در حالی که COVID-19 یک بیماری همه گیر جهانی است، کشورهای مختلف الگوهای مرگ و میر متفاوتی را تجربه کرده اند. ما از مارس 2020 تا فوریه 2021 با استفاده از داده های ارائه شده توسط آژانس بهداشت عمومی سوئد، تجزیه و تحلیل تغییر مکان-زمان گذشته نگر و آینده نگر را روی سوابق مثبت COVID-19 در شهرداری های مختلف سوئد از مارس 2020 تا فوریه 2021 به کار می گیریم. تا جایی که ما می دانیم، این اولین مطالعه ای است که خوشه بندی فضا-زمان COVID-19 در سطح کشور را بر اساس فصل به فصل تجزیه و تحلیل می کند. نتایج ما نشان می‌دهد که شهرداری‌های مختلف در سوئد میزان متفاوتی از خوشه‌بندی COVID-19 وابسته به فصل را در هر دو بعد مکانی و زمانی تجربه کردند. دلایل تفاوت های مشاهده شده را می توان به تفاوت در مواجهه قبلی با ویروس، سخت گیری محدودیت های اجتماعی، قابلیت های آزمایش و آمادگی این مطالعه با نمایه‌سازی خوشه‌های فضا-زمان COVID-19 قبل از معرفی واکسن‌ها، با ارائه شواهد قابل قبولی در ارزیابی اینکه کدام مداخلات اپیدمیولوژیک در مناطق مختلف می‌توانست مؤثر باشد و چه چیزی می‌تواند مؤثر نباشد، به تلاش‌های بهداشت عمومی با هدف مهار ویروس کمک می‌کند.

کلید واژه ها:

