ناهمگونی توزیع فضایی سندرم حاد تنفسی ویروس کرونا 2 (SARS-CoV-2) در چندین کشور مشاهده شده است. در حالی که مطالعات قبلی مناطق جغرافیایی وسیعی را پوشش داده است، تجزیه و تحلیل دقیق در مناطق کوچکتر تا به امروز در دسترس نیست. هدف از مطالعه ما درک گسترش فضایی SARS-CoV-2 در استانی از شمال ایتالیا از طریق تجزیه و تحلیل سواب‌های مثبت نازوفارنکس (NP) بود. این مطالعه بر روی افرادی انجام شد که در استان الساندریا با حداقل یک سواب NP مثبت بین 2 مارس تا 22 دسامبر 2020 زندگی می کردند. برای بررسی اینکه آیا خوشه بندی رخ داده است، نسبت افراد مثبت SARS-CoV-2 بر تعداد کل ساکنان انجام شد. در هر زیرمنطقه اداری کوچک محاسبه و سپس نقشه برداری شد. در مجموع 17، 260 نفر با حداقل یک سواب NP مثبت وارد شدند. میانگین سنی 54 سال (محدوده بین چارکی 38-72) و 54.9٪ (9478 نفر از جمعیت مورد مطالعه ما زن بودند. از میان 192 شهر اسکن شده، 26 شهر بین 5 تا 5/7 درصد، یکی بین 5/7 تا 10 درصد و دو شهر با بیش از 10 درصد سواب مثبت شیوع داشتند. مناطق با شیوع بالاتر افراد مثبت در مناطقی با حداقل یک خانه سالمندان قرار داشتند و خوشه‌های بالقوه در این ساختارها مشاهده شدند. نقشه های تولید شده ممکن است یک سیستم نظارتی مفید و مهم برای شناسایی مناطق دارای انتشار قابل توجه و مرتبط SARS-CoV-2 در نظر گرفته شود.

کلید واژه ها:

SARS-CoV-2 ؛ تحلیل فضایی ; خانه سالمندان ؛ شیوع ; نقشه های تحلیلی و مصنوعی

1. مقدمه

21 فوریه 2020 در تاریخ این بیماری همه گیر به عنوان اولین مورد ایتالیایی کووید-19 که در تماس با چین ردیابی نشده بود، به یاد خواهد ماند [ 1 ]]. این تاریخ برای تعیین و تعیین به موقع آغاز اپیدمی SARS-CoV-2 در کشور ما مهم است. در واقع، از آن لحظه ویروس به سرعت از شمال ایتالیا (به ویژه از لومباردی و پیمونت) به مناطق دیگر با ناهمگنی جغرافیایی/سرزمینی قابل توجه و مرتبط گسترش یافت. تفاوت های جغرافیایی و سرزمینی در میزان بروز و مرگ و میر با عوامل مختلفی مانند زمان ورود ویروس به مناطق خاص، ساختار سنی جمعیت، توسعه شهری، تراکم جمعیت، امکانات سیستم بهداشتی و سیاست های ضد سرایت و استراتژی های اتخاذ شده مرتبط است. توسط مقامات محلی [ 2 ].
در ژوئن 2020، مؤسسه ملی آمار ایتالیا (ISTAT) با همکاری مؤسسه ملی بهداشت ایتالیا (ISS)، داده‌های اولیه را در مورد تعداد روزانه مرگ و میر در ایتالیا در طول موج اول همه‌گیری منتشر کرد که به هر علت طبقه‌بندی شده بود. مرگ (از جمله عفونت SARS-CoV-2). منطقه Piedmont نرخ مرگ و میر استاندارد شده مربوط به این ویروس را نشان داد که کمی بالاتر از نرخ ملی بود (به ترتیب 39.8 و 39.2 در هر 100000). به طور خاص، بالاترین میزان مرگ و میر در استان الساندریا (72.1 × 100000)، سومین در پیمونت برای بروز موارد پس از کونئو و تورین [ 3 ]، و در میان ده استان برتر از نظر میزان بروز COVID-19 در ایتالیا مشاهده شد. در طول اولین مراحل اپیدمی COVID-19 [ 4].
با توجه به دانش ما، مطالعات قبلی که گسترش فضایی همه‌گیری را ارزیابی می‌کردند، مناطق جغرافیایی وسیعی را تجزیه و تحلیل کرده‌اند و عموماً کل کشورها را در نظر گرفته‌اند [ 2 ، 5 ، 6 ، 7 ]. به طور دقیق تر، در ایتالیا، “اداره حفاظت مدنی”، موسسه ملی که حوادث اضطراری را پیش بینی، پیشگیری و مدیریت می کند، داده هایی را به روز می کند که روزانه در مورد تعداد سواب های مثبت نازوفارنکس (NP) و مرگ و میر، طبقه بندی شده بر اساس منطقه/منطقه، به روز می شود. این داده‌ها که از پایگاه‌های اطلاعاتی سلامت اداری به دست می‌آیند، برای توصیف و مقایسه شیوع SARS-CoV-2 و تأثیر آن در میان مناطق/استان‌ها و همچنین ترسیم نقشه‌های تحلیلی و مصنوعی ملی مفید هستند [ 8 ]]. با وجود این، تمرکز بر نهادهای اداری کوچک کمتر بود. در میان مناطق ایتالیایی که از داده‌های سواب NP مثبت به منظور تولید نقشه در سطح محلی استفاده می‌کنند، با در نظر گرفتن شهر واحد به عنوان یک واحد اداری، می‌توان Piedmont را نیز در نظر گرفت. با این حال، این داده ها برای دوره های زمانی جمع نمی شوند. بنابراین، تعیین و درک روندهای زمانی- مکانی امکان پذیر نیست. علاوه بر این، هیچ گونه اطلاعاتی در مورد حضور خانه های سالمندان یا بیمارستان ها در مناطق مورد نظر ارائه و تضمین نمی شود. در نهایت، تنها داده‌های بدون تفسیر گزارش می‌شوند.
در نتیجه، لازم است از طریق آمارهای جغرافیایی، مناطقی که در معرض خطر عمده سرایت/ انتشار هستند، شناسایی و توصیف شوند تا پاسخ مناسبی به این سوال داده شود که آسیب پذیرترین محله ها یا جوامع کدامند. این اطلاعات می تواند نشان دهد که در کجا نیاز به نظارت بیشتر وجود دارد، و به ادارات کمک می کند تا منابع را در سراسر قلمرو تخصیص دهند. به ویژه، در ایتالیا، اورژانس بهداشتی COVID-19 در سطوح مختلف اداری، نه تنها ملی و منطقه ای، بلکه محلی، از طریق مقامات بهداشتی محلی (LHAs) مدیریت می شود. A LHA یک نهاد قلمرو اداری از خدمات بهداشت ملی در ایتالیا است که توسط قانون سازماندهی مجدد خدمات سلامت ملی در سال 1992 معرفی شده است. LHAها در ایتالیا نماینده بخش‌های دولتی هستند که مسئول مسائل بهداشتی و خدمات بهداشتی هستند و نقش مرکزی و محوری را در ارائه خدمات ضروری بهداشت عمومی به جوامع ایفا می‌کنند. در هر LHA یک دپارتمان پیشگیری وجود دارد که صلاحیت یک قلمرو خاص را دارد و مداخلات را برای حفاظت از سلامت عمومی، محیط زیست و شرایط زندگی و رفاه مردم و حیوانات هماهنگ و نظارت می کند. علاوه بر این، این نهاد تمام اقدامات مورد نیاز برای کنترل شیوع عفونت های همه گیر/اندمیک/اپیدمی را اعمال می کند. که مداخلات را برای حفاظت از سلامت عمومی، محیط زیست و شرایط زندگی و رفاه مردم و حیوانات هماهنگ و نظارت می کند. علاوه بر این، این نهاد تمام اقدامات مورد نیاز برای کنترل شیوع عفونت های همه گیر/اندمیک/اپیدمی را اعمال می کند. که مداخلات را برای حفاظت از سلامت عمومی، محیط زیست و شرایط زندگی و رفاه مردم و حیوانات هماهنگ و نظارت می کند. علاوه بر این، این نهاد تمام اقدامات مورد نیاز برای کنترل شیوع عفونت های همه گیر/اندمیک/اپیدمی را اعمال می کند.
در این زمینه، جغرافیای سلامت نقش حمایتی ایفا می کند و تعاملات مقامات بهداشت عمومی، افراد آسیب دیده و اولین پاسخ دهندگان را برای بهبود تخمین های انتشار بیماری و احتمال شیوع جدید نشان می دهد [ 9 ].
یکی از پرکاربردترین ابزارهای تجزیه و تحلیل داده‌های اکتشافی و تجسم جغرافیایی در زمینه‌های بهداشت عمومی و اپیدمیولوژی، که دائماً از تعاملات ذکر شده در بالا استفاده می‌کند، توسط نقشه‌های choropleth نشان داده می‌شود. در طول موج‌های اول همه‌گیری، تولید قابل توجه و مرتبطی از نقشه‌های مبتنی بر وب و پلت‌فرم‌های نقشه‌برداری آنلاین وجود داشت که در صفحات وب تعاملی یا برنامه‌های کاربردی در سطح جهانی در دسترس هستند. این ابزارها چندین ویژگی عجیب و غریب از انتشار جهانی COVID-19 را نشان دادند. علاوه بر این، این نقشه‌ها برای کشف توزیع جغرافیایی مکان‌های موردی، تقسیم‌بندی مناطق جغرافیایی و رنگ‌آمیزی آن‌ها در رابطه با پیامدهای سلامتی، مانند تعداد افراد دارای حداقل یک سواب NP مثبت، مفید بودند.
از آنجایی که نقشه برداری از شمارش مطلق می تواند گمراه کننده باشد زیرا واحدهای فضایی از نظر مساحت و تعداد مشاهدات متفاوت است، یک رویکرد استانداردسازی با محاسبه نسبت افراد مثبت تست COVID-19 است [ 10 ]. هدف اولیه مطالعه جغرافیایی ما، تعیین و درک گسترده گسترش جغرافیایی SARS-CoV-2 از طریق تجزیه و تحلیل دقیق سواب‌های NP مثبت از ناحیه LHA الساندریا بود. علاوه بر این، اهداف ثانویه ما ایجاد مقایسه بین موج اول و دوم همه‌گیری در ایتالیا و شناسایی مناطق/سرزمین‌هایی بود که به شدت تحت تأثیر انتشار این ویروس تنفسی قرار گرفتند.

2. مواد و روشها

این مطالعه بر LHA استان الساندریا (منطقه پیمونت، ایتالیا) و منطقه اطراف آن، از جمله 192 شهر و شهرداری با اندازه های مختلف (از جمله مونکالوو و ترینو ورسلز) متمرکز شد. جمعیت در 31 دسامبر 2019، 428,535 نفر بوده است. نقشه شمال ایتالیا با تمرکز بر استان الساندریا در شکل 1 نشان داده شده است . نام شهرهایی که در تحلیل فضایی گنجانده شده اند در پیوست A گزارش شده است ( شکل A1 ).
ما افرادی را در نظر گرفتیم که در منطقه با حداقل یک سواب تست مولکولی یا آنتی ژن NP مثبت بین 2 مارس تا 22 دسامبر 2020 زندگی می کردند. برای هر آزمودنی که در تجزیه و تحلیل گنجانده شد، داده های دموگرافیک، مانند جنسیت و سن، همراه با محل سکونت آدرس و اطلاعات بستری در بیمارستان در دسترس بود. داده‌های حاصل از نتایج سواب‌ها در پلتفرم منطقه‌ای Piedmont برای مدیریت قرنطینه و ردیابی تماس افراد مثبت COVID-19 ثبت شد، در حالی که داده‌های بستری در سوابق ترخیص از بیمارستان LHA گزارش شد. ارتباط بین این پایگاه‌های داده با استفاده از یک فرم ناشناس انجام شد. علاوه بر این، مکان خانه های سالمندان برای ارزیابی تأثیر احتمالی ساختار مسکونی بر گسترش SARS-CoV-2 به دست آمد.
در نهایت، برای استاندارد کردن تعداد مطلق افراد و ارزیابی نسبت افراد با حداقل یک سواب NP مثبت، جمعیت ساکن در هر منطقه اداری از سوابق ISTAT به دست آمد [ 11 ].
تحلیل آماری:
آمار توصیفی از افراد موجود در تجزیه و تحلیل با در نظر گرفتن کل دوره زمانی و سپس به طور جداگانه برای دو موج SARS-CoV-2 ارائه شد: مارس-ژوئن و جولای-دسامبر 2020. داده های توزیع شده به طور معمول به عنوان میانگین و انحراف استاندارد گزارش شد. SD)، در حالی که داده‌های پس از توزیع غیرطبیعی به‌عنوان محدوده متوسط ​​و بین چارکی (IQR) نشان داده شد. متغیرهای طبقه بندی شده به صورت اعداد و درصد خلاصه شدند.
سوابق آدرس فردی و موقعیت خانه‌های سالمندان به عنوان مختصات جغرافیایی مرکاتور عرضی جهانی (UTM) و مختصات طول و عرض جغرافیایی به منظور انجام و انجام تجزیه و تحلیل سرزمینی ثبت شد. علاوه بر این، مختصات جغرافیایی الساندریا و مرزهای LHA آن با در نظر گرفتن شهر به عنوان واحد مورد علاقه، از سوابق ISTAT به دست آمده و مشتق شده است [ 8 ]]. سپس برای هر واحد اداری (شهرک)، تعداد افراد با حداقل یک سواب NP مثبت را شمارش کردیم. برای توصیف توزیع فضایی SARS-CoV-2 در ناحیه الساندریا LHA، نسبت افراد مثبت SARS-CoV-2 را بر تعداد کل ساکنان در هر زیر منطقه اداری کوچک به طور جداگانه برای متغیرهای سن محاسبه کردیم. و جنسیت این داده ها نیز با استفاده از نقشه های choropleth ترسیم شدند. به طور خاص، ما با استفاده از مقیاس آبی، شیوع را در 5 گروه مختلف طبقه‌بندی کردیم: <2.5، 2.5|-5، 5|-7.5، 7.5|-10 و ≥10 [ 12 ]]. انتخاب گزارش 5 طبقه ثابت شیوع، به جای پنجک یا صدک (که بیشتر مورد استفاده قرار می گیرد)، با این واقعیت توجیه می شد که به ما امکان می داد نقشه های مختلف را به راحتی مقایسه کنیم و مناطق خاصی با شیوع کم، متوسط ​​و زیاد موضوعات مثبت را شناسایی کنیم. . در تجسم گرافیکی، موقعیت‌های خانه‌های سالمندان را نیز اضافه کردیم تا ارزیابی کنیم که آیا شهرهایی که تعداد موضوعات مثبت بالاتری دارند با وجود ساختارهای مسکونی مرتبط هستند یا خیر. در نهایت، تجزیه و تحلیل اکتشافی دقیق‌تری در مکان‌هایی که به‌عنوان پرخطر شناسایی شده‌اند، با توجه به آدرس‌های خاص و دوره زمانی سواب‌های NP انجام شد تا بررسی شود که آیا شیوع منشأ خانوادگی دارد یا خیر.
تمام آنالیزها با استفاده از SAS 9.3 (SAS Institute Inc.، Cary، NC، USA.)، R نسخه 3.4.1 (R Core Team، وین، اتریش)، STATA 11 (StataCorp LLC، College Station، TX، ایالات متحده) یا QGIS 3.4.3.

3. نتایج

در بازه زمانی 2 مارس تا 22 دسامبر 2020، 173117 سواب NP انجام شد: 61101 (35.3٪) در ماه های اول همه گیری (تا ژوئن) و 112،016 (64.7٪) در نیمه دوم سال، در اواسط. موج دوم (ژوئیه-دسامبر). در میان جمعیت مورد مطالعه، 17260 نفر با حداقل یک سواب NP مثبت وارد شدند. میانگین سنی 54 سال (IQR 38-72) و 54.9٪ ( n = 9478) از افراد زن بودند. توزیع فراوانی کل ساکنان منطقه با در نظر گرفتن افراد مثبت در جدول 1 گزارش شده است. از مجموع ساکنان، 4 درصد حداقل یک سواب NP مثبت را نشان دادند.
تفاوت‌های مربوطه در متغیرهای جنس و سن مشاهده شد: زنان شیوع بیشتری سواب NP مثبت را در مقایسه با مردان نشان دادند (به ترتیب 4.3% در مقابل 3.7%). علاوه بر این، احتمال مثبت شدن آزمایش به نسبت مستقیم با سن افزایش یافته است (<50 سال 3.4٪، 50-65 سال 4.4٪ و 65 + 4.7٪). علاوه بر این، مردان با سواب NP مثبت احتمال بستری شدن در بیمارستان را در مقایسه با زنان نشان دادند (به ترتیب 28.5٪ در مقابل 20.9٪).
توزیع سواب‌های NP مثبت با مقایسه دو موج اول همه‌گیری در کشورمان تفاوت معنی‌داری نشان داد. چهار هزار و یکصد و شصت و نه سواب در دوره مارس تا ژوئن انجام شد، در حالی که 13091 سواب در دوره ژوئیه تا دسامبر، با حداکثر 400 سواب مثبت یا بیشتر در یک روز در ماه نوامبر انجام شد ( شکل 2 ). علاوه بر این، چهار هزار و دویست و سه (24.3٪) آزمودنی نیاز به بستری شدن در بیمارستان داشتند و تفاوت معنی داری بین دو موج وجود داشت: 43.8٪ ( 1826 = n ) از افراد با سواب NP مثبت در ماه های اول بستری شدند. همه گیری در حالی که تنها 18.2٪ ( n = 2377) در موج دوم بستری شدند.
از میان 192 شهر مورد تجزیه و تحلیل، 65 شهر (33.8%) شیوع کمتر از 2.5٪، 98 (51.0٪) بین 2.5٪ و 5٪، 26 (13.5٪) بین 5٪ و 7.5٪، یکی بین 7.5٪ و 10٪ نشان دادند. و دو (1.0%) با بیش از 10% افراد مثبت. در شکل 3شیوع افراد با سواب NP مثبت، با نشانه وجود خانه های سالمندان، گزارش شده است. جالب توجه است، سه شهر با شیوع بالاتر مثبت در مناطقی با حداقل یک ساختار خانه سالمندان مسکونی واقع شده‌اند. در Casal Cermelli (شیوع 12.2%)، 109 (75.69%) از 144 فرد با سواب NP مثبت در یکی از دو خانه سالمندان زندگی می کردند و تقریباً همه آنها در آوریل 2020 مثبت بودند. ملاحظات مشابهی را می توان برای San Sebastiano Curone نیز در نظر گرفت. شیوع 10.6٪ و Odalengo Grande (شیوع 7.8٪) که 50٪ ( n = 29) و 70.59٪ ( n = 24) از افراد مثبت به ترتیب در خانه های سالمندان زندگی می کردند.
شکل 4 و پیوست A شکل A2 و شکل A3 توزیع های جغرافیایی سواب های NP مثبت را بر اساس سن و جنسیت نشان می دهد. تعداد شهرها/مناطق با شیوع بالاتر افراد مثبت با افزایش سن افزایش می‌یابد، و همین امر می‌تواند برای زنان در مقایسه با مردان در نظر گرفته شود. با تمرکز بر شهرهایی با شیوع بالای سواب NP مثبت در میان افراد مسن تر (بیش از 65 سال)، ما حضور یک خوشه بالقوه از موارد را مشاهده کردیم که در Sale و Castellazzo Bormida (آوریل 2020)، Villanova Monferrato (سپتامبر) رخ داد. 2020)، کوارگننتو (اکتبر 2020)، بازالوزو و باسینانا (نوامبر 2020) و والماکا (دسامبر 2020). همه اینها می تواند با شیوع در خانه های سالمندان موجود در این شهرها همراه باشد.
در نهایت، ما چهار شهر/منطقه را مشاهده کردیم که عاری از COVID-19 و مناطقی بودند که می‌توانستند از انتشار SARS-CoV-2 جلوگیری کنند. نمونه شهرهای Spigno Monferrato و Parodi Ligure بود که به ترتیب یک جامعه روانپزشکی و یک خانه سالمندان با تنها یک موضوع مثبت شناسایی شده است.

4. بحث

این مطالعه ژئواپیدمیولوژیک، که در یک منطقه همگن ایتالیایی از نظر تصمیم‌گیری‌های سیاسی و بهداشتی انجام شد، یک ناهمگونی سرزمینی را در روند انتشار فضایی-زمانی در میان افرادی که آزمایش SARS-CoV-2 مثبت داشتند از طریق RT-PCR یا آنتی‌ژن- آشکار و برجسته می‌کند. تست. به ویژه، در LHA استان الساندریا در منطقه پیمونت، ما نه تنها تفاوت مورد انتظار را در تعداد سواب های NP مثبت در زمان (موج اول در مقابل موج دوم) یافتیم، بلکه در مطالعه جغرافیایی خود، توزیع مکان عجیب و قابل توجهی را مشاهده کردیم. عفونت SARS-CoV-2 ظاهر شد. به طور خاص، تجزیه و تحلیل انجام شده نشان داد که شهرهایی با نسبت بالاتری از افراد با حداقل یک سواب NP مثبت به طور کلی با حضور خانه‌های سالمندان یا امکانات مراقبت طولانی‌مدت مشخص می‌شوند.
تعداد کل سواب های انجام شده می تواند تفاوت سواب های NP مثبت مشاهده شده در زمان را توضیح دهد. در مرحله اول همه‌گیری، تعداد آزمایش‌های SARS-CoV-2 کمتر از مرحله دوم بود که دلیل آن محدودیت در دسترس بودن کیت‌ها/تست‌های تشخیصی و مشکلات سازمانی قابل‌توجه بود. مطمئناً جمعیت عمومی در طول موج اول کمتر مورد آزمایش قرار گرفتند، زیرا قابلیت آزمایش بسیار پایینی داشتند. با وجود این، می توان دست کم گرفتن موضوعات مثبت را فرض کرد، و ما فرض کردیم که این سوگیری از نظر سرزمینی مرتبط نیست. علاوه بر این، در موج اول، درصد بستری شدن در بیمارستان در میان افراد مثبت بسیار بالا بود، زیرا عموماً فقط افرادی با بدترین وضعیت بالینی مورد آزمایش قرار گرفتند. از سوی دیگر، در موج دوم، سواب های بیشتری انجام شد. بدین ترتیب، حتی می توان افراد بدون علامت را که کمتر در بیمارستان بستری می شوند شناسایی کرد. تفاوت‌ها را می‌توان با استراتژی‌های مختلف و متعدد قرنطینه که توسط دولت ایتالیا اتخاذ شده است توضیح داد. اولین فرمان ایتالیایی “مفاد اجرای بیشتر اقدامات فوری برای مهار و مدیریت اورژانس اپیدمیولوژیک COVID-19” در 23 فوریه صادر شد.rd (شماره شش)؛ با این حال، بسیاری از موارد دیگر که کمتر یا بیشتر محدود کننده بودند، دنبال شد. قوانین بعدی در طول سال با اقدامات و رویه های مختلف برای محدود کردن عفونت توسط SARS-CoV-2 تصویب شد.
تفاوت در شیوع نیز از نظر جنسیت و سن مشاهده شد. ما مشاهده کردیم که زنان در مقایسه با مردان احتمال بیشتری برای مثبت شدن تست SARS-CoV-2 داشتند. علاوه بر این، نشان داده شد که افراد مسن بیشتر مستعد ابتلا به عفونت SARS-CoV-2 هستند. با این حال، مردان، علیرغم شیوع کم، به نظر می رسید که بیشتر از زنان در بیمارستان بستری می شوند. در ادبیات، مطابق با نتایج ما، تفاوت‌های مبتنی بر جنسیت در COVID-19 مشاهده شد. داده های جهانی در حال ظهور نشان می دهد که مردان در مقایسه با زنان در معرض خطر بیشتری برای ابتلا به این عفونت هستند. این نابرابری مبتنی بر جنسیت نه تنها منجر به بروز، بلکه در میزان بستری شدن در بیمارستان نیز شده است [ 13 ]]. اگرچه نتایجی که از تجزیه و تحلیل ما به دست آمد، یافته‌های ادبیات مشابه را بازتولید نکرد، ممکن است فرض کنیم که این تفاوت‌ها و اختلافات می‌تواند به کمبود داده‌های علائم مربوط باشد. در واقع، ما فقط سواب NP مثبت را جمع‌آوری و ثبت کردیم، بدون اینکه از حضور واقعی و میزان شدت کووید-19 اطلاع داشته باشیم. با این وجود، اثرات وابسته به سن در انتقال COVID-19 نشان داده شده در مطالعه ما کاملاً توسط ادبیات قبلی [ 14 ] پشتیبانی می شود.
جالب توجه است که ناهمگونی ارضی مشاهده شده را می توان تقریباً با وجود خانه های سالمندان/ تسهیلات طولانی مدت توضیح داد. در شهرها و شهرهایی که تعداد موارد مثبت بالایی مشاهده شد، حداقل یک مورد وجود داشت. علاوه بر این، هنگامی که به طور خاص آدرس های مسکونی و تاریخ سواب را در نظر می گیریم، خوشه های آشکاری از موارد را می توان فرض کرد. در ایتالیا، بین مارس و ژوئن 2020، ISS یک نظرسنجی در مورد سرایت COVID-19 در خانه های سالمندان انجام داد. با سه هزار و دویست و نود و دو سازه مسکونی و اجتماعی و بهداشتی (96 درصد کل) تماس گرفته شد که تنها 3/41 درصد آنها پرسشنامه را تکمیل کردند. جالب اینجاست که الساندریا در میان 15 استان با نرخ مرگ و میر بالاتر در میان ساکنان خانه های سالمندان (5.3 در هر 100 نفر در سال) به شمار می رود.15 ].
مطالعات دیگر تاکید کرده‌اند که همه‌گیری COVID-19 به طور نامتناسبی بر ساکنان خانه‌های مراقبت در سطح بین‌المللی تأثیر گذاشته است و خانه‌های سالمندان یکی از آسیب‌پذیرترین و پرخطرترین محیط‌ها برای انتقال SARS-CoV-2 در جمعیت سالمند محسوب می‌شوند [ 16 ، 17 ] . در واقع، در چندین کشور (کانادا، سوئد و بریتانیا)، بیش از 20 درصد از کل مرگ‌های ناشی از COVID-19 در مراکز مراقبت طولانی‌مدت رخ داده است [ 18 ].
اکثر مطالعات اپیدمیولوژیک زمین فضایی مشابه در چین، ایالات متحده آمریکا و برزیل در طول موج اول همه گیری انجام شد [ 19 ]]. علاوه بر این، تولید قابل توجهی از نقشه های مبتنی بر وب در سطح جهانی ثبت شده است که چندین ویژگی مختلف از انتشار جهانی COVID-19 را نشان می دهد. نقشه های مبتنی بر وب را می توان به عنوان پلتفرم های نقشه برداری آنلاین توصیف کرد که در صفحات وب یا برنامه های کاربردی تعاملی در دسترس هستند (به عنوان مثال، نقشه های مبتنی بر وب تولید شده توسط موسسه آلمانی Koch که گسترش عفونت SARS-CoV-2 را در هر شهرداری در آلمان از طریق تجزیه و تحلیل مکانی و زمانی داده های اداری، مانند میزان آلودگی، مکان های آزمایش و پویایی جمعیت). علیرغم محدودیت های متعدد آنها (به عنوان مثال، استفاده ناسازگار از مقیاس ها و واحدهای تجمع، تولید نقشه های choropleth غیر فارغ التحصیل و غیر عادی، تجزیه و تحلیل کمیاب داده های محلی و غیره)،20 ].
در مجموع، نتایج حاصل از مطالعه ما به عنوان مبنایی برای توصیف آینده تکامل شیوع COVID-19 عمل خواهد کرد. به ویژه خانه های سالمندان منطقه باید با استفاده از چندین متغیر از جمله نوع خانه سالمندان، تعداد تخت ها و غیره به تفصیل مورد تجزیه و تحلیل قرار گیرند. مقایسه با سایر مناطق به دلیل روش خاص و عجیبی که انجام می داد تا حدودی پیچیده بود. همانطور که از ادبیات موجود در این زمینه پیداست، همه‌گیری COVID-19 بر هر منطقه تأثیر گذاشت. علاوه بر این، اندازه‌گیری‌های مهار متفاوتی که توسط مقامات محلی هر منطقه در زمان‌های جداگانه انجام می‌شود، می‌تواند به کار چالش برانگیز و دشوار ایجاد رویارویی‌های جامع کمک کند.
این مطالعه محدودیت ها و ضعف های مهمی را ارائه می دهد که باید در نظر گرفته شود. اولا، این مطالعه تنها بر روی جمعیت الساندریا LHA انجام شد که بخش کوچکی از جمعیت ایتالیا را نشان می‌دهد. در واقع، نتایج ما ممکن است به طور کامل برای همه جمعیت ها قابل تعمیم نباشد، زیرا ممکن است تفاوت هایی در معیارهای در نظر گرفته شده برای منفی و مثبت بودن، در افراد مورد آزمایش و در دسترس بودن و استفاده از آزمون ها وجود داشته باشد.
علاوه بر این، با در نظر گرفتن تنها سواب‌های NP مثبت، سایر موارد واقعی COVID-19 را می‌توان از تجزیه و تحلیل حذف کرد. علاوه بر این، همانطور که توسط سایر نویسندگان پیشنهاد شده است، ناهمگونی گسترده در انتشار COVID-19 به طور کامل به ویژگی های جمعیت شناختی و بالینی فردی (به عنوان مثال، سن، وضعیت سلامت جنسی و غیره) نسبت داده نمی شود، و خطر سرایت نیز وجود دارد. عمیقاً تحت تأثیر عوامل اجتماعی-اقتصادی، مانند معایب تحصیلی، شلوغی مسکن، تحرک و تراکم جمعیت [ 21 ]]. این داده ها در زمان تجزیه و تحلیل در دسترس نبودند. با این حال، گنجاندن آنها در ملاحظات آینده جالب خواهد بود. در نهایت، واحدهای مساحتی که ما اتخاذ کردیم ممکن است خیلی کوچک باشند، و بازتولید مطالعه با تکیه بر حوزه‌های بعد میانی مفید خواهد بود. با این وجود، از جمله نقاط قوت این کار، می توان به استفاده از داده های سلامت اداری با تحلیل های آماری قوی و معتبر اشاره کرد. نقطه قوت اصلی این مطالعه این است که با شناسایی مناطق بالقوه برای COVID-19 و مناطقی که در آنها هیچ موضوع مثبتی وجود نداشت از طریق استفاده از نقشه‌های choropleth به نظارت بر داده‌های اپیدمیولوژیک از LHA الساندریا کمک می‌کند. علاوه بر این، این مطالعه می تواند به عنوان مبنایی برای تجزیه و تحلیل های عمیق آینده برای ارزیابی عواملی که به نفع یا مهار گسترش ویروس هستند، باشد. سرانجام،

5. نتیجه گیری ها

با تجزیه و تحلیل شیوع افراد دارای حداقل یک سواب NP مثبت، ما قادر به نظارت بر یک منطقه خاص و شناسایی شهرهایی بودیم که شیوع SARS-CoV-2 در آنها بیش از حد یا کمتر از حد بیان شده بود. این می‌تواند ابزاری برای مدیران باشد تا با شناسایی مناطقی که احتمال انتشار ویروس در آنها بالاتر است، به امواج اپیدمی فعلی و آینده پاسخ دهند. تجزیه و تحلیل فضایی و زمانی و نقشه بیماری ابزارهای مفیدی برای سلامت و جغرافیای اجتماعی است.
درک و اطمینان از انتشار مکانی- زمانی COVID-19 برای مهار گسترش آن بسیار مهم است.
از طریق ایجاد نقشه‌های تحلیلی و مصنوعی از شیوع افراد دارای حداقل یک سواب NP مثبت، می‌توان بر منطقه خاصی نظارت کرد و شهرها و مناطقی را که در معرض خطر بالاتر انتشار عفونت SARS-CoV-2 هستند شناسایی کرد.
این مطالعه، علیرغم محدودیت‌هایی که باید در نظر گرفته شود، می‌تواند ابزار بالقوه مفیدی برای مدیران محلی و مقامات بهداشتی در تصمیم‌گیری به منظور ارائه پاسخ‌های کافی و رضایت‌بخش به همه‌گیری‌های فعلی و آینده باشد. علاوه بر این، این نقشه‌ها می‌توانند فراوانی بی‌حفاظ ماندن جوامع حاشیه‌ای را به شدت کاهش دهند.
در نهایت، شناسایی و درک شیوع بیماری‌های عفونی، از طریق اطلاعات مکانی، می‌تواند تأثیری حیاتی و اجتماعی داشته باشد و پیامدهای بالینی و اپیدمیولوژیکی در سلامت عمومی به دنبال داشته باشد. به همین دلیل، مطالعات مشابه ضروری است.

منابع

  1. Istituto Superiore di Sanità، ISS برای COVID-19. در دسترس آنلاین: https://www.iss.it/coronavirus (در 27 سپتامبر 2021 قابل دسترسی است).
  2. گودارت، جی. Landier، J. هویارت، ال. لژاندر، ای. Lehot، L. Bendiane، MK; چیچه، ال. پتیژان، ا. موسنیر، ای. کیراکویا-سمادولوگو، اف. و همکاران عوامل مرتبط با ناهمگونی فضایی موج اول COVID-19 در فرانسه: یک مطالعه ژئواپیدمیولوژیک سراسری. Lancet Public Health 2021 ، 6 ، e222-e231. [ Google Scholar ] [ CrossRef ]
  3. ایستات Rapporto Sulla Mortalità della Popolazione Residente a Cura di ISS e ISTAT. 2020. در دسترس آنلاین: https://www.istat.it/it/archivio/245415 (در 27 سپتامبر 2021 قابل دسترسی است).
  4. مارتلوچی، کالیفرنیا؛ ساح، ر. Rabaan, AA; داما، ک. کازالون، سی. Arteaga-Livias، K. ساوانو، تی. اوزاکی، ا. بنداری، د. هیگوچی، ا. و همکاران تغییرات در توزیع فضایی بروز COVID-19 در ایتالیا با استفاده از نقشه های مبتنی بر GIS. ان کلین. میکروبیول. ضد میکروب. 2020 ، 19 ، 30. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  5. میزوموتو، ک. دهال، س. Chowell, G. تنوع فضایی در خطر مرگ ناشی از COVID-19 در ایتالیا. بین المللی جی. توبرک. دیس ریه 2020 ، 24 ، 829-837. [ Google Scholar ] [ CrossRef ]
  6. کانگ، دی. چوی، اچ. کیم، جی. اچ. چوی، جی. پویایی اپیدمی فضایی شیوع COVID-19 در چین. بین المللی ج. عفونی کردن. دیس 2020 ، 94 ، 96-102. [ Google Scholar ] [ CrossRef ]
  7. بدالونی، سی. آستا، ف. میکلوزی، پی. ماتالونی، اف. دی روزا، ای. اسکوگنامیگلیو، پی. وایرو، اف. داوولی، م. Leone, M. تجزیه و تحلیل فضایی برای شناسایی خوشه‌هایی از موارد در طول اضطراری COVID-19 در رم و در منطقه لاتزیو (ایتالیای مرکزی). اپیدمیول. قبلی 2021 ، 44 ، 144-151. [ Google Scholar ]
  8. کرونا ویروس Mappe در دسترس آنلاین: https://mappe.protezionecivile.gov.it/it/mappe-emergenze/mappe-coronavirus (در 27 سپتامبر 2021 قابل دسترسی است).
  9. 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 ]
  10. کراملی، آر جی. طراحی افسانه نقشه کراملی، EK Choropleth برای تجسم نابرابری‌های سلامت جامعه. بین المللی J. Health Geogr. 2009 ، 8 ، 52. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  11. ایستات Demografia in Cifre 2021. در دسترس آنلاین: https://demo.istat.it/ (در 27 سپتامبر 2021 قابل دسترسی است).
  12. Juergens, C. Trustworthy COVID-19 Mapping: Geo-spatial Data Literacy Aspects of Choropleth Maps. KN-J. کارتوگر. Geogr. Inf. 2020 ، 70 ، 155-161. [ Google Scholar ] [ CrossRef ]
  13. چاکروارتی، دی. Nair, SS; حمودا، ن. رطنانی، پ. غریب، ی. واگاسکار، وی. محمد، ن. لاندون، دی. داوی، ز. کیپریانو، ن. و همکاران تفاوت های جنسی در میزان عفونت SARS-CoV-2 و ارتباط بالقوه با سرطان پروستات. اشتراک. Biol. 2020 ، 3 ، 374. [ Google Scholar ] [ CrossRef ]
  14. دیویس، NG; کلپاک، پی. لیو، ی. پریم، ک. جیت، م. Ego, RM اثرات وابسته به سن در انتقال و کنترل اپیدمی های COVID-19. نات. پزشکی 2020 ، 26 ، 1205-1211. [ Google Scholar ] [ CrossRef ]
  15. Istituto Superiore di Sanità. بررسی Nazionale sul Contagio COVID-19 Nelle Strutture Residenziali e Sociosanitarie. 2020. در دسترس به صورت آنلاین: https://www.iss.it/documents/20126/0/Report_surveyFinale+RSA.pdf/4b14b829-5a07-24e9-955a-4d4c9a7e4440?t=15924021152 (21 سپتامبر 2015).
  16. گوردون، آل. گودمن، سی. آچتربرگ، دبلیو. ای بارکر، آر. برنز، ای. هانراتی، بی. مارتین، اف سی؛ مایر، جی. اونیل، دی. شولز، جی. و همکاران تفسیر: کووید در خانه های مراقبت – چالش ها و معضلات در ارائه مراقبت های بهداشتی. سن پیری 2020 ، 49 ، 701–705. [ Google Scholar ] [ CrossRef ]
  17. برتون، جی کی. باین، جی. ایوانز، سی. گاربه، اف. گورمن، دی. هانهولد، ن. مک کورمیک، دی. اوتینو، آر. ای استیونسون، جی. سویتلیک، اس. و همکاران تکامل و اثرات شیوع COVID-19 در خانه های مراقبت: تجزیه و تحلیل جمعیت در 189 خانه مراقبت در یک منطقه جغرافیایی از انگلستان. Lancet Health Longev. 2020 ، 1 ، e21–e31. [ Google Scholar ] [ CrossRef ]
  18. اودریسکول، ام. ریبیرو دوس سانتوس، جی. وانگ، ال. کامینگز، DAT; ازمان، ع. Paireau, J.; فونتانت، آ. کوچمز، اس. Salje, H. الگوهای مرگ و میر و ایمنی خاص سنی SARS-CoV-2. Nature 2021 ، 590 ، 140-145. [ Google Scholar ] [ CrossRef ]
  19. فاطمه، م. اوکیف، ک. وی، دبلیو. ارشد، س. Gruebner, O. تجزیه و تحلیل جغرافیایی COVID-19: مروری بر محدوده. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2021 ، 18 ، 2336. [ Google Scholar ] [ CrossRef ]
  20. مونی، پی. Juhász, L. Mapping COVID-19: چگونه نقشه‌های مبتنی بر وب به infodemic کمک می‌کنند. گفتگو – هوم. Geogr. 2020 ، 10 ، 265-270. [ Google Scholar ] [ CrossRef ]
  21. کنسولازیو، دی. مرتاس، ر. تونسی، س. گرواسی، ف. بناسی، دی. Russo، AG در حال ارزیابی تأثیر ویژگی‌های فردی و وضعیت اجتماعی و اقتصادی محله در طول همه‌گیری COVID-19 در استان‌های میلان و لودی. بین المللی سرویس بهداشتی J. 2021 ، 51 ، 311-324. [ Google Scholar ] [ CrossRef ]
شکل 1. نقشه شمال ایتالیا که مرزهای منطقه را با تمرکز خاص بر الساندریا LHA (منطقه قرمز) گزارش می کند.
شکل 2. سری زمانی افراد با حداقل یک سواب NP مثبت.
شکل 3. نقشه کوروپلث الساندریا LHA. رنگ ها نشان دهنده درصد سواب های NP مثبت تقسیم بر تعداد جمعیت است در حالی که خانه های سالمندان به عنوان نقاط سیاه گزارش می شوند.
شکل 4. نقشه های کوروپلث الساندریا LHA، تقسیم بر جنسیت و سن. رنگ ها نشان دهنده درصد سواب های NP مثبت تقسیم بر جمعیت طبقه بندی شده بر اساس گروه ها هستند.

بدون دیدگاه

دیدگاهتان را بنویسید