکی از اولین برنامه های کاربردی مرتبط با COVID-19 در سراسر جهان بود. مشارکت گسترده روزهای اول این ابتکار، اعتماد ما را به قابلیت اطمینان داده های دریافتی و استحکام تجزیه و تحلیل آماری افزایش داد. تجزیه و تحلیل داده‌ها نشان داد که پاسخ‌ها هیچ روند کاذبی را در حوزه‌های خاص نشان نمی‌دهند و هر گونه تفاوت در نسبت پاسخ‌ها را می‌توان در تراکم جمعیتی مرتبط با مواجهه واقعی شهروندان با این بیماری نسبت داد. افزایش تعداد شرکت‌کنندگانی که علائم را تجربه می‌کنند از نظر جغرافیایی با تعداد بیشتری از موارد تایید شده، یعنی بالاترین مناطق شهری پرجمعیت، همزمان بود، در حالی که تغییرات زمانی نیز تشخیص داده شد که همزمان با اقدامات محدودیت اتفاق می‌افتد. تجزیه و تحلیل نقطه داغ نشان داد که روش‌های عملیاتی مبتنی بر این نوع کاربردها می‌توانند ابزار ارزشمندی برای مقامات بهداشتی در تصمیم‌گیری و مداخلات روزانه باشند.
ترکیب شیوه هایی که رویکردهایی را اجرا می کنند که نیازی به اشتراک گذاری اطلاعات مکان رمزگذاری نشده خارج از سازمان های بهداشتی مورد اعتماد ندارند، بیش از حد ضروری است، زیرا اطلاعات مکان می تواند هویت شخصی را از طریق ارتباط آسان با محل کار یا خانه شرکت کنندگان فاش کند. این نرم افزار نشان داد که این رویکرد می تواند مفید باشد، زیرا شرکت کنندگان نگران به اشتراک گذاشتن اطلاعات حساس نیستند یا به چندین سوال اهمیت ثانویه پاسخ می دهند، که در نهایت مشارکت را تقویت می کند.
در نتیجه، برنامه‌های کاربردی جمع‌سپاری برای جمع‌آوری داده‌های بهداشتی می‌تواند در یک بازه زمانی کوتاه به عموم برسد، اگرچه باید یک یادآوری مداوم برای مشارکت برنامه‌ریزی شود. مشارکت گسترده پیش بینی نشده به وضوح تمایل عمومی برای مشارکت و برقراری ارتباط با مقامات از طریق فناوری های جدید در شرایط اضطراری و ارائه اطلاعات درخواستی را نشان داد. علاوه بر این، تحلیل‌های زمین‌آماری بر مبنای عملیاتی در چارچوب کاربردهای جمع‌سپاری می‌تواند ابزار ارزشمندی برای مقامات بهداشتی در تصمیم‌گیری‌ها و مداخلات روزانه باشد.

منابع

  1. اسمیت، سی ام. Le Comber، SC; فرای، اچ. بول، م. لیچ، اس. روش‌های فضایی هایوارد، AC برای بررسی شیوع بیماری عفونی: مرور متون سیستماتیک. Eurosurveillance 2015 ، 20 ، 30026. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  2. Thakar, V. آشکار شدن رویدادها در فضا و زمان: بینش های جغرافیایی در مورد انتشار COVID-19 در ایالت واشنگتن در مرحله اولیه شیوع. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 382. [ Google Scholar ] [ CrossRef ]
  3. آهنگ، ز. ژانگ، اچ. دولان، سی. ارتقای تاب آوری در برابر بلایا: مکانیسم های عملیاتی و فرآیندهای خودسازماندهی جمع سپاری. پایداری 2020 ، 12 ، 1862. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  4. عید، ق. دیرستاد، ک. منثلی، ع. ون روی، جی. براتن، SH; هالوورسن، تی. پرسنت، اف. موولا، پ. Rød، JK ترکیب داده های نظرسنجی، GIS و مصاحبه های کیفی در تجزیه و تحلیل دسترسی به خدمات بهداشتی برای افراد دارای معلولیت. BMC Int. سلامتی و هوم. حقوق 2018 ، 18 ، 26. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  5. Nykiforuk، CIJ; Flaman، LM سیستم های اطلاعات جغرافیایی (GIS) برای ارتقای سلامت و سلامت عمومی: یک بررسی. ارتقای سلامت. تمرین کنید. 2009 ، 12 ، 63-73. [ Google Scholar ] [ CrossRef ]