COVID-19 ؛ خوشه های فضا-زمان ؛ گذشته نگر ; SaTScan _ سوئد

1. مقدمه

بیماری کرونا اولین بار در دسامبر 2019 در استان ووهان چین کشف شد [ 1 ] و از آن زمان به تمام نقاط جهان سرایت کرده و در مارس 2020 توسط سازمان بهداشت جهانی (WHO) به عنوان یک بیماری همه گیر جهانی اعلام شد که تعداد موارد تایید شده موارد به 200000، مرگ و میر به 8000 و موارد در 160 کشور گزارش شده است [ 2 ]. COVID-19 توسط یک کروناویروس جدید ایجاد می شود که ساختار آن به خانواده ویروس های سندرم حاد تنفسی (SARS) مربوط می شود [ 3 ] و با یک بیماری تنفسی مشخص می شود که گاهی منجر به مرگ می شود. به طور کلی، میزان مرگ و میر COVID-19 بین 1٪ تا 5٪ تخمین زده می شود [ 4]. تا 22 آوریل 2022، نرخ مرگ و میر 1.22٪ (507,912,123 مورد و 6,236,644 مرگ) در سطح جهانی بود [ 5 ].
پس از یک سال (از 30 مارس 2021) پس از همه گیری، 127 میلیون مورد تایید شده و 2.7 میلیون مرگ در سراسر جهان وجود داشته است [ 6 ]. از این تعداد، سوئد 780000 مورد تایید شده و 13000 مرگ [ 6 ] داشت که به ترتیب 0.61% و 0.48% موارد و مرگ جهانی را نشان می‌دهد. با توجه به اینکه جمعیت سوئد (10 میلیون) معادل 0.13 درصد از کل جمعیت جهان (7.8 میلیارد) است، درصد عوارض و مرگ و میر COVID-19 نشان می دهد که جمعیت سوئد بیش از میانگین جمعیت تحت تأثیر قرار گرفته است. در حالی که دلایل این پویایی می تواند بسیار باشد، به طور کلی می توان گفت که شمال جهانی (از جمله سوئد) بیشتر از جنوب جهانی تحت تأثیر همه گیری قرار گرفت [ 7 ].
چندین محقق این بار نامتناسب بیماری COVID-19 در شمال جهانی را به دلیل دیگر فرضیه‌ها، این واقعیت است که این منطقه شرایط آب و هوایی سردتری را تجربه می‌کند که مشخصه آن دوره‌های زمستان سردتر طولانی‌تر در مقایسه با شرایط آب و هوایی گرم‌تر است که عموماً در جنوب جهانی غالب است [ 8 ]. ، 9 ]. دماهای سرد برای بقای ویروس های سرماخوردگی و همچنین کاهش ایمنی در انسان با اصلاح پاسخ سلولی و مولکولی بدن به عفونت ها در دستگاه تنفسی فوقانی شناخته شده است [ 10 ]. با این حال، مشخص نیست که آیا این شرایط فصلی جغرافیایی به طور کامل نابرابری بار بیماری مشاهده شده در دو منطقه را توضیح می دهد یا خیر. به این ترتیب، Adedokun، Olarinmoye [ 11] در نتیجه گیری خود ارائه کردند که نیاز به مطالعات بیشتری برای توصیف و شناسایی فصلی بودن بالقوه موارد COVID-19 وجود دارد.
مطالعه فصلی کووید-19، از زمان شروع همه‌گیری، جامعه تحقیقاتی را مورد توجه قرار داده است [ 12 ]. این جستجو بر این فرض استوار است که اگر بیماری همه گیر به فصل ها پاسخ دهد یا به طور قابل توجهی تحت تأثیر آن قرار گیرد، گسترش آشکار آن الگوهای مشابهی را نشان می دهد. به عنوان مثال، Zoran، Savastru [ 13 ] از طریق مطالعه خود در مورد عوامل فصلی و امواج COVID-19 در مادرید، اسپانیا دریافتند که دمای هوا، رطوبت نسبی، فشار هوا و سرعت باد تأثیر قابل‌توجهی بر گسترش COVID-19 با شیوع همه‌گیری دارند. بروز بالا در فصول زمستان بهار و بروز کمتر در طول فصول تابستان.
علاوه بر این، از طریق مطالعه مروری جامع آنها بر روی تأثیرات دما، رطوبت و سایر عوامل هواشناسی (بارش، تابش خورشیدی، سرعت باد) در سطح جهانی (ایالات متحده آمریکا، نروژ، هند، سنگاپور، چین، برزیل، ترکیه، هلند و مکزیک) )، بیون، هیو [ 14 ] کووید-19 را فصلی دانست که با رابطه معکوس آن با دما و رطوبت مشهود است. با این حال، آنها تأکید کردند که تجزیه و تحلیل‌های منطقه محلی نتایج مبهمی را به‌ویژه در مورد تأثیر رطوبت بر انتقال COVID-19 به دست آورده است، از این رو از مطالعات بیشتر در مقیاس محلی برای درک بهتر فصلی COVID-19 حمایت کردند – با توجه به اینکه اکنون داده‌های موردی کامل چرخه فصلی وجود دارد. موجودند.
مطالعاتی که از داده‌های موردی چرخه فصل کامل استفاده می‌کنند هنوز اندک هستند. برای سوئد، هیئت بهداشت و رفاه سوئد [ 15 ] مروری بر وضعیت کووید-19 منتشر می‌کند، اما مطالعات کمتری برای شناسایی خوشه‌هایی از بار بالای موارد بیماری و فصولی که این بار شیوع داشت، عمیق انجام شده است. این مطالعه به تجزیه و تحلیل خوشه‌بندی مکانی-زمانی خاص فصلی موارد COVID-19 که به طور رسمی در سوئد گزارش شده است، می‌پردازد. این سازمان به دنبال انجام این کار برای یک دوره قبل از معرفی کمپین های ایمن سازی در سراسر کشور است. چرخه کامل فصل قبل از ایمن‌سازی انتخاب شد زیرا ما معتقدیم که ایمن‌سازی پویایی اولیه بیماری همه‌گیر را از روندهای «طبیعی» آن تغییر داد. گفتنی است، همچنین از اقدامات قرنطینه و فاصله گذاری اجتماعی که در کشور اجرا شده است، قدردانی می شود [16 ] می توانست بر الگوهای موردی به دست آمده در این تحلیل تأثیر بگذارد [ 17 ].
علاوه بر این، حتی در داخل یک کشور (در این مورد سوئد)، همه مناطق به طور یکسان تحت تأثیر قرار نمی گیرند. از دیدگاه بقا در سطح فردی، درفال، والاس [ 18 ] این عدم تناسب فضایی کلی در بار مرگ و میر COVID-19 در سراسر مناطق در سوئد را به تعامل ویروس عامل COVID-19 و محیط اجتماعی آن نسبت داد. بنابراین آنها توضیح دادند که معمولاً مرد بودن، داشتن درآمد قابل تصرف کمتر، تحصیلات پایین و مجرد بودن به طور مستقل فرد را مستعد خطرات بالاتر مرگ ناشی از COVID-19 می کند. در سطح شهرستان، Gémes، Talbäck [ 19] از تجزیه و تحلیل پیش آگهی برای تأکید بر تعامل نسبی بین داشتن بیماری های زمینه ای بالای 70 سال، ابتلا به بیماری قلبی عروقی، سرطان، بیماری انسدادی مزمن پنوماتیک/ریوی (COPD)، آسم شدید یا دیابت، و سهم آنها در ابتلا به کووید-19 شدید استفاده کرد. . آنها به ویژه بر نیاز به تجسم فضایی الگوهای سراسری برای کمک به برنامه ریزی و مداخله اپیدمیولوژیک هدفمند تأکید کردند.
برای مداخله هدفمند موثر، بار نسبی بیماری موضعی باید قبل از تقسیم پاسخ‌های اپیدمیولوژیک متناسب ارزیابی شود. روش‌های مکانی و/یا زمانی متعددی قبلاً برای ارزیابی چنین نسبیت در بار بیماری‌های محلی استفاده شده است، از جمله، اما نه محدود به استفاده از ماشین تحلیل جغرافیایی (GAM) برای بررسی خوشه‌های لوسمی در شمال انگلستان توسط Openshaw، Charlton [ 20 ]. استفاده از سایر روش های فضایی به طور گسترده توسط پولان، استوروک [ 21 ] و همچنین کاربرد آمار اسکن فضا-زمان [ 22 ] مورد بحث قرار گرفت.
استفاده از آمار اسکن فضا-زمان به طور خاص برای نظارت به موقع خوشه های در حال ظهور مهم است همانطور که در خوشه بندی شیگلوز [ 23 ، 24 ]، سرطان تیروئید [ 25 ]، سرخک [ 26 ، 27 ] و مهمتر از همه COVID-19 استفاده شده است. همانطور که توسط Hohl، Delmelle [ 28 ] و Desjardins، Hohl [ 29 ] در ایالات متحده آمریکا، Gomes، Andrade [ 30 ] در برزیل، Mesrur، Yu [ 31 ] استفاده شد.] در بنگلادش، به ذکر چند مورد. به عنوان یک بیماری همه گیر در حال انجام، جزئیات مناطقی که بیماری در آن شیوع بیشتری داشته یا در حال حاضر شیوع بیشتری دارد، برای آماده سازی اپیدمیولوژیک، تخصیص منابع و استقرار پرسنل پزشکی آموزنده است.
برای این منظور، مطالعه فعلی ما پیشنهاد می‌کند که خوشه‌های فضایی مشاهده‌شده را در پرتو فصول موجود در سوئد انتخاب کنیم. به این ترتیب، فعالیت‌های مختلف اجتماعی-اقتصادی در فصول مختلف و به‌ویژه آن‌هایی که تجمع اجتماعی یا انزوای اجتماعی را ترویج می‌کنند، می‌توانند برای توضیح معقول الگوهای مشاهده‌شده موارد COVID-19 مورد استفاده قرار گیرند. در نتیجه، مطالعه از تأثیر اصلاح‌کننده محدودیت‌های متعددی که در این مدت اجرا شده بود آگاه است. با این وجود، ما متقاعد شده‌ایم که فصلی بودن سرنخ‌هایی درباره نحوه مدیریت همه‌گیری ارائه می‌دهد. علاوه بر این، دوره مطالعه به گونه ای انتخاب شد که از تأثیر ایمن سازی بزرگسالان COVID-19 جلوگیری کند. بنابراین، موارد گزارش شده را قبل از ایمن سازی اجباری در سوئد مورد تجزیه و تحلیل قرار داد.
این مطالعه به تلاش‌های مداوم نظارت بر COVID-19 در سوئد با نمایه‌سازی پیشرفت COVID-19، بر اساس فصلی کمک می‌کند. همچنین خوشه های فضا-زمان فعلی در کشور را به صورت آینده نگر ارزیابی می کند. این پروفایل، به ویژه قبل از معرفی واکسیناسیون انبوه، برای ارائه دهندگان مراقبت های بهداشتی و برنامه ریزان آموزنده است زیرا مکانیسم های مبتنی بر شواهد را برای ارزیابی مداخلات اپیدمیولوژیک مختلف اتخاذ شده توسط مناطق مختلف و نحوه واکنش موارد COVID-19 به چنین مداخلاتی در سطح محلی ارائه می دهد.
بنابراین، هدف اصلی این مطالعه، ارزیابی خوشه‌های فضا-زمان گذشته‌نگر و آینده‌نگر اپیدمی COVID-19 در چهار فصل با استفاده از رکوردهای هفتگی COVID-19 در سطح شهرداری در سوئد است که توسط آژانس بهداشت عمومی سوئد ارائه شده است. (Folkhälsomyndigheten) از مارس 2020 تا فوریه 2021. بقیه مقاله به شرح زیر سازماندهی شده است: بخش دوم داده ها و روش های کاربردی را بررسی می کند، بخش سوم نتایج را به طور خلاصه بیان می کند، بخش چهارم نتایج را مورد بحث قرار می دهد و در نهایت، بخش پنجم ارائه می کند. نتیجه گیری

2. مواد و روشها

2.1. داده ها

2.1.1. داده های COVID-19

سوابق COVID-19 توسط آژانس بهداشت عمومی سوئد-Folkhälsomyndigheten [ 32 ] ارائه شده است. پایگاه داده COVID-19 روزانه (برای مناطق) به روز می شود. با این حال، برای مقیاس‌های فضایی دقیق‌تر (شهرداری)، رکوردها جمع‌آوری می‌شوند و به‌صورت به‌روزرسانی هفتگی، در یک فایل اکسل قابل دانلود ارائه می‌شوند.
دوره تجزیه و تحلیل چهار فصل سال 2020 بود: بهار، تابستان، پاییز و زمستان (2020/2021). دوره شروع (بهار، 2020) تجزیه و تحلیل همزمان با دوره ای است که موارد COVID-19 در سوئد قابل توجه است (بیش از 100 مورد). همچنین تقریباً همان زمانی است که سازمان بهداشت جهانی آن را یک بیماری همه گیر جهانی اعلام کرد [ 14 ]. این منطقی بود که از هفته 11 2020 در تحلیل شروع شد. سوئد و خلاصه مشخصات مورد COVID-19 برای چهار فصل در شکل 1 نشان داده شده است.
2.1.2. محدوده شهرداری
اطلاعات مرزهای دیجیتالی مناطق آمار جمعیتی (DeSO) از پورتال Geodata آمار سوئد [ 33 ] به دست آمد. مزیت استفاده از مرزهای DeSO این است که علاوه بر ثابت بودن در طول زمان (در طول زمان تغییر نخواهد کرد)، از مرزهای شهرداری پیروی می کنند و تا سطح شهرداری تجمیع می شوند. این توانایی برای تجمیع در شهرداری برای فروپاشی واحدهای DeSO در شهرداری‌های حاوی آنها مورد استفاده قرار گرفت. این برای قابلیت همکاری ضروری بود زیرا داده های هفتگی COVID-19 در سطح شهرداری ثبت می شد. مجموعه داده DeSO به عنوان یک بسته جغرافیایی (فایل zip) ارائه شد و دستکاری در ArcMap 10.5 ESRI تکمیل شد.

2.2. مواد و روش ها

جابجایی گذشته نگر و آینده نگر فضا-زمان

آمار اسکن جایگشت فضا-زمان، خوشه های فضا-زمان موجود یا فعال را با استفاده از استوانه های متعدد همپوشانی برای تعریف پنجره اسکن ارزیابی می کند. در این تنظیم، هر پنجره دارای پتانسیل شیوع (خوشه) است، با پایه استوانه که منطقه جغرافیایی خوشه پتانسیل را مشخص می کند [ 25 ].
به طور معمول، پنجره بر روی تعداد محدودی از نقاط مکانی (شهرداری) تکرار می شود، و به تدریج شعاع دایره را از صفر به حداکثر مقدار از پیش تعریف شده، افزایش می دهد که توسط کاربر تنظیم شده است. ارتفاع استوانه نشان‌دهنده بعد زمانی است (هفته‌ها در مورد ما)، با هفته آخر همیشه همراه با تعداد متغیری از هفته‌های قبل تا حداکثر مقدار از پیش تعریف‌شده (توسط کاربر) در صورتی که آمار به معنای آینده نگر استفاده شود، همانطور که در این مطالعه استفاده شده است. جایگشت فضا-زمان از پواسون و دیگر مدل‌های احتمال آمار اسکن انحراف دارد زیرا به جمعیت در معرض خطر نیاز ندارد. این با گزارش COVID-19 که به طور مداوم فقط با تعداد موارد (میزان بیماری و مرگ و میر) گزارش شده است مطابقت دارد [ 28 ].

فرض کنید تعداد موارد هفتگی برای یک شهرداری معین را داریم، nzdتعداد موارد در شهرداری است zدر طول هفته د. تعداد کل موارد ( ن) در رابطه (1) آورده شده است.

N =∑z∑دnzd

تعداد مورد انتظار برای هر شهرداری و هفته μzdشرطی شدن در حاشیه های مشاهده شده توسط رابطه (2) محاسبه می شود.

μzd=1ن(∑znzd) (∑دnzd)

تعداد مورد انتظار μبدر یک سیلندر خاص، بجمع انتظارات در تمام هفته های شهرداری در داخل سیلندر است ببا معادله (3) به دست می آید.

μب=∑( z , d ) ∈ Bμzd

بر اساس این تقریب، نسبت احتمال تعمیم یافته پواسون (GLR) برای نشان دادن اینکه آیا یک استوانه معین بطغیان (خوشه ای) با مقایسه تعداد موارد مشاهده شده و مورد انتظار، در داخل و خارج از سیلندر، مطابق با رابطه (4) است.

GLR =(nبμب)nب(N − nبN – μب)N − nب
از میان بسیاری از استوانه‌های ارزیابی‌شده، استوانه‌ای با حداکثر GLR، خوشه فضا-زمانی از مواردی را تشکیل می‌دهد که کمتر احتمال دارد به‌طور تصادفی رخ داده باشند و کاندیدای شیوع واقعی در نظر گرفته می‌شود.
با توجه به تعداد زیادی مکان، اندازه و طول زمانی، نتایج به‌دست‌آمده باید برای مشکلات متعدد آزمایشی تنظیم شوند. در غیاب جمعیت در معرض خطر، این با ایجاد تعداد زیادی جایگشت تصادفی در هر دو ویژگی مکانی و زمانی هر مورد در مجموعه داده به دست می‌آید، و اطمینان حاصل می‌شود که حاشیه‌ها بدون تغییر باقی می‌مانند. سپس محتمل ترین خوشه برای این مجموعه داده شبیه سازی شده همانطور که برای داده های واقعی انجام شد محاسبه می شود. معناداری آماری با استفاده از آزمون فرضیه مونت کارلو ارزیابی شد. تحت تنظیمات آینده نگر، نرخ وقوع صفر نیز گزارش می شود – زمان مورد انتظار بین مشاهده یک سیگنال شیوع با GLR برابر یا بالاتر، تحت فرضیه صفر. مانند هر محاسبه می شود 1 / صواحدهای زمانی [ 29 ].
پس از آزمایش حساسیت، این تجزیه و تحلیل مرزهای بالای پیش فرض را برای پنجره فضایی (50٪ از جمعیت در معرض خطر) حفظ کرد، در حالی که حداکثر اندازه خوشه زمانی روی 50٪ از دوره مطالعه تنظیم شد. حداقل اندازه خوشه زمانی 3 هفته و حداقل تعداد موارد در یک خوشه 10 تعیین شد.

3. نتایج

3.1. نمایه موارد گزارش شده COVID-19

خلاصه آمار موارد گزارش شده از زمان اعلام بیماری به عنوان همه گیری (هفته یازدهم) تا آخرین ماه (هفته 60) درست قبل از اجرای ایمن سازی سراسری به شرح زیر است. در سطح ملی، 627338 مورد تایید شده در طول دوره مطالعه وجود داشت. میانگین تعداد موارد هفتگی کشور 12547 و میانگین تعداد موارد هفتگی 4174 مورد بود. از نظر گرافیکی، روندها همانطور که در شکل 2 نشان داده شده است خلاصه شدند .
شکل 2 الف نشان می دهد که به طور کلی، تعداد موارد گزارش شده هفتگی COVID-19 از بهار 2020 تا تابستان 2020 با کاهش جزئی در فصل تابستان افزایش یافته است. فصل پاییز 2020 با افزایش تقریباً تصاعدی در تعداد موارد گزارش شده مشخص شد. اوج در هفته های اول فصل زمستان (هفته 52) بود. این کاهش شدید در تعداد موارد گزارش شده به دنبال داشت زیرا فصل زمستان پیش از افزایش دیگری در هفته های 57 تا 60 زمستان 2020-2021 پیش می رفت.
هر فصل بعدی با الگوهای تقریباً متضاد مشخص می شود همانطور که توسط نمودارهای فصلی در سمت راست شکل 2 B-E نشان داده شده است. به عنوان مثال، فصل بهار ( شکل 2 B) افزایش تدریجی تعداد موارد گزارش شده را نشان می دهد، در حالی که فصل تابستان ( شکل 2 C) کاهش شدید موارد را قبل از اینکه اعداد تقریباً در پایین ترین سطح حفظ شوند را نشان می دهد. فصل پاییز ( شکل 2 D) از سوی دیگر افزایش مجدد موارد را نشان می دهد، این بار افزایش شدیدتر. فصل زمستان ( شکل 2ه) کاهش در موارد قبل از افزایش دیگری در موارد به سمت پایان را نشان می دهد. از نظر اعداد مطلق، میانگین موارد هفتگی ثبت شده از بهار 3132، در تابستان به 3094، در پاییز به 15849 و در زمستان 30942 مورد شروع شد.
در حالی که این روندهای کلی در سطح ملی آموزنده هستند، به ویژه با توجه به تفکیک آنها در فصول مختلف، شکل 2 مناطقی را که بار پرونده بیشتر بود نشان نمی دهد، بنابراین مناطق اولویت را مشخص نمی کند. این در این مطالعه از طریق تجزیه و تحلیل جایگشت فضا-زمان موارد گزارش شده برای چهار فصل حل شد.
خوشه‌های COVID-19 که در هر فصل وجود داشتند و آنهایی که تا پایان هر فصل ادامه داشتند با استفاده از دو نوع تجزیه و تحلیل جابه‌جایی فضا-زمان (بازنگر و آینده‌نگر) تجزیه و تحلیل شدند. تجزیه و تحلیل گذشته نگر، خوشه هایی را که در دوره تحلیل وجود داشته اند، ارزیابی می کند. از آنجایی که ماهیت تجزیه و تحلیل گذشته‌نگر به عقب است، و همانطور که از آزمایش‌های ما نشان داده شد، نسبت به خوشه‌هایی که در پایان هر فصل ظاهر می‌شدند (خیلی) حساس نیست. برای ارزیابی خوشه‌های در حال ظهور و خوشه‌هایی که با پایان فصل‌ها همچنان پایدار بودند، از نوع آینده‌نگر تحلیل جایگشت فضا-زمان استفاده شد. سپس دو مجموعه حاصل از خوشه‌ها به صورت فضایی برای تجسم، تفسیر و بحث روی هم قرار گرفتند. برای تجسم، خوشه‌های گذشته‌نگر در این مقاله با هفته‌های وقوعشان برچسب‌گذاری شده‌اند در حالی که خوشه‌های آینده نگر با اعداد (آبی) برچسب‌گذاری شده‌اند، همانطور که سایر جزئیات آنها در جداول آمده است. به این منظور،شکل 3 برای تجسم خوشه های مکانی-زمانی در چهار فصل تحلیل (بهار 2020، تابستان 2020، پاییز 2020 و زمستان 2020/21) استفاده می شود.
شکل 3 خوشه ها را از تحلیل فضا-زمان گذشته نگر و آینده نگر نشان می دهد. از منظر کلی، شکل 3 سه جنبه را که ارزش بررسی بیشتر دارند را به نمایش می‌گذارد: (1) با پیشروی فصول، یک حرکت کلی از خوشه‌های مورد COVID-19 به سمت شمال وجود داشت («شمال‌بندی» کلی خوشه‌ها). (2) خوشه های بزرگتر در تابستان و زمستان در مقایسه با خوشه های به دست آمده در فصل بهار و پاییز مشاهده شد. این جنبه با محاسبه میانگین قطر خوشه در جدول 1 واضح تر می شود . (3) تعداد خوشه ها در طول فصول بهار و پاییز افزایش می یابد. با این حال، این خوشه ها، اگرچه متعدد هستند، اما کوچکتر از خوشه های فصل تابستان و زمستان هستند.
از نظر تعداد، فصل بهار دارای 3 خوشه گذشته نگر و 9 خوشه آینده نگر بود. فصل تابستان دارای 5 خوشه گذشته نگر و 6 خوشه آینده نگر بود. فصل پاییز با 9 خوشه گذشته نگر و 11 خوشه آینده نگر بیشترین تعداد خوشه را داشت. در نهایت، فصل زمستان دارای 4 خوشه گذشته نگر و 6 خوشه آینده نگر بود. با توجه به تعداد خوشه ها، می توان استنباط کرد که تحلیل گذشته نگر نسبت به تحلیل آینده نگر حساسیت کمتری دارد. این امر به ویژه زمانی که خوشه ها در اواخر فصل ظاهر شدند، بیشتر بود. به همین دلیل، متعاقباً به خوشه های آینده توجه بیشتری می شود.
جزئیات دقیق خوشه های آینده نگر در جدول 1 آورده شده است. این ویژگی ها شامل تعداد خوشه، مدت زمان، اندازه گیری معنی داری ( p و t-Statistic)، موارد مشاهده شده، موارد مورد انتظار، نسبت مشاهده شده به مورد انتظار (O/E)، تعداد شهرداری های درگیر و قطر خوشه در کیلومتر

3.2. نتایج در سطح شهرداری – بهار 2020 (هفته 11 تا هفته 23)

جدول 1 ویژگی های خوشه های معنی دار آینده نگر را برای کل دوره مطالعه نشان می دهد. این نشان می دهد که بیشتر خوشه ها برای فصل بهار از هفته 21 تا هفته 23 (خوشه های 1-3، 6، 7)، از جمله بزرگترین خوشه در بخش های جنوب غربی سوئد بودند. همچنین می توان مشاهده کرد که به غیر از 4 خوشه اول (بیش از 100 مورد)، موارد مشاهده شده همچنان کم بوده است. علاوه بر این، 4 خوشه از 9 خوشه، خوشه های تک سایتی (قطر خوشه 0.00) بودند. میانگین و انحراف معیار موارد مشاهده شده به ترتیب 8/623 و 1349 بود.
مکان این خوشه های فضا-زمان که تا پایان فصل بهار ادامه داشتند را می توان در شکل 3 (سمت چپ ترین پانل) مشاهده کرد. این نشان می‌دهد که 3 خوشه اصلی تا پایان فصل بهار ماندگار بوده و در مجموع 9 خوشه مهم وجود داشته است. اینها عمدتاً در جنوب غربی (شهرستان کالمار)، جنوب شرقی (شهرستان‌های وسترا گوتالند و ورملند) و خوشه‌ای دیگر در اطراف شهرستان گاولبورگ بودند. همچنین نشان می دهد که استکهلم و مناطق اطراف آن هنوز عاری از هر گونه خوشه بودند. همین امر برای منطقه اسکانه در جنوبی ترین انتهای سوئد نیز صادق است.
خوشه های گذشته نگر بهار در شکل 3 یک خوشه اولیه را در اطراف استکهلم و شهرستان های اطراف اوسترگوتلند، سودرمانلند و وستمانلند نشان می دهند. این خوشه‌های خاص در اوایل همه‌گیری در حدود هفته دوازدهم تا شانزدهم سال 2020 رخ دادند. خوشه‌های دیگر شناسایی‌شده با خوشه‌های حاصل از تجزیه و تحلیل آینده نگر در هر دو بعد مکانی و زمانی منطبق بودند – Västra Götaland و Gävleborg در هفته‌های 21-23.

3.3. نتایج در سطح شهرداری — تابستان 2020 (هفته 24 تا هفته 36)

جدول 1 همچنین ویژگی های آماری خوشه های فضا-زمان را ارائه می دهد که تا پایان فصل تابستان 2020 ادامه داشتند. 6 خوشه مکان-زمان قابل توجه وجود داشت که بزرگترین آنها حدود 190 کیلومتر قطر داشت در حالی که کوچکترین آنها یک مکان واحد بود. خوشه. دامنه موارد مشاهده شده 1616-1626 بود در حالی که میانگین و انحراف معیار به ترتیب 391.3 و 608.1 بود.
از نقطه نظر مکان خوشه ها، خوشه های آینده نگر تابستانی در سراسر سوئد با اکثر آنها در جنوب کشور توزیع شدند. شکل 3 (پانل دوم سمت چپ) مکان این خوشه ها را نشان می دهد. بزرگترین خوشه شامل شهرستان های اسکان، بلکینگ، کرونوبرگ و هالند بود. دومین خوشه بزرگ در اطراف شهرستان دالارنا قرار داشت. 3 خوشه دیگر در شهرستان های Kalmar و Västra Götaland بودند.
خوشه‌های گذشته‌نگر تابستانی در شکل 3 نیز عمدتاً در بخش‌های جنوبی سوئد بودند و بین هفته‌های 24 تا 26 در اطراف شهرستان اوسترگوتلند، هفته‌های 27 تا 30 در اطراف شهرستان‌های گاولبورگ و دالارنا و هفته‌های 33 تا 36 در اطراف اسکانه و مناطق شمالی آن وجود داشتند. کرونوبرگ بلکینگ و هالند.

3.4. نتایج در سطح شهرداری—پاییز 2020 (هفته 37–هفته 49)

علاوه بر این، جدول 1 آمار خوشه ای آینده نگر فصل پاییز را نشان می دهد. مشاهده می شود که تعداد خوشه های قابل توجه در این فصل بیشترین تعداد را داشته است. در مجموع 11 خوشه وجود داشت که بزرگترین آنها در حدود 135 کیلومتر و کوچکترین آنها 30 کیلومتر با یک خوشه مکان واحد بود. دامنه موارد مشاهده شده 14072-289 بود – میانگین 3820.5 در حالی که انحراف معیار 3975.5 بود.
فصل پاییز با افزایش تعداد خوشه ها مطابق شکل 3 (پانل دوم سمت راست) مشخص شد. 11 خوشه قابل توجه وجود داشت، حتی زمانی که تنها 9 خوشه کاملاً متمایز به نظر می رسید. بزرگترین خوشه در شمال استکهلم در اطراف شهرستان های Västernorrland و Gävleborg قرار داشت. دومین منطقه بزرگ در جنوب غربی اطراف Västra Götaland و Värmland قرار داشت. سومین بزرگ در اطراف منطقه Skåne قرار داشت. سایر خوشه های نسبتا کوچکتر در اطراف منطقه کالمار، مناطق استکهلم و اوپسالا و نواحی غرب استکهلم به سمت وسترا گوتالند بودند.
برای خوشه‌های گذشته‌نگر فصل پاییز در شکل 3 ، تعداد آن‌ها بالاترین رقم بود و اکثر آنها به‌طور حداقلی خوشه‌های آینده‌نگر را قطع می‌کردند. اینها عمدتاً در اوپسالا، دالارنا، اوسترگوتلند و هالند بودند. خوشه‌های گذشته‌نگر در اطراف Skåne و Västernorrland County با خوشه‌های آینده نگر برای هفته‌های 47-49 همپوشانی داشتند.

3.5. نتایج در سطح شهرداری—زمستان 2020/21 (هفته 50–هفته 60)

بخش پایانی جدول 1 آمار خوشه‌های فضا-زمانی را ارائه می‌کند که در فصل زمستان 2020/21 ادامه داشتند. این نشان می دهد که 6 خوشه قابل توجه وجود دارد که بزرگترین آنها حدود 228 کیلومتر است و 2 خوشه از آنها خوشه های تک مکان هستند. موارد مشاهده شده برای خوشه های مختلف از 47387 برای خوشه 2 تا 170 برای خوشه 6 متغیر بود. دامنه، میانگین و انحراف معیار موارد مشاهده شده به ترتیب 47387-170، 10092.5 و 18567.8 بود.
توزیع فضایی برای خوشه های آینده نگر در فصل زمستان در شکل 3 (راست ترین پانل) نشان داده شده است. این نشان می‌دهد که بزرگترین خوشه بیشتر مناطق اطراف بخش‌های جنوب غربی کشور، به استثنای شهرستان‌های Skåne و Blekinge را پوشش می‌دهد. دومین شهر بزرگ در شمال کشور واقع شده است و شامل شهرداری های شهرستان های Västerbotten و Norrbotten است. سومین شهر بزرگ در غرب واقع شده و شامل شهرداری های شهرستان دالارنا می شود. آخرین خوشه غیرمکانی شامل شهرداری های شهرستان استکهلم است.
خوشه‌های گذشته‌نگر تابستانی در شکل 3 ، خوشه‌های شرقی کمتر اما گسترده را در بخش‌های میانه شمالی (Västerbotten)، شهرستان‌های میانی (استکهلم، دالارنا، اوپسالا، و گاولبورگ) و شهرستان‌های جنوبی (Skåne، Blekinge، Kalmar، Jösternköping، Jösterbotten) نشان می‌دهند. و گوتلند) سوئد. فقط خوشه میانه شمالی منطبق بر خوشه آینده نگر در فضا و زمان (هفته 58-60).

4. بحث

این مطالعه با هدف تجزیه و تحلیل خوشه‌های فضا-زمان بیماری کووید-19 در سوئد، یک سال از زمان اعلام یک بیماری همه‌گیر جهانی انجام شد. ما از آمار اسکن جایگشت فضا-زمان گذشته‌نگر و آینده‌نگر برای شناسایی خوشه‌هایی که در فصل‌ها وجود داشتند و خوشه‌هایی که تا پایان چهار فصل (بهار، تابستان، پاییز و زمستان) پایدار بودند، از هفته 11 تا 2020 استفاده کردیم. هفته 60 (هفته 7 سال 2021). آمار اسکن آینده نگر برای نظارت اپیدمیولوژیک ارزشمند است زیرا به شناسایی خوشه هایی که در یک دوره خاص در حال ظهور یا فعال هستند کمک می کند، از این رو به بخش های بهداشتی در نظارت و مداخله بالقوه به سرعت کمک می کند [ 29 ].
علاوه بر این، هنگامی که با روش جایگشت همانطور که در این مطالعه به کار می رود، آمار اسکن با داده های عادی و غیر عادی قوی است [ 15 ، 33 ]. مزیت استفاده از آمار، در هر دو تنظیمات گذشته نگر و آینده نگر، در مشاهده ما نهفته است که وقتی تنها در یکی از تنظیمات استفاده می شود، برخی از خوشه های فضا-زمان از دست می روند. به عنوان مثال، هنگامی که به معنای گذشته نگر استفاده می شود، مشاهده کردیم که آمار (همیشه) برخی از خوشه های فضا-زمان را که با تنظیم آینده قابل شناسایی بودند از دست می داد و بالعکس. با توجه به ماهیت تجزیه و تحلیل آینده نگر، تنظیم اجازه می دهد تا موارد جدید به محض آمدن آنها درج شود و تجزیه و تحلیل مجددا اجرا شود [ 24 ]]. به این ترتیب، می تواند به ردیابی ماهیت خوشه ها کمک کند، خواه در حال گسترش، کوچک شدن یا پایداری آنها در طول زمان باشد. در حالی که این جنبه خاص به روز رسانی و اجرای مجدد در این مقاله اکتشافی دنبال نمی شود، جنبه ای است که می توان از آن بهره برد.
به همین ترتیب، خوشه‌هایی که در فصل‌ها وجود داشتند، اما قبل از پایان فصل‌ها محو شدند، با استفاده از نسخه گذشته‌نگر تحلیل جایگشت فضا-زمان تحلیل شدند. هفته های شروع و پایان برای هر دو تحلیل یکسان بود (مانند موارد آینده نگر)، با مزیت به دست آوردن خوشه هایی که در هر دو بعد مکان و زمان همزمان بودند – در نتیجه ویژگی هر یک از دو نسخه تحلیل فضا-زمان را تأیید می کردند. برای این منظور، باید تاکید کرد که برای همه خوشه‌هایی که از نظر مکانی 100% همپوشانی داشتند، از نظر زمانی نیز منطبق بودند.
فصل بهار 2020 نشانگر گسترش COVID-19 در سطح جهانی و اعلام آن به عنوان یک بیماری همه گیر جهانی بود [ 6 ]. همچنین زمانی است که کووید-19 در سوئد قابل توجه شد (بیش از 100 مورد) [ 16 ]. بر خلاف سایر کشورهای اروپایی و اسکاندیناوی (دانمارک، نروژ، فنلاند)، سوئد محدودیت‌های قانونی کمتری را در قالب قرنطینه کامل اعمال کرد و در عوض به مردم برای پیروی از توصیه‌ها و توصیه‌های دولت در مورد مهار و پیشگیری از COVID-19 اعتماد کرد [ 34 ] ]. احتمالاً در نتیجه، در طول موج اول COVID-19 در مقایسه با سایر همسایگان اسکاندیناویایی، مرگ و میر بیش از حد وجود داشت [ 35 ].
از نتایج گذشته‌نگر ما، خوشه‌های فضا-زمان اولیه از هفته 12 تا هفته 16 سال 2020 رخ داده‌اند و در استکهلم و شهرستان‌های اطراف آن اوسترگوتلند، سودرمن‌لند و وستمانلند بودند. جالب توجه است، تجزیه و تحلیل آینده نگر این خوشه اولیه در اطراف استکهلم را از دست داده بود، که با گزارش های COVID-19 در اوایل بهار 2020 همخوانی نداشت [ 36 ]. بعداً، در هفته‌های 21 تا 23، خوشه‌های فضا-زمان در اطراف شهرستان‌های کالمار، وسترا گوتالند، ورملند و گاولبورگ قرار گرفتند. محرک‌های خاص این خوشه‌های اولیه را می‌توان به تماس‌های اولیه مرتبط دانست، احتمالاً به دلیل مسافرانی که به منابع انتقال جامعه COVID-19 در مناطق مختلف خوشه‌ای و مناطق اطرافشان تبدیل شده‌اند [ 37 ]]. همچنین می‌تواند درست باشد که مناطق دیگر نیز مواردی داشتند (و احتمالاً خوشه‌هایی در اوایل بهار) اما به دلیل عدم آمادگی برای آزمایش و تشخیص COVID-19 شناسایی نشدند زیرا هنوز یک اپیدمی جدید بود که آزمایش‌های تاییدی آن هنوز در حال توسعه بود. به هنگام. از میانگین و انحراف معیار موارد مشاهده شده، این دوره کمترین تعداد موارد را داشت.
به طور کلی، تعداد موارد مشاهده شده کووید-19 برای فصل تابستان 2020 کاهش یافته است. این کاهش جابجایی، در حالی که می تواند با اعمال دستورالعمل های بهداشتی سخت گیرانه تر، به مقامات بهداشتی شهرستانی مرتبط باشد که با موارد کووید-19 سازگار هستند. فاصله گذاری اجتماعی [ 17 ]، همچنین می تواند با کاهش عمومی شیوع آنفولانزای معمولی هر زمان که دمای محیط افزایش می یابد [ 12 ] همانطور که در یک مطالعه مرتبط در بلژیک مشاهده شد [ 38 ] مرتبط باشد.]. این می تواند برای الگوهای مشاهده شده COVID-19 نیز صادق باشد. خوشه‌های فضا-زمان که تا پایان تابستان ادامه داشتند، عموماً در مناطق اطراف اسکنه، دالارنا و وسترا گوتالند بودند. برخی از عوامل عمومی رانندگی را می توان با افزایش حرکت افراد و فعالیت عمومی در فضای باز در این فصل مرتبط دانست. این تفکر افزایش فعالیت و تعامل در فضای باز با نتایج به دست آمده توسط ونتر، بارتون [ 39 ] در نروژ سازگار است.
فصل پاییز شاهد افزایش تعداد موارد و افزایش کلی در تعداد خوشه‌های فضا-زمان بود. خوشه ها در تمام شهرهای بزرگ سوئد (استکهلم، گوتنبرگ، مالمو و غیره) قرار داشتند. علاوه بر این، میانگین تعداد موارد مشاهده شده بالاترین (3820) بود. این می تواند به اثرات پس از حرکت آزاد و افزایش فعالیت در فضای باز در طول فصل تابستان مرتبط باشد که احتمالاً منجر به افزایش قرار گرفتن در معرض عموم مردم می شود. همچنین می‌تواند نتیجه شیوع موارد درمان‌نشده در جوامع باشد – عمدتاً به این دلیل که COVID-19 در ابتدا در گروه‌های آسیب‌دیده اجتماعی فقرا [ 18 ] و مهاجران متمرکز بود [ 36 ]]. در نهایت، همچنین ممکن است که مکانیسم آزمایش شهرهای متعدد تا این زمان بهبود یافته باشد، از این رو آزمایش‌های بیشتری انجام شده و موارد بیشتری تأیید شده است. این مشاهدات با افزایش سخت‌تر دستورالعمل‌های بهداشتی در بیشتر مناطق کشور برای اکثر مناطق، در این دوره مطابقت دارد [ 16 ].
فصل زمستان با بار نامتناسب موارد مشاهده شده در بخش های جنوب غربی سوئد مشخص شد. در حالی که می توان گفت که به طور کلی آنفولانزا و سرماخوردگی در طول فصول زمستان افزایش می یابد [ 14 ]، عوامل محرک برای این الگوی نامتناسب مشاهده شده در جنوب مشخص نیست، اما می تواند به مقررات اجتماعی نسبتاً راحت تری مرتبط باشد که در این موارد رایج بود. مناطق نسبت به سایر مناطق همین امر را می توان برای سایر خوشه ها در اطراف پایتخت استکهلم، دالارنا، وستربوتن و نوربوتن گفت. افزایش و کاهش متناوب موارد تایید شده در طول فصول با نتایج Huang [ 40 ] مطابقت داشت.] حتی زمانی که مطالعه او جهانی بود. او برای دوره تجزیه و تحلیل خود (22 ژانویه 2020 تا 22 ژانویه 2021)، نقاط سرد شدید و پایدار را در برخی از مناطق سوئد، و همچنین کمربندی از نقاط داغ جدید و نقاط داغ نوسانی به ویژه در بخش‌های جنوب و جنوب غربی سوئد مشاهده کرد.

5. نتیجه گیری ها

همه گیری کووید-19 یک چالش جهانی بوده است و بیشتر جهان را به بن بست کشانده است. ما خوشه‌های فضا-زمانی بیماری همه‌گیر در سوئد را در سال گذشته، با توجه به فصول مختلف، تجزیه و تحلیل و بررسی کردیم. از نتایج ما، مشهود بود که خوشه ها در مکان و زمان ساکن نیستند. به نظر می‌رسد که خوشه‌ها به تغییرات فصول پاسخ می‌دهند در حالی که سهم عوامل اجتماعی-اقتصادی را تأیید می‌کنند. در مجموع، این تجزیه و تحلیل نمایه ای از خوشه بندی فضایی-زمانی COVID-19 در سوئد را قبل از معرفی واکسیناسیون انبوه ارائه می دهد و نکاتی را برای ارزیابی احتمالی مداخلات اپیدمیولوژیک مختلف به کار گرفته شده توسط مناطق مختلف در سوئد و نحوه واکنش موارد COVID-19 به چنین مواردی ارائه می دهد. مداخلات
در حالی که این مطالعه به هدف تعیین شده خود یعنی شناسایی خوشه‌های کووید-19 فضایی-زمانی در فصول مختلف دست یافت، نویسندگان می‌دانند که الگوهای مشاهده‌شده تحت تأثیر سایر عوامل اجتماعی-اقتصادی نیز قرار می‌گیرند، همانطور که درفال، والاس [ 18 ] و مودیگ، اهلبوم به اندازه کافی مورد بحث قرار گرفتند. [ 35 ] که اشاره کرد که مرد بودن، داشتن درآمد فردی کمتر، تحصیلات پایین و متاهل نبودن، همگی به طور مستقل فرد را مستعد خطر مرگ ناشی از COVID-19 می کنند. این موقعیت توسط [هانسون، آلبین [ 36]] که تغییراتی را در موارد COVID-19 در امتداد خطوط مهاجر و قومی مشاهده کردند. به این ترتیب، ماهیت جمع آوری داده ها، به ویژه از نظر مکانی، یک محدودیت بود. مطمئناً، تجزیه و تحلیل با استفاده از داده‌های COVID-19 در سطح فردی یا تنظیم‌شده با سن، نتایج به‌دست‌آمده در این مطالعه را بهبود می‌بخشد. این جنبه خاص برای مطالعه بعدی ما در نظر گرفته شده است.

منابع

  1. لی، کیو. گوان، ایکس. وو، پی. وانگ، ایکس. ژو، ال. تانگ، ی. رن، آر. Leung، KS; لاو، ای اچ. Wong، JY دینامیک انتقال اولیه در ووهان، چین، پنومونی جدید آلوده به ویروس کرونا. N. Engl. جی. مد. 2020 ، 382 ، 1199-1207. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  2. اسپینلی، ا. Pellino, G. بیماری همه گیر COVID-19: چشم اندازهای یک بحران در حال آشکار شدن. J. Br. سرگ. 2020 ، 107 ، 785-787. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  3. فائوسی، ع. لین، HC; ردفیلد، RR COVID-19 – در حال پیمایش در ناشناخته ها. پزشکی توده ای Soc. 2020 ، 382 ، 1268-1269. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  4. وریتی، آر. Okell، LC؛ دوریگاتی، آی. وینسکل، پی. ویتاکر، سی. ایمای، ن. کومو-داننبرگ، جی. تامپسون، اچ. واکر، پی جی؛ فو، اچ. برآورد شدت بیماری کروناویروس 2019: تجزیه و تحلیل مبتنی بر مدل. عفونت لانست دیس 2020 ، 20 ، 669-677. [ Google Scholar ] [ CrossRef ]
  5. جهان سنج. همه گیری ویروس کرونا COVID-19. در دسترس آنلاین: https://www.worldometers.info/coronavirus/ (در 22 آوریل 2022 قابل دسترسی است).
  6. که. داشبورد WHO Coronavirus (COVID-19). در دسترس آنلاین: https://covid19.who.int/ (در 30 مارس 2021 قابل دسترسی است).
  7. Njenga، MK; دوا، ج. نانیینگی، م. گچوهی، ج. نگره، آی. لتکو، م. اوتینو، سی. گان، بی.ام. اوسورو، ای. چرا مرگ و میر ناشی از کووید-19 در آفریقا کم است؟ صبح. جی تروپ. پزشکی هیگ 2020 ، 103 ، 564-569. [ Google Scholar ] [ CrossRef ]
  8. لالاوی، ر. باکور، س. رائول، دی. ورگر، پی. سخنا، سی. دوو، سی. پرادینز، بی. رولین، جی.-ام. چه چیزی می تواند ظهور دیرهنگام COVID-19 در آفریقا را توضیح دهد؟ میکروب های جدید عفونت جدید. 2020 ، 38 ، 100760. [ Google Scholar ] [ CrossRef ]
  9. مریم، SH سندرم حاد تنفسی کروناویروس-2 (SARS-CoV-2) همه گیر: آیا شیوع و میزان مرگ و میر در آفریقا نسبتاً پایین است؟ Adv. ویرول. 2022 ، 2022 ، 3387784. [ Google Scholar ] [ CrossRef ]
  10. Shephard, RJ تغییرات ایمنی ناشی از ورزش در یک محیط نامطلوب. می توان. جی. فیزیول. داروسازی 1998 ، 76 ، 539-546. [ Google Scholar ] [ CrossRef ]
  11. آدوکون، کالیفرنیا؛ Olarinmoye، AO; مصطفی، جو؛ Kamorudeen, RT نگاهی دقیق به زیست شناسی SARS-CoV-2 و تأثیر بالقوه شرایط آب و هوایی و فصول بر گسترش موارد COVID-19. آلوده کردن دیس فقر 2020 ، 9 ، 77. [ Google Scholar ] [ CrossRef ]
  12. چوی، YW; توئل، ا. الطاهر، EA در مورد عوامل محیطی تعیین کننده فصلی COVID-19. Geohealth 2021 , 5 , e2021GH000413. [ Google Scholar ] [ CrossRef ]
  13. زوران، م. Savastru، RS; Savastru، DM; Tautan، MN; بشیر، لس آنجلس; Tenciu، DV بررسی ارتباط بین فصلی عوامل محیطی و امواج COVID-19 در مادرید، اسپانیا. فرآیند Saf. محیط زیست Prot. 2021 ، 152 ، 583-600. [ Google Scholar ] [ CrossRef ]
  14. بیون، WS; هیو، SW; جو، جی. کیم، جی دبلیو. کیم، اس. لی، اس. پارک، HE; باک، جی.-اچ. آیا بیماری کرونا (COVID-19) فصلی است؟ تحلیل انتقادی مطالعات تجربی و اپیدمیولوژیک در مقیاس جهانی و محلی محیط زیست Res. 2021 ، 196 ، 110972. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  15. Socialstyrelsen. آمار COVID-19. در دسترس آنلاین: https://www.socialstyrelsen.se/en/statistics-and-data/statistics/statistics-on-covid-19/ (دسترسی در 30 مارس 2021).
  16. Emborg، H.-D.; کارناهان، ا. براگستاد، ک. تربین، آر. برایتینگ، ام. هانگنس، او. بیستروم، ای. Vestergaard, LS پایان ناگهانی فصل آنفولانزای 2019/20 به دنبال اقدامات پیشگیرانه علیه COVID-19 در دانمارک، نروژ و سوئد. Eurosurveillance 2021 ، 26 ، 2001160. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  17. پانیر، اس. کانتامانی، ک. Akkayasamy، VS; سوسیرج، تبر; پاندا، پی کی; آچاریا، اس اس; برنج، ال. لیاناژ، سی. پوش پرج، RRB قرنطینه بزرگ در پی COVID-19 و پیامدهای آن: درس هایی برای کشورهای کم درآمد و متوسط. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2022 ، 19 ، 610. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  18. درفال، س. والاس، ام. موسینو، ای. آرادیا، س. کلک، م. برندن، ام. مالمبرگ، بی. اندرسون، جی. یک مطالعه کوهورت مبتنی بر جمعیت در مورد عوامل خطر اجتماعی و جمعیت شناختی برای مرگ و میر ناشی از COVID-19 در سوئد. نات. اشتراک. 2020 ، 11 ، 5097. [ Google Scholar ] [ CrossRef ]
  19. جیمز، ک. تالباک، ام. مودیگ، ک. اهلبوم، ا. برگلوند، ا. فایچتینگ، ام. متیوز، بار AA و شیوع عوامل پیش آگهی برای COVID-19 شدید در سوئد. یورو J. Epidemiol. 2020 ، 35 ، 401-409. [ Google Scholar ] [ CrossRef ]
  20. اپن شاو، اس. چارلتون، ام. کرافت، AW; Birch, J. بررسی خوشه‌های لوسمی با استفاده از دستگاه آنالیز جغرافیایی. Lancet 1988 ، 331 ، 272-273. [ Google Scholar ] [ CrossRef ]
  21. پولان، RL; استوراک، اچ جی. Magalhaes، RJS; کلمنتز، AC; بروکر، SJ بوم شناسی و اپیدمیولوژی انگل فضایی: بررسی روش ها و کاربردها. انگل شناسی 2012 ، 139 ، 1870-1887. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  22. کولدورف، ام. هفرنان، آر. هارتمن، جی. آسونسائو، آر. مستشاری، ف. آمار اسکن جایگشت فضا-زمان برای تشخیص شیوع بیماری. PLoS Med. 2005 ، 2 ، e59. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. جونز، RC; لیبراتوره، م. فرناندز، جی آر. گربر، SI استفاده از آمار اسکن فضا-زمان آینده نگر برای اولویت بندی تحقیقات مورد شیگلوز در یک حوزه قضایی شهری. بهداشت عمومی ، 2006 ، 121 ، 133-139. [ Google Scholar ] [ CrossRef ]
  24. گلاتمن-فریدمن، ا. کافمن، ز. کوپل، ای. باسال، آر. تاران، دی. والینسکی، ال. آگمون، وی. شپریز، م. کوهن، دی. آنیس، E. تجزیه و تحلیل خوشه‌ای فضا-زمان در زمان واقعی برای تشخیص شیوع بیماری روده در یک محیط اجتماعی. ج. عفونی کردن. 2016 ، 73 ، 99-106. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  25. Kulldorff، M. زمان آینده نگر بیماری دوره ای جغرافیایی با استفاده از یک آمار اسکن. JR Stat. Soc. سر. A (Stat. Soc.) 2001 ، 164 ، 61-72. [ Google Scholar ] [ CrossRef ]
  26. یین، اف. لی، ایکس. ما، جی. Feng, Z. سیستم هشدار اولیه بر اساس آمار جابجایی فضا-زمان آینده نگر. وی شنگ یان جیو جی. هیگ. Res. 2007 ، 36 ، 455-458. [ Google Scholar ]
  27. تانگ، ایکس. گیتر، ا. مک نیل، ای. دنگ، س. دونگ، آ. ژونگ، جی. خوشه‌های فضایی، زمانی و مکانی-زمانی بروز سرخک در سطح شهرستان در گوانگشی، چین طی سال‌های 2004-2014: آمار اسکن با شکل انعطاف‌پذیر. BMC Infect دیس 2017 ، 17 ، 243. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  28. هول، ا. دلمل، EM; Desjardins، MR; Lan, Y. نظارت روزانه COVID-19 با استفاده از آمار اسکن فضا-زمان آینده نگر در ایالات متحده. تف کردن اپیدمیول فضایی-زمانی. 2020 ، 34 ، 100354. [ Google Scholar ] [ CrossRef ]
  29. دژاردین، ام. هول، ا. Delmelle، E. 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 ]
  30. گومز، دی. آندراد، ال. ریبیرو، سی. پیکسوتو، ام. لیما، اس. دوک، ا. سیریلو، تی. گوس، ام. لیما، ا. سانتوس، M. خوشه های خطر انتقال COVID-19 در شمال شرقی برزیل: مدل سازی فضا-زمان آینده نگر. اپیدمیول. آلوده کردن 2020 ، 148 ، E188. [ Google Scholar ] [ CrossRef ]
  31. مسرور، ع. یو، م. لو، دبلیو. دوان، الف. الگوهای فضا-زمان، تغییر و انتشار خطر COVID-19 نسبت به سناریوهای مداخله در بنگلادش. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2020 , 17 , 5911. [ Google Scholar ] [ CrossRef ]
  32. Folkhälsomyndigheten. موارد تایید شده COVID-19 در سوئد. در دسترس آنلاین: https://www.folkhalsomyndigheten.se/smittskydd-beredskap/utbrott/aktuella-utbrott/covid-19/statistik-och-analyser/bekraftade-fall-i-sverige/ (دسترسی در 30 مارس 2021).
  33. آمار سوئد داده های باز برای DeSO—مناطق آماری جمعیتی. در دسترس آنلاین: https://www.scb.se/en/services/open-data-api/open-geodata/deso–demographic-statistical-areas/ (دسترسی در 30 مارس 2021).
  34. سولیوک، م. Walker، MD Mobility و مرگ و میر COVID-19 در سراسر اسکاندیناوی: یک مطالعه مدل سازی. Travel Med. آلوده کردن دیس 2021 ، 41 ، 102039. [ Google Scholar ] [ CrossRef ]
  35. مودیگ، ک. اهلبوم، ا. Ebeling، M. مرگ و میر بیش از حد ناشی از COVID-19: میزان مرگ و میر بیش از حد هفتگی بر اساس سن و جنس برای سوئد و منطقه آسیب دیده آن. یورو J. بهداشت عمومی 2021 ، 31 ، 17-22. [ Google Scholar ] [ CrossRef ]
  36. هانسون، ای. آلبین، م. راسموسن، ام. Jakobsson, K. Stora skillnader i överdödlighet våren 2020 utifrån födelseland (به انگلیسی: تفاوت های بزرگ در مرگ و میر اضافی در بهار 2020 بر اساس کشور تولد). Läkartidningen 2020 ، 2920 ، 20113. [ Google Scholar ]
  37. Le, TH; هشدار Tran، TPT برای موج دوم COVID-19: درسی از ویتنام. جی. گلوب. Health 2021 , 11 , 03012. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  38. دلیکور، اس. لینارد، سی. ون گوتهم، ن. دا ری، دی. آرتویس، جی. بیهین، ج. شاوس، پی. ماسونت، اف. ون اوین، اچ. Vanwambeke، SO بررسی محرک‌های ناهمگونی مکانی-زمانی در بروز بیمارستان COVID-19 – بلژیک به عنوان یک مورد مطالعه. بین المللی J. Health Geogr. 2021 ، 20 ، 29. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  39. ونتر، ZS; بارتون، دی.ان. گاندرسن، وی. فیگری، ح. ناول، ام اس بازگشت به طبیعت: نروژی ها ماه ها پس از شیوع کووید-19 استفاده تفریحی از فضای سبز شهری را افزایش می دهند. Landsc. طرح شهری. 2021 ، 214 ، 104175. [ Google Scholar ] [ CrossRef ]
  40. Huang, Z. الگوهای تکامل مکانی-زمانی همه‌گیری COVID-19 با استفاده از تجمع فضا-زمان و آمار فضایی: چشم‌انداز جهانی. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 519. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00307 g001 550
شکل 1. سوئد و مشخصات مورد COVID-19 آن در طول فصول (2020).
Ijgi 11 00307 g002 550
شکل 2. موارد گزارش شده هفتگی COVID-19 در چهار فصل. ( الف ) روندهای کلی را برای تمام فصول نشان می دهد. ( B ) روند در بهار را نشان می دهد. ( C ) روند تابستان را نشان می دهد. ( D ) روند پاییز را نشان می دهد. و ( E ) روند در زمستان را نشان می دهد.
Ijgi 11 00307 g003 550
شکل 3. خوشه های فضا-زمان گذشته نگر و آینده نگر در طول فصول.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید