استفاده از GIS برای نقشه برداری و خوشه بندی بیماری در جده، عربستان سعودی

خلاصه

سیستم‌های اطلاعات جغرافیایی (GIS) می‌توانند برای نقشه‌برداری توزیع جغرافیایی شیوع بیماری، روند انتقال بیماری و مدل‌سازی فضایی جنبه‌های محیطی وقوع بیماری استفاده شوند. هدف از این مطالعه بحث در مورد یک برنامه GIS است که برای تولید نقشه‌برداری و مدل‌سازی خوشه‌ای از سه بیماری در جده، عربستان سعودی ایجاد شده است: دیابت، آسم و فشار خون بالا. اطلاعات مربوط به این بیماری ها از پرونده بیماران ثبت شده مراکز بهداشتی درمانی به دست آمد. این داده‌ها با استفاده از چندین مدل تحلیلی آماری- فضایی، از جمله مدل‌های هسته و نقطه کانونی مورد ارزیابی مکانی قرار گرفتند. این مدل‌ها برای کاوش و نمایش الگوهای متفاوت بیماری‌های انتخاب شده و نشان دادن مناطقی با تمرکز بالا ایجاد شده‌اند.

کلید واژه ها:

GIS _ بهداشت شهری ; خوشه های سلامت ; تراکم هسته ؛ تجزیه و تحلیل نقاط حساس

1. معرفی

نقشه برداری بیماری از نظر تاریخی به عنوان یکی از مهم ترین مسائل بهداشت عمومی در نظر گرفته شده است که از درک رابطه بین سلامت و مکان نشات می گیرد. درک این رابطه برای چندین دهه توجه دانشمندان و محققان را به خود جلب کرده است [ 1 ، 2 ]. شروع واقعی استفاده از روش نقشه برداری بیماری در سال 1854 بود، زمانی که دکتر اسنو یک شیوع وبا را ترسیم کرد که در شهر لندن، انگلستان رخ داد [ 1 ، 3 ، 4 ]. با این حال، یکی از مفیدترین عملکردهای GIS در سلامت عمومی، خروجی های نقشه برداری آن است [ 5 ]. فناوری نقشه برداری بیماری که به طور قابل توجهی در حال تکامل بوده است، یکی از مهم ترین فناوری های GIS است [ 6 ]]. امروزه این فناوری به طور فزاینده ای به عنوان ابزاری موثر در پایش بیماری توسط GIS استفاده می شود [ 7 ].

مطالعات مربوط به توزیع جغرافیایی بیماری ها را می توان به سه دسته اصلی طبقه بندی کرد: نقشه برداری بیماری، خوشه بندی بیماری و تجزیه و تحلیل اکولوژیکی. نقشه‌برداری بیماری مبتنی بر GIS به شناسایی تعدادی از جنبه‌ها بستگی دارد که مهم‌ترین آنها مکان‌های وقوع بیماری، الگوهای گسترش بیماری، عوامل خطر محیطی که منجر به گسترش بیماری می‌شوند و داده‌های اجتماعی-اقتصادی، به منظور تجزیه و تحلیل روابط فضایی در داخل است. منطقه آسیب دیده [ 8 ، 9]. مطالعات خوشه‌بندی بیماری مبتنی بر GIS با هدف ارزیابی اینکه آیا یک بیماری از نظر جغرافیایی خوشه‌بندی شده است، و اگر چنین است، مکان‌های خوشه‌ها را ارزیابی می‌کند. علاوه بر این، این نوع مطالعات بر اساس بررسی عوامل خطر محیطی بالقوه است که ممکن است در یک مکان خاص ظاهر شود و یک خطر بالقوه مانند خطر آلودگی را نشان دهد [ 10 ]. مطالعات تجزیه و تحلیل اکولوژیکی در تحقیقات اپیدمیولوژیک مرتبط هستند، زیرا آنها بر تجزیه و تحلیل توزیع جغرافیایی بیماری در رابطه با متغیرهای کمکی توضیحی، معمولاً در سطح فضایی انباشته تمرکز می‌کنند [ 11 ].

مطالعات مراقبت‌های بهداشتی به شدت بر روی نقشه‌برداری و فناوری‌های خوشه‌بندی مبتنی بر GIS برای ترسیم یک تجسم کلی که هدف آن کنترل گسترش بیماری‌ها و شناسایی جمعیت‌های محروم در سطح جغرافیایی است، متکی است [ 12 ، 13 ]. مطالعات متعدد نشان داده اند که GIS ابزار مفیدی برای نقشه برداری و خوشه بندی بیماری ها است. به عنوان مثال، گولد و والاس [ 14 ] از GIS برای ترسیم موارد HIV/AIDS در ایالات متحده در دهه 1980 استفاده کردند. آنها مکان های وقوع بیماری و الگوهای گسترش احتمالی را ترسیم کردند. آنها همچنین سعی در کنترل بیماری با استفاده از روش خوشه بندی کردند. در مثالی دیگر، براگا و همکاران. [ 15] بیماری سرطان ریه را در دو شهر ایتالیا برای تعیین نرخ بیماری در سطح خوشه‌های شهری با استفاده از روش‌های هسته و بیزی ترسیم کرد. آیزن و آیزن [ 16 ] نحوه استفاده از GIS برای پیشگیری و کنترل بیماری هایی مانند مالاریا و ویروس نیل غربی را مورد بحث قرار دادند. علاوه بر این، رسام و همکاران. [ 17 ] از نقشه برداری بیماری وبا مبتنی بر GIS برای شناسایی الگوهای گسترش بیماری در منطقه صباح مالزی استفاده کرد. نقشه برداری بیماری بر استفاده از تکنیک کوهورت برای تعیین الگوی گسترش بیماری تکیه داشت. در نتیجه مشخص شد که این بیماری از طریق آب آلوده از فردی به فرد دیگر سرایت می کند. فوتیس [ 18] GIS هایی را بررسی کرد که می تواند با مسائل مربوط به مراقبت های بهداشتی با استفاده از فناوری نقشه برداری بیماری که می تواند سیاست های برنامه ریزی را بهبود بخشد و سناریوهای مداخله احتمالی را ارزیابی کند، مقابله کند. علاوه بر این، در ایالات متحده، یک روش نقشه برداری بیماری سرخک مبتنی بر GIS برای شناسایی مکان های وقوع بیماری و تعیین الگوهای گسترش استفاده شد. در نتیجه، مشخص شد که نرخ بیماری در مناطقی با کودکانی که واکسیناسیون علیه این بیماری دریافت نکرده بودند، بالا بود. روش نقشه برداری بیماری به شناسایی مناطق فاقد خدمات بهداشتی و یافتن بهترین مکان برای این خدمات کمک کرد، به ویژه پس از اینکه نقشه ها مکان ها و تعداد موارد بیماری و همچنین دوره زمانی مربوط به گسترش بیماری را نشان دادند [ 19 ].

در سطح تجزیه و تحلیل، برای به دست آوردن خروجی های دقیق برای نقشه برداری بیماری، کیفیت داده های مکانی مورد استفاده در تجزیه و تحلیل باید بر اساس تعدادی از عناصر، به عنوان مثال، (1) دقت موقعیت، (2) دقت موضوعی، (3) ارزیابی شود. ) دقت زمانی، (4) کامل بودن، (5) سازگاری منطقی، و (6) قابلیت استفاده [ 20 ]. در مقایسه با نقشه برداری ساختارهای بیماری بر اساس برآوردهای مدل های پیچیده، داده های بروز بیماری ممکن است به طور متفاوتی در هنگام نقشه برداری موارد بیماری یا تعداد شمارش در دستگاه ها نشان داده شود [ 11 ].]. بروز جغرافیایی بیماری، به عنوان واحد اساسی مشاهده، از مکان موارد بیماری مورد مطالعه استفاده می کند. داده ها و اطلاعات مهم در مورد خطرات زیست محیطی و قرار گرفتن در معرض احتمالی را می توان از طریق آدرس های مسکونی شناسایی کرد [ 21 ]. ساده ترین شکل ممکن نقشه برداری، نشان دادن نرخ بیماری در مجموعه های خاصی از مکان ها است. برای رویدادها، مکان رویدادهای موردی باید نقشه برداری شود. برای شمارش در بخش‌ها، باید نمایشی از تعداد رویدادها در بخش‌های مناطق دلخواه با مکان‌ها و تعداد رویدادهای پرونده وجود داشته باشد [ 22 ].

مجموعه ای از روش های تحلیلی و آماری ممکن است توسط نرم افزار GIS برای نقشه برداری و خوشه بندی بیماری ها انجام شود. این روش‌ها می‌توانند تحقیقات تحقیقاتی در مورد توزیع فضایی بیماری‌ها و گسترش آن را با یکپارچه‌سازی و مدل‌سازی داده‌های مکانی به گونه‌ای که به شناسایی موارد و مواجهه‌ها، مشخص کردن روندهای فضایی، شناسایی خوشه‌های بیماری، ارتباط مجموعه‌های مختلف داده‌های مکانی و آزمون فرضیه‌های آماری کمک کند، پشتیبانی کند. [ 23 ]. مهم‌ترین روش‌های آماری و تحلیلی نقشه‌برداری و خوشه‌بندی بیماری در نرم‌افزار GIS عبارتند از: (1) یک روش تخمین تراکم هسته که برای تهیه نقشه‌های توزیع فضایی بیماری‌های همه‌گیر با مدل‌سازی پیش‌بینی خطر بیماری استفاده می‌شود [ 24 ].]، (2) یک روش بیضی های انحرافی استاندارد وزنی که می تواند توزیع های فضایی بیماری ها را مقایسه کند و جهت های فضایی احتمالی آنها را شناسایی کند، و (3) یک روش تجزیه و تحلیل نقطه داغ که برای محاسبه آمار Getis–Ord Gi* برای شناسایی مکان ها استفاده می شود. شرایط سلامت انتخاب شده متمرکزتر خواهد بود [ 25 ، 26 ].

برخی از روش های تحلیلی و آماری برای تجزیه و تحلیل خدمات بهداشتی با استفاده از GIS در جده، عربستان سعودی استفاده شده است. به عنوان مثال، مراد [ 27 ] کاربرد GIS را برای حوضه آبریز مراکز بهداشتی در جده با استفاده از تکنیک تخصیص خط مستقیم (SLA) مورد بحث قرار داد که حوزه های حوضه مراکز بهداشتی را بر اساس رویکرد نزدیک ترین مجاورت تعریف می کند. مراد [ 28 ] دسترسی به مراکز بهداشت عمومی در جده را با استفاده از روش‌های فاصله اقلیدسی و زمان رانندگی اندازه‌گیری کرد. یک مدل تجمعی برای تعیین سطح دسترسی در هر منطقه از شهر بسته به تخمین فاصله از یک جاده و از مراکز بهداشتی ایجاد شد. به علاوه مراد [ 9] از نقشه‌برداری GIS برای برنامه‌ریزی بیمارستان در جده استفاده کرد و چندین نقشه موضوعی مرتبط با موقعیت و تحلیل بیمارستان، از جمله طبقه‌بندی عرضه سلامت و دسترسی به مکان‌های بیمارستان‌ها را تهیه کرد. همه برنامه های قبلی GIS برای سلامت در جده فقط بخش عرضه خدمات بهداشتی را پوشش می دادند. هیچ مطالعه ای تفاوت های بهداشتی را بر اساس محل بیماری ها در جده ترسیم نکرده است. برای پر کردن این شکاف، ما تحقیقات جدیدی را با تمرکز بر توزیع بیمار و نابرابری های بیماری در جده ترسیم می کنیم. این مقاله به دنبال پاسخ به این سؤالات است که چگونه می توان از GIS برای نقشه برداری از مکان های بیماری در شهر جده استفاده کرد و چگونه می توان از این فناوری برای تجزیه و تحلیل خوشه بندی فضایی و تعیین اینکه آیا خوشه های غیرمعمول شرایط بهداشتی در جده وجود دارد یا خیر و برای شناسایی مکان ها استفاده کرد. شیوع غیرعادی بالا یا پایین بیماری ها دارند.

2. مواد و روشها

2.1. منطقه مطالعه

جده در ساحل غربی عربستان سعودی و در ارتفاع 12 متری از سطح دریا واقع شده است. حدود 949 کیلومتر تا شهر ریاض پایتخت و 79 کیلومتر تا شهر مقدس مکه فاصله دارد. مساحت جده تقریباً 1765 کیلومتر مربع ^است. با گذشت زمان، این شهر خدمات خود را از جمله پروژه های حمل و نقل، ارتباطات و بهداشت و همچنین خدمات عمومی مانند آب، برق و سایر پروژه های زیربنایی گسترش داده است. از نظر جمعیتی، جده تقریباً 4.1 میلیون نفر جمعیت دارد (2015) که آن را به دومین شهر بزرگ بعد از پایتخت، ریاض تبدیل می کند. میانگین اندازه خانوار 5.2 است و 41 درصد از جمعیت 23 سال و زیر سن دارند، در حالی که 3 درصد افراد 65 سال یا بیشتر هستند. خدمات بهداشتی در شهر جده از طریق سه بخش اصلی ارائه می شود: شبکه وزارت بهداشت از بیمارستان ها و مراکز مراقبت های بهداشتی اولیه که در سراسر شهر توزیع شده اند، سایر نهادهای دولتی و بخش خصوصی. این مقاله فقط مراکز مراقبت های بهداشتی اولیه را پوشش می دهد که توسط وزارت بهداشت اداره می شوند.

2.2. روش‌هایی برای نقشه‌برداری و خوشه‌بندی بیماری در شهر جده

این مطالعه به دنبال ایجاد یک برنامه GIS برای تولید نقشه‌برداری و مدل‌سازی خوشه‌ای از سه بیماری در جده، عربستان سعودی است: دیابت، آسم و فشار خون بالا. برای ساخت این نرم افزار، ابتدا سه پوشش GIS: شبکه جاده، مکان های مراکز بهداشتی و مناطق جمعیتی را ضبط کردیم. داده‌های غیرمکانی مرتبط با این پوشش‌ها شامل ظرفیت سلامت، تعداد بیماران (دیابت، آسم و فشار خون)، تعداد افرادی که در هر منطقه از شهر زندگی می‌کنند، و تراکم جمعیت منطقه است. داده های مربوط به سه بیماری از سوابق بیماران ثبت شده در مراکز بهداشتی جده جمع آوری شد. ثانیاً چندین مدل تحلیلی و آماری برای نقشه‌برداری و خوشه‌بندی این سه بیماری به منظور شناسایی الگوهای فضایی مختلف آنها و شناسایی روند شیوع آنها در جده استفاده شد. تجزیه و تحلیل فضایی اولیه داده ها بر اساس استفاده از ابزارهای طبقه بندی ارائه شده توسط ESRI (Redlands، CA، USA)، در نرم افزار ArcGIS بود. این ابزارهای تحلیلی الگوهای توزیع فضایی بیماری ها را در سطح نواحی جده روشن کرد. چندین روش طبقه بندی داده ها را می توان برای کاربردهای GIS استفاده کرد. اینها شامل بازه تعریف شده، بازه دستی، فاصله مساوی، فاصله هندسی، Quantile، شکست های طبیعی و انحراف استاندارد است. داده های ایجاد شده با استفاده از روش شکست های طبیعی که بر اساس الگوریتم شکست های طبیعی جنکس است طبقه بندی شدند. روش شکست طبیعی شکست های کلاسی را تولید می کند که بهترین مقادیر مشابه گروه را شناسایی می کند و تفاوت بین کلاس ها را به حداکثر می رساند. بر اساس این روش طبقه‌بندی، ویژگی‌ها به کلاس‌هایی تقسیم می‌شوند که مرزهای آن‌ها در جایی که تفاوت‌های نسبتاً زیادی در مقادیر داده‌ها وجود دارد، تعیین می‌شوند.

علاوه بر این، ما از یک تابع تحلیلی به نام بیضی انحراف استاندارد استفاده کردیم. این تابع می‌تواند توزیع‌های فضایی سه بیماری را مقایسه کرده و جهت‌های فضایی احتمالی آنها را در مکانی مانند جده شناسایی کند. یک بیضی انحرافی استاندارد وزنی بر اساس تعداد بیماران در هر مکان مرکز بهداشت انتخاب شد. این ابزار راهی برای اندازه گیری روند برای مجموعه ای از نقاط یا مناطق با محاسبه فاصله استاندارد به طور جداگانه در جهت های x، y و z ارائه می دهد. این اندازه گیری ها محورهای یک بیضی (یا بیضی) را که توزیع ویژگی ها را در بر می گیرد، تعریف می کند. از بیضی به عنوان بیضی انحراف استاندارد یاد می شود، زیرا این روش انحراف استاندارد مختصات x و y را از مرکز میانگین برای تعریف محورهای بیضی محاسبه می کند.

برای بررسی بیشتر، این مطالعه از مدل هسته در نرم‌افزار ArcGIS برای تعیین خوشه‌های شرایط سلامت در سطح مناطق جده استفاده کرد. تخمین کرنل می تواند نابرابری های فضایی سه بیماری را شناسایی کند. در نهایت، ما از یک مدل آماری به نام Getis–Ord Gi* برای مدل‌سازی انتشار فضایی بیماری‌های انتخاب شده استفاده کردیم. کاربرد این مدل بر اساس مجموعه داده های موجود برای هر بیماری در هر مرکز بهداشتی در جده بود. ابزار تجزیه و تحلیل نقطه نقطه در ArcGIS برای محاسبه آمار Getis–Ord Gi* برای هر ویژگی در یک مجموعه داده استفاده شد. امتیازهای z و مقادیر p به دست آمده در جایی تعریف می‌شوند که ویژگی‌های دارای مقادیر بالا یا پایین به صورت مکانی خوشه‌بندی می‌شوند. برای امتیازهای z مثبت معنی دار آماری، هرچه امتیاز z بزرگتر باشد، خوشه بندی مقادیر بالا (نقاط داغ) شدیدتر است. برای امتیازهای z منفی معنی دار آماری، هرچه امتیاز z کمتر باشد، خوشه بندی مقادیر پایین (نقاط سرد) شدیدتر است. نتایج تجزیه و تحلیل هات اسپات برای تعیین اینکه شرایط سلامت انتخاب شده در کجا متمرکزتر خواهد بود، و در نهایت، کدام و کجا خدمات بهداشتی باید در دسترس باشد مفید است.

3. نتایج

3.1. توزیع فضایی بیماری ها

GIS می تواند به به روز رسانی و ترسیم شیوع رویدادهای سلامت کمک کند و به عنوان یک ابزار پشتیبانی برای نظارت و به عنوان یک ابزار تصمیم گیری برای کنترل شرایط سلامت و بیماری استفاده می شود. از GIS می توان برای ترسیم توزیع جغرافیایی شیوع یک بیماری، روند انتقال بیماری و مدل سازی فضایی جنبه های محیطی وقوع بیماری استفاده کرد. پایگاه داده های جغرافیایی سلامت ایجاد شده در جده شامل سه نوع بیماری است: دیابت، آسم و فشار خون. برای اولین نوع تحلیل فضایی این داده ها از ابزار طبقه بندی داده ها ArcGIS (تولید شده توسط ESRI) استفاده شد. این ابزارها می توانند به محققان در درک توزیع فضایی و طبقه بندی شرایط بهداشتی کمک کنند. نگاهی به خروجی طبقه بندی رویدادهای سلامت در شکل 1، شکل 2 و شکل 3بیماران آسم به شدت در شمال شرق شهر متمرکز هستند. این بخش‌های شهر مکان‌های بسیار توسعه‌یافته شهری در نظر گرفته می‌شوند که تعداد زیادی از بیماران مبتلا به آسم را تولید می‌کنند، همانطور که در مطالعات تأیید شده است که نشان می‌دهد در بسیاری از نقاط جهان آسم در مناطق شهری بیشتر از مناطق روستایی وجود دارد. مطالعات اولیه در آفریقا (آفریقای جنوبی، اتیوپی، کنیا و غنا) گزارش کردند که جمعیت‌هایی که در مناطق روستایی زندگی می‌کنند (یعنی آن‌هایی که در معرض اثرات سبک زندگی شهری یا غربی قرار ندارند) بار بسیار کم بیماری آلرژیک را تجربه می‌کنند. ، شیوه زندگی روستایی فراهم آوردن پوشش محافظ احتمالی. مطالعات مشابه در آسیا (چین، ژاپن، کره، هند و عربستان سعودی) شیب شهری – روستایی را به دلیل قرار گرفتن در معرض آلرژن‌های مختلف، آلودگی هوا، ثروت،29 ]. این در حالی است که بیماران مبتلا به فشار خون و دیابت بیشتر در مناطق مرکزی و شمالی شهر قرار دارند. این مناطق شهری به عنوان مکان‌های پرتراکم در نظر گرفته می‌شوند که تأیید می‌کند که الگوهای بیماران دیابتی و فشار خون بالا از الگوی تراکم جمعیت در جده پیروی می‌کنند. اینها نتایج تحلیل اولیه برای تعریف توزیع فضایی شرایط سلامت هستند.

تجزیه و تحلیل بیشتر با استفاده از یک تابع آماری فضایی به نام بیضی های انحراف استاندارد، که جهت و جهت ویژگی ها را اندازه گیری می کند، به این داده ها اعمال شد و ابزاری برای انتزاع روندهای فضایی فراهم می کند. این نوع تجزیه و تحلیل برای مقایسه توزیع دسته بندی شرایط سلامت مفید است. اگرچه تجزیه و تحلیل GIS می‌تواند با ترسیم ویژگی‌ها بر روی نقشه، حس جهت‌گیری را فراهم کند، اما محاسبه بیضی انحراف استاندارد روند را روشن می‌کند. این ابزار می‌تواند برای محاسبه بیضی انحراف استاندارد با استفاده از مکان‌های مشخصه‌ها یا مکان‌های تحت تأثیر یک مقدار مشخصه مرتبط با ویژگی‌ها استفاده شود. دومی “بیضی انحرافی استاندارد وزن دار” نامیده می شود [ 25]. تحقیقات زیادی بر اهمیت استفاده از عملکرد بیضی های انحرافی استاندارد در تجزیه و تحلیل توزیع فضایی دسته بندی شرایط سلامت تاکید کرده اند. برای مثال، اریاندو و همکاران. [ 30] از تابع استاندارد بیضی انحرافی، تجزیه و تحلیل آماری، تجزیه و تحلیل همپوشانی و متغیرهای محیطی برای ترسیم توزیع فضایی مالاریا در ناحیه سوکابومی، اندونزی، جایی که شیوع مالاریا از سال 2004 تا 2012 رخ داد، استفاده کرد. این مطالعه بر جمع آوری داده ها از طریق جهانی تکیه کرد. نقشه برداری سیستم موقعیت یابی (GPS) و بررسی های میدانی بر اساس داده های موارد مثبت مالاریا (2011-2012) که از مراکز مراقبت های بهداشتی در منطقه سوکابومی به دست آمده است. محور بیضی های انحراف معیار، توزیع اریب را به سمت شمال غربی جنوب شرقی نشان داد. عوامل محیطی مانند ناهنجاری بارندگی و دما منجر به شیوع مالاریا به ویژه در مناطق گرم و مرتفع شد. توسعه و متابولیسم بردارها توسط محیط فیزیکی در ناحیه سوکابومی پشتیبانی شد. ترسیم توزیع فضایی مالاریا تجسم اولیه ای را ارائه می دهد که می تواند به تدوین اولویت های مداخله ای احتمالی کمک کند. در نتیجه، استفاده از تابع بیضی انحرافی استاندارد به درک عوامل جغرافیایی منجر به وقوع مالاریا و تعیین روند شیوع بر اساس الگوهای جغرافیایی خاص کمک کرد. در مثالی دیگر، دونگ و همکاران. [31] از تابع بیضی انحرافی استاندارد برای بررسی روند جهت‌گیری و تعیین حضور خوشه‌بندی مکانی-زمانی آنفولانزای A(H7N9) در چین از مارس 2013 تا دسامبر 2014 استفاده کرد. این مطالعه بر شناسایی سه مرحله است که با یک عفونت اپیدمی بالا مشخص می‌شود. بیضی انحرافی استاندارد در هر مرحله برای بررسی روند جهت‌گیری گسترش همه‌گیری با استفاده از اسکن‌های آماری برای شناسایی الگوهای خوشه‌های مکانی-زمانی گسترش اپیدمی استفاده شد. به نظر می رسد که روند جهت گیری اپیدمی از سواحل شرقی به جنوب شرقی بوده است، با روند جهت دار آینده انتقال اپیدمی به مناطق مرکزی و غربی چین. در نتیجه،

در این مطالعه، یک بیضی انحرافی استاندارد وزنی بر اساس تعداد بیماران مبتلا به دیابت، آسم و فشار خون در هر مرکز بهداشتی در شهر جده انتخاب کردیم. این ابزار یک کلاس ویژگی جدید شامل یک چند ضلعی بیضوی با مرکزیت مرکز میانگین برای همه ویژگی ها ایجاد می کند. مقادیر مشخصه برای این چند ضلعی های بیضی خروجی شامل دو فاصله استاندارد (محورهای بلند و کوتاه)، جهت بیضی و فیلد موردی است. جهت گیری نشان دهنده چرخش محور طولانی است که از ظهر در جهت عقربه های ساعت اندازه گیری می شود.

شکل 4 ، شکل 5 و شکل 6 خروجی بیضی های انحرافی استاندارد را برای سه وضعیت سلامت در جده نشان می دهد. جهت گیری جهت بیماران آسم کمتر از بیماران مبتلا به فشار خون بالا و دیابت است. به عبارت دیگر، بیماران مبتلا به آسم بیشتر در شمال شرق شهر متمرکز هستند، در حالی که بیماران فشار خون و دیابت بیشترین شیوع را در شمال، جنوب و جنوب شرق دارند.

3.2. شناسایی نابرابری های فضایی بیماری ها

این مقاله از تخمین تراکم هسته در نرم افزار ArcGIS (تولید شده توسط ESRI) برای شناسایی خوشه ها بر اساس نابرابری های فضایی شرایط بهداشتی فوق الذکر در جده استفاده کرده است. این ابزار همچنین در شناسایی مناطق پرخطر و تجسم مسیرهای انتقال بیماری ها مفید است. بنابراین، به تدوین اولویت‌های مداخله‌ای ممکن مرتبط با تأمین منابع خدمات سلامت کمک می‌کند. تخمین تراکم هسته برای به تصویر کشیدن تراکم ارائه دهندگان خدمات (تعداد در واحد سطح) به عنوان یک متغیر فضایی پیوسته، با قله ها نشان دهنده مناطق با دسترسی خوب و دره ها نشان دهنده مناطق با دسترسی ضعیف استفاده شد. تخمین چگالی هسته، بزرگی در واحد سطح را از ویژگی‌های نقطه یا چندخط با استفاده از یک تابع هسته محاسبه می‌کند تا یک سطح باریک شده هموار را در هر نقطه یا چند خط قرار دهد. استفاده‌های احتمالی از تراکم هسته شامل تجزیه و تحلیل تراکم خانه‌ها یا جرایم برای برنامه‌ریزی اجتماعی، یا کاوش در نحوه تأثیرگذاری جاده‌ها یا خطوط شهری بر روی زیستگاه حیات وحش است. میدان جمعیت را می توان برای وزن کردن برخی از ویژگی ها بیشتر از سایرین استفاده کرد، یا اجازه داد که یک نقطه نشان دهنده چندین مشاهدات باشد. برای برنامه ارائه شده، از ویژگی های نقطه ای (موقعیت مراکز درمانی) به عنوان داده های ورودی این مدل استفاده شد. حوزه جمعیت تعداد بیماران مبتلا به آسم، دیابت یا فشار خون بالا است. مقدار شعاع جستجو 10000 کیلومتر مربع انتخاب شد. استفاده‌های احتمالی از تراکم هسته شامل تجزیه و تحلیل تراکم خانه‌ها یا جرایم برای برنامه‌ریزی اجتماعی، یا کاوش در نحوه تأثیرگذاری جاده‌ها یا خطوط شهری بر روی زیستگاه حیات وحش است. میدان جمعیت را می توان برای وزن کردن برخی از ویژگی ها بیشتر از سایرین استفاده کرد، یا اجازه داد که یک نقطه نشان دهنده چندین مشاهدات باشد. برای برنامه ارائه شده، از ویژگی های نقطه ای (موقعیت مراکز درمانی) به عنوان داده های ورودی این مدل استفاده شد. حوزه جمعیت تعداد بیماران مبتلا به آسم، دیابت یا فشار خون بالا است. مقدار شعاع جستجو 10000 کیلومتر مربع انتخاب شد. استفاده‌های احتمالی از تراکم هسته شامل تجزیه و تحلیل تراکم خانه‌ها یا جرایم برای برنامه‌ریزی اجتماعی، یا کاوش در نحوه تأثیرگذاری جاده‌ها یا خطوط شهری بر روی زیستگاه حیات وحش است. میدان جمعیت را می توان برای وزن کردن برخی از ویژگی ها بیشتر از سایرین استفاده کرد، یا اجازه داد که یک نقطه نشان دهنده چندین مشاهدات باشد. برای برنامه ارائه شده، از ویژگی های نقطه ای (موقعیت مراکز درمانی) به عنوان داده های ورودی این مدل استفاده شد. حوزه جمعیت تعداد بیماران مبتلا به آسم، دیابت یا فشار خون بالا است. مقدار شعاع جستجو 10000 کیلومتر مربع انتخاب شد. برای برنامه ارائه شده، از ویژگی های نقطه ای (موقعیت مراکز درمانی) به عنوان داده های ورودی این مدل استفاده شد. حوزه جمعیت تعداد بیماران مبتلا به آسم، دیابت یا فشار خون بالا است. مقدار شعاع جستجو 10000 کیلومتر مربع انتخاب شد. برای برنامه ارائه شده، از ویژگی های نقطه ای (موقعیت مراکز درمانی) به عنوان داده های ورودی این مدل استفاده شد. حوزه جمعیت تعداد بیماران مبتلا به آسم، دیابت یا فشار خون بالا است. مقدار شعاع جستجو 10000 کیلومتر مربع انتخاب شد.

الگوریتم مورد استفاده برای تعیین شعاع جستجوی پیش فرض مدل هسته که به عنوان پهنای باند نیز شناخته می شود، به شرح زیر است:

(1): مرکز میانگین نقاط ورودی را محاسبه کنید. اگر یک فیلد جمعیتی غیر از 0 انتخاب شده باشد، این و همه محاسبات زیر با مقادیر موجود در آن فیلد وزن می شوند.
(2): فاصله از مرکز میانگین (وزنی) را برای همه نقاط محاسبه کنید.
(3): _{میانه (وزنی) این فواصل} ( Dm ) را محاسبه کنید.
(4): فاصله استاندارد (وزن دار) ( SD ) را محاسبه کنید.
(5): برای محاسبه پهنای باند از فرمول زیر استفاده کنید:

جستجو کردن شعاع =0.9×دقیقه(SD،11لn(2) ×Dمتر)×n-0.2

که در آن n تعداد نقاط است اگر فیلد جمعیتی استفاده نشده باشد یا اگر فیلد جمعیتی ارائه شده باشد و n مجموع مقادیر فیلد جمعیت است.

بسیاری از مطالعات بر اهمیت استفاده از تخمین تراکم هسته برای شناسایی نابرابری های فضایی و مناطق خطر بیماری تاکید کرده اند. به عنوان مثال، ZA Latif [ 32 ] از تخمین تراکم هسته برای نقشه برداری از شیوع دنگی به منظور تهیه نقشه خطر در Selangor، مالزی استفاده کرد. هدف از این روش مکان یابی نقاط حساس بود. نتایج نشان داد که هشت منطقه را می توان به عنوان پرخطر طبقه بندی کرد. علاوه بر این، چایکائو، تریپاتی و سوریس [ 33] از تحلیل های فضایی مبتنی بر GIS برای شناسایی الگوهای شیوع بیماری اسهال در استان چیانگ مای، شمال تایلند استفاده کرد. تجزیه و تحلیل مبتنی بر استفاده از مجموعه ای از روش های تحلیلی و آماری مانند تجزیه و تحلیل کودرانت (QA)، تحلیل نزدیکترین همسایه (NNA) و تحلیل خودهمبستگی فضایی (SAA) برای تجسم الگوهای فضایی بیماری در استان بود. همچنین از تخمین تراکم هسته برای تعیین نقاط داغ اسهال بر اساس جمع‌آوری داده‌های بیماران در سطح روستا و سرشماری‌های جمعیت از سال 1380 تا 1385 استفاده شد. بیماری. در نتیجه، این روش می تواند به توسعه سیستمی برای نظارت و پیشگیری از شیوع بیماری کمک کند.

شکل 6 ، شکل 7 ، شکل 8 و شکل 9 نتایج خدمات تراکم هسته را برای انواع منتخب بیماران در جده نشان می دهد. تراکم بیماران مبتلا به آسم در مناطق شمال شرقی شهر، غلظت بالایی را نشان می دهد، در حالی که بیماران مبتلا به فشار خون و دیابت در مناطق مرکزی و شمالی شهر متمرکز بودند. بنابراین، این نتایج، خوشه‌های فضایی شرایط بهداشتی انتخاب شده در جده را شناسایی می‌کند.

3.3. مدل سازی انتشار فضایی بیماری ها

نرم افزار GIS می تواند توسط متخصصان بهداشت برای پیش بینی موقعیت مکانی و انتشار شرایط بهداشتی مورد استفاده قرار گیرد. الگوهای جغرافیایی تعامل بین افراد آلوده و مستعد برای درک چگونگی و مکان انتشار بیماری های عفونی بسیار مهم است. انتشار فضایی حرکت پدیده ها، افراد، کالاها، ایده ها، نوآوری ها و بیماری ها را در فضا و زمان توصیف می کند. گاهی اوقات، بیماری ها از الگوی انتشار مسری پیروی می کنند و به تدریج از یک نقطه مبدا به سمت خارج گسترش می یابند. در انتشار سلسله مراتبی، بیماری ها از طریق سلسله مراتب شهری گسترش می یابند، از شهرهای بزرگ شروع می شوند و در طول زمان به شهرهای متوسط گسترش می یابند، قبل از رسیدن به شهرها و شهرهای کوچکتر. انتشار شبکه به گسترش بیماری از طریق حمل و نقل یا شبکه اشاره دارد. همانند سایر انواع انتشار، انتشار شبکه نشان دهنده ساختار جغرافیایی و اجتماعی تعاملات انسانی است. امروزه، روند نوظهور در مدل‌سازی اپیدمی، تمرکز بر افراد به جای جمعیت‌ها یا گره‌های بزرگتر از طریق استفاده از مدل‌سازی مبتنی بر عامل است. مدل‌های مبتنی بر عامل، رفتار و تعاملات افراد را برای ایجاد بینش در مورد جمعیت‌ها و جوامع شبیه‌سازی می‌کنند.

یکی از ابزارهای تحلیلی مورد استفاده برای شناسایی انتشار فضایی بیماری ها، آمار Getis-Ord Gi* بر اساس تجزیه و تحلیل هات اسپات است. به عنوان مثال، ساکسنا و همکاران. [ 34] از روش‌های Getis-Ord Gi* و Standard Deviational Ellipse برای تعریف الگوی توزیع فضایی، شناسایی نقاط داغ و نقشه‌برداری روند توزیع جهتی رخدادهای Plasmodium vivax (Pv) و Plasmodium falciparum (Pf) در رانچی، هند استفاده کرد. این مطالعه بر داده‌های اپیدمیولوژیک مالاریا از 2007 تا 2009 تکیه داشت که از 328 مرکز فرعی از 14 مرکز بهداشتی اولیه (PHCs) در منطقه به دست آمده بود. نتایج نشان داد که الگوی توزیع فضایی تصادفی (Pv) وجود دارد. در مقابل، توزیع فضایی وقوع (Pf) به طور قابل‌توجهی خوشه‌بندی شد. در طول دوره 2007-2009، یک روند نزولی در تعداد مراکز فرعی مرتبط با رده کانونی (Pv) وجود داشت. در مقابل، یک روند صعودی در مراکز فرعی خطر بالا (Pf) وجود دارد. علاوه بر این، از سال 2008 به بعد، یک روند تغییر در انتشار (Pf) از جهت شمال غرب به غرب مشاهده شد. در مثالی دیگر، Carnes و Ogneva-Himmelberger [35 ] از مجموعه ای از ابزارهای تحلیلی و آماری، از جمله آمار Getis-Ord-Gi* (تحلیل نقطه داغ)، برای تجزیه و تحلیل روند توزیع ویروس نیل غربی در ایالات متحده از سال 2000 تا 2008 استفاده کرد. نقشه ها نشان دادند که جهت روند ابتلا به ویروس از شرق به غرب بود. علاوه بر این، تجزیه و تحلیل نقاط داغ نشان داد که مناطق مترو در شهرهای بزرگ و مناطق روستایی دارای نرخ بالایی از موارد ویروس هستند. در نتیجه، خروجی های این مطالعه به تدوین استراتژی هایی برای غلبه بر انتشار ویروس نیل غربی کمک کرد. کاربرد تجزیه و تحلیل نقاط داغ را می توان در تجزیه و تحلیل جرم، اپیدمیولوژی، تجزیه و تحلیل الگوی رأی گیری، جغرافیای اقتصادی، تجزیه و تحلیل خرده فروشی، تجزیه و تحلیل حوادث ترافیکی و جمعیت شناسی یافت.

در این مطالعه، یک GIS برای مدل‌سازی شیوع سه بیماری انتخابی بر اساس داده‌های موجود از مراکز بهداشتی در جده استفاده شد. مدل آماری Getis-Ord Gi* برای مدل سازی انتشار فضایی شرایط بهداشتی در جده برای داده های جمع آوری شده استفاده شد. ابزار تجزیه و تحلیل نقطه نقطه در ArcGIS برای محاسبه آمار Getis–Ord Gi* برای هر ویژگی در هر مجموعه داده استفاده شد. نتایج تجزیه و تحلیل هات اسپات در شکل 10 ، شکل 11 و شکل 12 نشان داده شده است.. تجزیه و تحلیل آسم مکان های کانونی را در نواحی مرکزی شهر و مکان های سردسیری در شمال و جنوب را نشان داد. این بدان معناست که بیماران مبتلا به آسم بیشتر در مناطق مرکزی شهر متمرکز هستند. مدل‌سازی بیماران فشار خون بالا نشان می‌دهد که مکان‌های سردسیر فقط در شمال شهر واقع شده‌اند، در حالی که نواحی باقی‌مانده شهر دارای تعداد بالایی از نقاط داغ هستند. به عبارت دیگر، بیماران پرفشاری خون در چندین منطقه شهر پراکنده شده اند، به جز مناطق شمالی شهر که تعداد کمی از آنها از فشار خون بالا رنج می برند. نتایج مدل‌سازی دیابت نشان داد که مکان‌های کانون در نواحی مرکزی و جنوبی شهر و نقاط سرد در نواحی شمالی شهر گروه‌بندی می‌شوند. نتایج تجزیه و تحلیل هات اسپات برای تعیین محل تمرکز بیشتر شرایط سلامت انتخاب شده مفید است و در نهایت،

4. بحث

استفاده از GIS در مطالعات مراقبت های بهداشتی افزایش یافته و کاربردهای آن پیچیده تر شده است. برای مثال، GIS می‌تواند برای مدل‌سازی مواجهه به‌عنوان ابزاری برای مطالعه بروز سرطان در جمعیتی که در معرض دیوکسین‌های موجود در هوا هستند، استفاده شود. ارزیابی رابطه بین محیط زیست و سلامت نیاز به توسعه روش‌های آماری و تکنیک‌های اپیدمیولوژیکی دارد که قادر به تجزیه و تحلیل و تجسم گسترده باشد. با این وجود، فناوری‌های اخیر GIS به کنترل بیماری و تصمیم‌گیری مرتبط از طریق به‌روزرسانی، نقشه‌برداری و نظارت مؤثر بیماری کمک کرده‌اند. علاوه بر این، GIS می‌تواند روند گسترش بیماری را ترسیم کند و با مدل‌سازی عوامل خطر محیطی که باعث بیماری می‌شوند، تصویری از چگونگی بروز بیماری‌ها ارائه دهد.

روش سنتی کنترل بیماری، بر اساس مشاهدات تجربی، پر زحمت، پرهزینه و زمان بر است. با این حال، با استفاده از تکنیک‌های GIS برای نقشه‌برداری از حضور، تراکم و انتشار فضایی بیماری، می‌توان علل ریشه‌ای بیماری‌ها و منابع عفونت را تعیین کرد. به عنوان مثال، Srinath و همکاران. [ 36 ] گسترش بیماری در ایالت تگزاس ایالات متحده را با استفاده از GIS تجزیه و تحلیل و نقشه‌برداری کرد و همچنین عوامل محیطی را که در ترویج گسترش بیماری‌ها نقش دارند، بررسی کرد. آنها در مطالعه خود تاکید کردند که بین گسترش بیماری و عوامل محیطی رابطه قوی وجود دارد که نیازمند توسعه روش‌های فضایی جدید برای افزایش تحقیقات اپیدمیولوژیک است. به گفته ژانوراکوس [ 37]، محققان بهداشت عمومی به طور فزاینده ای توجه خود را از مدل های علت شناسی بیماری، که منحصراً بر عوامل خطر فردی تمرکز می کنند، به مدل هایی که اثرات پیچیده و قدرتمند محیط اجتماعی-فیزیکی را نیز در نظر می گیرند، تغییر می دهند. مشاهده شده است که بسیاری از بیماری ها بیش از حد در مناطق یا هسته های آندمیک منتشر می شوند، به عنوان مثال، عفونت های مقاربتی (STIs) و (HIV/AIDS). این مناطق اغلب با سطوح بالای تفکیک نژادی/قومی، وضعیت اجتماعی-اقتصادی پایین، و میزان بالای قتل و سایر فعالیت های مجرمانه مشخص می شوند. یکی از مهمترین مبانی اپیدمیولوژی، بررسی خوشه‌بندی احتمالی بیماری‌ها به منظور بررسی این موضوع است که آیا چنین خوشه‌هایی نیاز به بررسی بیشتر دارند یا خیر، آیا احتمال وقوع آنها اتفاقی است یا خیر. یا اینکه آیا آنها تفسیری منطقی از توزیع فضایی جمعیت در معرض خطر را منعکس می کنند. روش‌های خوشه‌بندی فضایی ابزارهای اکتشافی هستند که به محققان و سیاست‌گذاران در درک الگوهای پیچیده جغرافیایی کمک می‌کنند. دانستن اینکه آیا خوشه ها وجود دارند و در کجا قرار دارند، پایه مهمی برای تحقیقات بهداشتی و تدوین سیاست ها فراهم می کند. با این حال، پاسخ به نگرانی‌های جامعه، تنها به کسری از خوشه‌های بالقوه می‌پردازد و احتمالاً در جوامعی که قدرت سیاسی و اقتصادی ندارند، خوشه‌ها را از دست می‌دهد. تجزیه و تحلیل خوشه بندی فضایی یک ابزار موثر در نظارت بر سلامت عمومی است، به ویژه زمانی که روش های خوشه بندی فضایی یکپارچه شده باشند. این امر به طور اجتناب ناپذیری به کشف عوامل و علل مسائل بهداشتی از طریق انجام تحلیل های اکتشافی و تحقیقی بیشتر کمک می کند. ما از یک GIS برای تعریف و مدل‌سازی خوشه‌های فضایی سه بیماری در جده (دیابت، فشار خون بالا و آسم) استفاده کردیم. این با استفاده از مدل هسته و مدل آماری Getis–Ord Gi* به دست آمد.

منابع

Geraghty، E. چرا سلامتی بسیار فضایی است. 2016. در دسترس آنلاین: https://www.youtube.com/watch?v=3p7OFICg9Ak (در 30 ژانویه 2020 قابل دسترسی است).
کریگر، N. مکان، فضا و سلامت: GIS و اپیدمیولوژی. اپیدمیولوژی 2003 ، 14 ، 384. [ Google Scholar ] [ CrossRef ] [ PubMed ]
GISGeography. تاریخچه قابل توجه GIS. 2015. در دسترس آنلاین: https://gisgeography.com/history-of-gis/ (دسترسی در 3 فوریه 2020).
ESRI. GIS برای سلامت عمومی امروز و فردا. 2020. در دسترس آنلاین: https://www.esri.com/news/arcuser/0499/umbrella.html (در 3 فوریه 2020 قابل دسترسی است).
ویلکینسون، پی. گراندی، سی. لاندون، ام. استیونسون، S. GIS در بهداشت عمومی. در GIS و بهداشت ; Gatrell, A., Loytonen, M., Eds. تایلور و فرانسیس: ابینگدون، بریتانیا، 1998; صص 179-189. [ Google Scholar ]
کربی، آر. دلمل، ای. Eberth, J. پیشرفت در اپیدمیولوژی فضایی و سیستم های اطلاعات جغرافیایی. ان اپیدمیول. 2016 ، 27 ، 1-9. [ Google Scholar ] [ CrossRef ] [ PubMed ]
فلچر-لارتی، اس ام. Caprarelli، G. کاربرد فناوری GIS در سلامت عمومی: موفقیت‌ها و چالش‌ها. انگل شناسی 2016 ، 143 ، 1-15. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Nicol, J. سیستم اطلاعات جغرافیایی در سلامت ملی، محدوده اجرا. طرح. چشم انداز 1991 ، 34 ، 37-42. [ Google Scholar ] [ CrossRef ]
مراد، ع. استفاده از سیستم اطلاعات جغرافیایی برای برنامه ریزی بیمارستان های عمومی عمومی شهر جده. محیط زیست دس علمی 2005 ، 3 ، 3-22. [ Google Scholar ] [ CrossRef ]
لاوسون، آ. براون، دبلیو. ویدال-رودیرو، سی. نقشه برداری بیماری با Winbugs و Mlwin . جان وایلی و پسران: چیچستر، بریتانیا، 2003. [ Google Scholar ]
ماهسواران، ر. Craglia، M. GIS در عملکرد بهداشت عمومی ; CRC Press: نیویورک، نیویورک، ایالات متحده آمریکا، 2004; صص 32-34. [ Google Scholar ]
Koch, T. Cartographies of Disease: Maps, Mapping, and Medicine ; ESRI Press: Redlands، CA، USA، 2005. [ Google Scholar ]
انجمن بیمارستان های آمریکا نقشه برداری از نابرابری های مدیکر 2018. در دسترس آنلاین: https://www.aha.org/system/files/2018-12/mapping-medicare-disparities-issue-brief.pdf (در 7 آوریل 2020 قابل دسترسی است).
گولد، پی. والاس، آر. ساختارهای فضایی و پارادوکس های علمی در همه گیری ایدز. Geogr. ان 1994 ، 76 ، 105-116. [ Google Scholar ] [ CrossRef ]
براگا، م. سیسلاقی، ج. لوپی، جی. تاسکو، سی. اطلس مرگ و میر چند منظوره و تعاملی ایتالیا. در GIS و بهداشت ; Gatrell, AC, Löytönen, M., Eds. تیلور و فرانسیس: لندن، بریتانیا، 1998; صص 125-138. [ Google Scholar ]
آیزن، ال. Eisen, R. استفاده از سیستم‌های اطلاعات جغرافیایی و سیستم‌های پشتیبانی تصمیم برای پیش‌بینی، پیشگیری و کنترل بیماری‌های منتقله از طریق ناقل. آنو. کشیش انتومول. 2011 ، 56 ، 41-61. [ Google Scholar ] [ CrossRef ]
رسام، ع. غزالی، ر. نور، ع. محد، دبلیو. حمید، ج. بازلان، م. احمد، N. تکنیک های اپیدمیولوژیک فضایی در نقشه برداری و تجزیه و تحلیل وبا به سمت مدل سازی پیش بینی در مقیاس محلی. IOP Conf. سر. محیط زمین. علمی 2014 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Photis، YN بیماری و جغرافیای مراقبت های بهداشتی: نقشه برداری روندها و الگوها در GIS. علوم بهداشتی J. 2016 ، 10 ، 1-8. [ Google Scholar ]
Sones, M. Reveal: Mapping and Tracking the Spread of Deadly Diseases. 2019. در دسترس آنلاین: https://www.esri.com/about/newsroom/blog/reveal-mapping-and-tracking-the-spread-of-deadly-diseases/ (در 18 دسامبر 2019 قابل دسترسی است).
سانتوس، آ.اس. مدیروس، NG; دوس سانتوس، GR; Filho, JL استفاده از زمین آمار در ارزیابی دقت موقعیتی مطلق داده های مکانی. گاو نر Geod. علمی 2017 ، 23 ، 405-413. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لاوسون، آ. کلینمن ، K. نظارت فضایی و سندرمی برای سلامت عمومی ; جان وایلی و پسران: نیویورک، نیویورک، ایالات متحده آمریکا، 2005; پ. 57. [ Google Scholar ]
لاوسون، آ. Cressie, N. روشهای آماری فضایی برای اپیدمیولوژی محیطی. هندب آمار 2000 ، 18 ، 357-396. [ Google Scholar ]
کارول، LN; Au، AP; Detwiler، LT; فو، تی. نقاش، IS; ابزارهای تجسم و تجزیه و تحلیل Abernethy، NF برای اپیدمیولوژی بیماری های عفونی: یک بررسی سیستماتیک. جی. بیومد. آگاه کردن. 2014 ، 51 ، 287-298. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
گاترل، ا. ارشد، M. برنامه بهداشت و مراقبت های بهداشتی. در اصول و کاربرد سیستم اطلاعات جغرافیایی ; Longley, P., Goodchild, M., Maguire, D., Rhind, D., Eds. جان وایلی و پسران: چیچستر، بریتانیا، 1999; ص 925-938. [ Google Scholar ]
اسری. نحوه عملکرد بیضی انحرافی استاندارد توزیع جهتی 2020. در دسترس آنلاین: https://pro.arcgis.com/en/pro-app/tool-reference/spatial-statistics/h-how-directional-distribution-standard-deviationa.htm (در 2 مه 2020 قابل دسترسی است).
اسری. چگونه تجزیه و تحلیل نقطه داغ (Getis-Ord Gi*) کار می کند. 2020. در دسترس آنلاین: https://pro.arcgis.com/en/pro-app/tool-reference/spatial-statistics/h-how-hot-spot-analysis-getis-ord-gi-spatial-stati.htm (در 2 مه 2020 قابل دسترسی است).
مراد، ا.. تعریف مناطق حوضه آبریز بهداشتی در شهر جده، عربستان سعودی: نمونه ای که کاربرد سیستم های اطلاعات جغرافیایی را نشان می دهد. ژئوسپات. سلامت 2008 ، 2 ، 151-160. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
مراد، ع. استفاده از سیستم های اطلاعات جغرافیایی برای تعریف دسترسی به امکانات مراقبت های بهداشتی در شهر جده، عربستان سعودی. ژئوسپات. سلامت 2014 ، 8 ، 661-669. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
حسین، س. فرهان، س. Alnasser, S. روندهای زمانی و تنوع منطقه ای در شیوع آسم و عوامل مرتبط در عربستان سعودی: یک مرور سیستماتیک و متاآنالیز. Biomed Res. بین المللی 2018 ، 2018 ، 9. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
اریاندو، تی. سوزانا، دی. پراتیوی، دی. Nugraha، F. مدل های بیضی انحرافی استاندارد (SDE) برای نظارت بر مالاریا، مطالعه موردی: منطقه سوکابومی-اندونزی، در سال 2012. مالار. J. 2012 , 11 , P130. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
دونگ، دبلیو. یانگ، ک. خو، Q. لیو، ال. چن، جی. تجزیه و تحلیل الگوی فضایی-زمانی برای ارزیابی شیوع عفونت های انسانی با ویروس آنفلوانزای پرندگان A(H7N9) در چین، 2013-2014. BMC Infect دیس 2017 ، 17 ، 704. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
لطیف، ز. محمد، MH نقشه برداری توزیع شیوع دنگی با استفاده از آمار مکانی و سیستم اطلاعات جغرافیایی. در مجموعه مقالات دومین کنفرانس بین المللی علوم و امنیت اطلاعات (ICISS)، سئول، کره، 14 تا 16 دسامبر 2015. صص 1-6. [ Google Scholar ]
چایکائو، ن. تریپاتی، ن. سوریس، ام. بررسی الگوهای فضایی و نقاط داغ اسهال در چیانگ مای، تایلند. بین المللی J. Health Geogr. 2009 ، 8 ، 36. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
ساکسنا، ر. ناگپال، بی. داس، م. سریواستاوا، ا. گوپتا، اس. کومار، ا. جیاسیلان، ع. Baraik, V. یک رویکرد آماری فضایی برای تجزیه و تحلیل وضعیت مالاریا در سطح خرد برای کنترل اولویت در منطقه رانچی، Jharkhand. هندی J. Med Res. 2012 ، 136 ، 776-782. [ Google Scholar ]
کارنس، آ. Ogneva-Himmelberger، Y. تغییرات زمانی در توزیع ویروس نیل غربی در ایالات متحده، 2000-2008. Appl. تف کردن مقعدی سیاست 2011 ، 5 ، 211-229. [ Google Scholar ] [ CrossRef ]
Srinath، I. سونیی، بی. استیو گاسنت، ام. لوپیانی، بی. Gautam, R. سیستم های اطلاعات جغرافیایی: ابزاری برای نقشه برداری و تجزیه و تحلیل گسترش بیماری. J. اطلاع رسانی سلامت عمومی. 2013 ، 5 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Geanuracos, C. استفاده از سیستم های اطلاعات جغرافیایی برای برنامه ریزی مداخلات پیشگیری از HIV برای جوانان در معرض خطر. صبح. J. بهداشت عمومی 2011 ، 97 ، 1974-1981. [ Google Scholar ] [ CrossRef ]

شکل 1. توزیع فضایی بیماران آسم.

شکل 2. توزیع فضایی بیماران فشار خون بالا.

شکل 3. توزیع فضایی بیماران دیابتی.

شکل 4. بیضی های انحرافی استاندارد برای بیماران آسم.

شکل 5. بیضی های انحرافی استاندارد برای بیماران مبتلا به فشار خون بالا.

شکل 6. بیضی های انحرافی استاندارد برای بیماران دیابتی.

شکل 7. تراکم هسته برای بیماران مبتلا به آسم.

شکل 8. تراکم هسته برای بیماران مبتلا به فشار خون بالا.

شکل 9. تراکم هسته برای بیماران دیابتی.

شکل 10. تجزیه و تحلیل Hotspot برای بیماران آسم.

شکل 11. تجزیه و تحلیل Hotspot برای بیماران مبتلا به فشار خون بالا.

شکل 12. تجزیه و تحلیل Hotspot برای بیماران دیابتی.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

خلاصه

کلید واژه ها:

1. معرفی