  6. رابینسون، TP آمار فضایی و سیستم های اطلاعات جغرافیایی در اپیدمیولوژی و بهداشت عمومی. در پیشرفت در انگل شناسی ; انتشارات دانشگاهی: کمبریج، MA، ایالات متحده آمریکا، 2000; جلد 47، ص 81-128. [ Google Scholar ]
  7. مایرز، ام.اف. راجرز، دی جی; کاکس، جی. فلاهولت، ا. Hay, SI پیش بینی خطر بیماری برای افزایش آمادگی اپیدمی در بهداشت عمومی. در پیشرفت در انگل شناسی ; انتشارات دانشگاهی: کمبریج، MA، ایالات متحده آمریکا، 2000; جلد 47، ص 309–330. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  8. گاریدو، آر. باسیگالوپو، آ. پنیا گومز، اف. Bustamante، RO; Cattan، PE; گورلا، دی. Botto-Mahan، C. تأثیر بالقوه تغییر آب و هوا بر توزیع جغرافیایی دو ناقل وحشی بیماری شاگاس در شیلی: Mepraia spinolai و Mepraia gajardoi. Parasites Vectors 2019 ، 12 ، 478. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  9. کیستمن، تی. دانگندورف، اف. Schweikart, J. دیدگاه های جدید در مورد استفاده از سیستم های اطلاعات جغرافیایی (GIS) در علوم بهداشت محیط. بین المللی جی. هیگ. محیط زیست سلامت 2002 ، 205 ، 169-181. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  10. سازمان بهداشت جهانی. داشبورد بیماری کرونا (COVID-19). در دسترس آنلاین: https://covid19.who.int/ (در 2 اکتبر 2020 قابل دسترسی است).
  11. داشبورد COVID-19 توسط مرکز علوم و مهندسی سیستم ها (CSSE) در دانشگاه جان هاپکینز (JHU). در دسترس آنلاین: https://coronavirus.jhu.edu/map.html (در 2 اکتبر 2020 قابل دسترسی است).
  12. روزنبرگ، ام. جغرافیای سلامت II: تقسیم‌بندی جغرافیای سلامت. Prog. هوم Geogr. 2015 ، 40 ، 546-554. [ Google Scholar ] [ CrossRef ]
  13. سیفاکی پیستولا، د. پیستولا، جی. Chatzea، V.-E.; Tzanakis، N. تجزیه و تحلیل مکانی و مکانی – زمانی در تحقیقات سلامت: GIS در سلامت. در کتابچه راهنمای تحقیق در مورد کاربردها و پیشرفت های سیستم های اطلاعات جغرافیایی ; IGI Global: Hershey, PA, USA, 2017; صص 466-487. [ Google Scholar ] [ CrossRef ]
  14. Desjardins، MR; هول، ا. Delmelle، EM نظارت سریع بر COVID-19 در ایالات متحده با استفاده از آمار اسکن فضا-زمان آینده نگر: شناسایی و ارزیابی خوشه های در حال ظهور. Appl. Geogr. 2020 , 118 , 102202. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  15. فرانک-پاردو، آی. ناپلتانو، بی.ام. روزت ورجز، اف. Billa, L. تجزیه و تحلیل فضایی و GIS در مطالعه COVID-19. بازنگری. علمی کل محیط. 2020 , 739 , 140033. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  16. Campagna، M. اطلاعات جغرافیایی و شیوع کووید-19 آیا بعد فضایی اهمیت دارد؟ TeMA J. استفاده از زمین موبایل. محیط زیست 2020 ، 31–44. [ Google Scholar ] [ CrossRef ]
  17. MacQuillan، EL; کورتیس، AB; بیکر، KM; پل، آر. بازگشت، YO استفاده از نقشه برداری GIS برای هدف قرار دادن مداخلات بهداشت عمومی: بررسی نتایج تولد در تکنیک های GIS. J. Community Health 2017 ، 42 ، 633-638. [ Google Scholar ] [ CrossRef ]
  18. iMEdD-COVID-19. در دسترس آنلاین: https://lab.imedd.org/covid19/ (در 28 ژوئن 2020 قابل دسترسی است).
  19. اطلاعات مربوط به COVID-19. در دسترس آنلاین: https://arcg.is/1G5Si9 (در 28 ژوئن 2020 قابل دسترسی است).
  20. Wang, F. چرا بهداشت عمومی به GIS نیاز دارد: مروری بر روش شناختی. ان GIS 2020 ، 26 ، 1-12. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  21. گوا، ایکس. وانگ، اچ. آهنگ، ی. Hong, G. بررسی مختصر از جمع سپاری برای داده کاوی. سیستم خبره Appl. 2014 ، 41 ، 7987-7994. [ Google Scholar ] [ CrossRef ]
  22. Flanagin، AJ; Metzger, MJ اعتبار اطلاعات جغرافیایی داوطلبانه. جئوژورنال 2008 ، 72 ، 137-148. [ Google Scholar ] [ CrossRef ]
  23. Goodchild، MF; Li, L. اطمینان از کیفیت اطلاعات جغرافیایی داوطلبانه. تف کردن آمار 2012 ، 1 ، 110-120. [ Google Scholar ] [ CrossRef ]
  24. سویی، دی. الوود، اس. Goodchild، M. Crowdsourcing دانش جغرافیایی: اطلاعات جغرافیایی داوطلبانه (VGI) در تئوری و عمل . Springer: Dordrecht، هلند، 2012; پ. 396. [ Google Scholar ]
  25. الوود، اس. Goodchild، MF; سوئی، دی. ان دانشیار صبح. Geogr. 2012 ، 102 ، 571-590. [ Google Scholar ] [ CrossRef ]
  26. کوین، ا. Bederson، B. محاسبات انسانی: بررسی و طبقه بندی یک زمینه در حال رشد. در مجموعه مقالات کنفرانس SIGCHI در مورد عوامل انسانی در سیستم های محاسباتی، ونکوور، BC، کانادا، 7-12 مه 2011. ص 1403-1412. [ Google Scholar ]
  27. لوز، ن. سیلوا، ن. نوایس، پی. نظرسنجی از جمع سپاری وظیفه محور. آرتیف. هوشمند Rev. 2015 , 44 , 187-213. [ Google Scholar ] [ CrossRef ]
  28. هوریتا، FEA؛ د آلبوکرک، JP; دگروسی، ال سی. Mendiondo، EM; Ueyama, J. توسعه یک سیستم پشتیبانی تصمیم گیری فضایی برای مدیریت خطر سیل در برزیل که اطلاعات جغرافیایی داوطلبانه را با شبکه های حسگر بی سیم ترکیب می کند. محاسبه کنید. Geosci. 2015 ، 80 ، 84-94. [ Google Scholar ] [ CrossRef ]
  29. لای، تی.-پی. یائو، اس. Siu، W.-L. چنگ، ی.-سی. سو، H.-Y.; چن، ی.-سی. یک شبکه اجتماعی تایوانی تعاملی و آگاه از موقعیت مکانی هم برای استفاده روزمره و هم برای مدیریت بلایا. در MISNC 2019: تحقیقات چند رشته ای شبکه های اجتماعی ؛ Springer: سنگاپور، 2019؛ صص 155-163. [ Google Scholar ]
  30. شولز، آ. پاولهایم، اچ. Probst، F. مدیریت اطلاعات بحران در عصر وب 3.0. در مجموعه مقالات نهمین کنفرانس بین المللی ISCRAM، ونکوور، BC، کانادا، 22-25 آوریل 2012; صص 1-5. [ Google Scholar ]
  31. دسایی، ع. وارنر، جی. کودرر، ن. تامپسون، ام. نقاش، سی. لیمن، جی. Lopes, G. Crowdsourcing یک پاسخ بحران برای COVID-19 در انکولوژی. نات. سرطان 2020 ، 1 ، 473-476. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  32. راجب، ص. احمد، ع. اولواسئون، ا. سبحانویتا، جی. دان، اچ. پیشرفت COVID-19 از شهری به مناطق روستایی در ایالات متحده: تجزیه و تحلیل مکانی-زمانی میزان شیوع. J. Rural Health 2020 , 36 , 591-601. [ Google Scholar ] [ CrossRef ]
  33. رشید، ام تی; Wang, D. CovidSens: چشم اندازی در مورد حس اجتماعی قابل اعتماد برای COVID-19. آرتیف. هوشمند Rev. 2020 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
  34. Opendemic—هشدارهای مجاورت COVID19 ناشناس. در دسترس آنلاین: https://www.opendemic.org/ (در 2 اکتبر 2020 قابل دسترسی است).
  35. فلوسوروی. در دسترس آنلاین: https://flusurvey.net/ (در 2 اکتبر 2020 قابل دسترسی است).
  36. ردیاب علائم کووید. در دسترس آنلاین: https://covid.joinzoe.com/ (در 2 اکتبر 2020 قابل دسترسی است).
  37. مورلی، جی. کاولز، جی. تادئو، م. Floridi, L. دستورالعمل‌های اخلاقی برای برنامه‌های ردیابی COVID-19. Nature 2020 ، 582 ، 29-31. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  38. بررسی علائم COVID-19 از دانشگاه مریلند. در دسترس آنلاین: https://umdsurvey.umd.edu/jfe/form/SV_7ZN4Qe5wYnfxXVz?token=kF8qRLfPy8Y24cnZRb&Q_CreateFormSession=1&Q_Language=EN=GB (در 20 اکتبر 20 قابل دسترسی است).
  39. ردیاب COVID-19 سوئیس. در دسترس آنلاین: https://www.covidtracker.ch/en/ (در 2 اکتبر 2020 قابل دسترسی است).
  40. Folding@home. در دسترس آنلاین: https://foldingathome.org/ (در 2 اکتبر 2020 قابل دسترسی است).
  41. اشپیگل، MRS؛ Larry, J. Schaum’s Outline of Statistics , 6th ed.; McGraw Hill: نیویورک، نیویورک، ایالات متحده آمریکا، 2017. [ Google Scholar ]
  42. گتیس، ع. Ord, JK تجزیه و تحلیل ارتباط فضایی با استفاده از آمار فاصله. Geogr. مقعدی 1992 ، 24 ، 189-206. [ Google Scholar ] [ CrossRef ]
  43. Ord، JK; Getis، A. آمار خودهمبستگی فضایی محلی: مسائل توزیع و یک برنامه کاربردی. Geogr. مقعدی 1995 ، 27 ، 286-306. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00605 g001 550
شکل 1. رابط نظرسنجی به زبان یونانی و انگلیسی ( https://arcg.is/1yiXG4 ).
Ijgi 09 00605 g002 550
شکل 2. داشبورد نشان دهنده مکان پاسخ دهندگان نظرسنجی، در زمان واقعی (نقشه در سمت چپ) و تجزیه و تحلیل تجمیع برای “مطمئن نیست” (نقشه در وسط) و “بله” (نقشه در سمت راست) در هر واحد منطقه ای هر 3 ساعت انجام می شود. ( https://arcg.is/00Kanf ). نشانگرهای زیر نقشه ها تعداد کل پاسخ دهندگان را به ترتیب Not Sure و Yes نشان می دهد. اسکرین شات در 18/03/2020 ساعت 12:00 (EET) گرفته شده است.
Ijgi 09 00605 g003 550
شکل 3. توزیع فضایی ورودی های بررسی، که اکثریت آنها در مناطق آتیکا و مقدونیه مرکزی قرار دارند. خطوط سیاه مرزهای جغرافیایی مناطق را نشان می دهد. نقاط سبز نشان دهنده خیر، سبز روشن مطمئن نیستم و نقاط قرمز نشان دهنده بله پاسخ است. دایره های سیاه نشان دهنده شهرهای بزرگتر است.
Ijgi 09 00605 g004 550
شکل 4. تکامل زمانی برای قلمرو یونان ( الف ) تعداد شرکت کنندگان در روز با تعداد Yes و Not Sure مشروح شده. ( ب ) نسبت سه پاسخ مختلف در روز (محور چپ)، در مقایسه با موارد تایید شده (تعداد/روز؛ محور راست). ج ) موارد تایید شده و مرگ و میر در روز از زمان ثبت اولین مورد تایید شده در یونان . محدودیت حیاتی فعالیت ها نیز با خطوط عمودی توپر یا چین نشان داده می شود.
Ijgi 09 00605 g005 550
شکل 5. توزیع فضایی ورودی های بررسی برای ( الف ) منطقه آتیکا و ( ب ) منطقه شهری آتن. تکامل زمانی برای منطقه آتیکا ( ج ) تعداد شرکت‌کنندگان در روز با تعداد بله و مطمئن نیستم مشروح، ( د ) نسبت‌های سه پاسخ مختلف در روز (محور چپ)، در مقایسه با موارد تایید شده (تعداد) /day؛ محور راست)، ( ه ) موارد تایید شده و مرگ و میر در روز در آتیکا از زمان ثبت اولین مورد تایید شده در یونان. محدودیت حیاتی فعالیت ها نیز با خطوط عمودی توپر یا چین نشان داده می شود.
Ijgi 09 00605 g006 550
شکل 6. توزیع فضایی ورودی های بررسی برای ( الف ) منطقه مقدونیه مرکزی و ( ب ) منطقه بزرگ تر تسالونیکی. تکامل زمانی برای منطقه مقدونیه مرکزی ( ج ) تعداد شرکت‌کنندگان در روز با تعداد Yes و Not Sure مشروح. ( د ) نسبت سه پاسخ مختلف در روز (محور چپ)، در مقایسه با موارد تایید شده (تعداد/روز؛ محور راست). ( ه ) موارد تایید شده و مرگ و میر در هر روز در مقدونیه مرکزی از زمان ثبت اولین مورد تایید شده در یونان. محدودیت حیاتی فعالیت ها نیز با خطوط عمودی توپر یا چین نشان داده می شود.
Ijgi 09 00605 g007 550
شکل 7. تجزیه و تحلیل نقطه داغ برای منطقه شهری آتن و شهرهای اطراف به صورت روزانه برای هشت روز اول بررسی.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید