نقشه برداری انتشار فضایی و زمانی COVID-19 در لمباردی (ایتالیا) بر اساس فعالیت های خدمات فوریت های پزشکی

خلاصه

اپیدمی کروناویروس-بیماری-2019 (COVID-19) با اولین تشخیص رسمی در 21 فوریه 2020 در ایتالیا آغاز شد. با این حال، مشخص نیست که چند مورد قبلاً در روزها و هفته های قبل وجود داشته است، بنابراین امکان انجام هر گونه تحلیل گذشته نگر محدود می شود. ما فرض کردیم که نمایش بی‌طرفانه انتشار COVID-19 در این مراحل اولیه را می‌توان با تماس‌های ارجاع‌شده جغرافیایی به شماره اورژانس مربوط به مشکلات تنفسی و با مداخلات خدمات اورژانس پزشکی (EMS) زیر استنباط کرد. بر این اساس، هدف از این مطالعه شناسایی آغاز روندهای غیرعادی (تغییر در مورفولوژی داده ها) در تماس های اورژانس و اعزام آمبولانس های EMS و بازسازی تکامل فضایی-زمانی COVID-19 در قلمرو منطقه لومباردی بود. بر این اساس، یک روش پردازش سیگنال، که قبلا برای یافتن ویژگی‌های مورفولوژیکی در سیگنال الکتروکاردیوگرافی استفاده می‌شد، بر روی یک سری زمانی نماینده خوشه‌های سرزمینی حدود 100000 شهروند استفاده شد. هم تماس‌های اورژانسی و هم اعزام‌های آمبولانس بر اساس سن و جنسیت، ارتباط قوی با تلفات کووید-19 در سطح استان داشتند، و روزهای شروع محلی شناسایی‌شده، تشخیص‌ها و تلفات رسمی را پیش‌بینی می‌کردند، بنابراین نشان می‌داد که چگونه می‌توان از این پارامترها به‌عنوان شاخص‌های اولیه استفاده کرد. برای تکامل مکانی و زمانی اپیدمی در یک قلمرو خاص.

کلید واژه ها:

کووید-19 ؛ ژئوماتیک سلامت ; سیستم اطلاعات جغرافیایی ; خدمات فوریت های پزشکی ؛ پردازش سیگنال ؛ تکامل همه گیر

1. معرفی

اپیدمی بیماری کروناویروس 2019 (COVID-19)، ناشی از انتشار سندرم حاد تنفسی ویروس کرونا 2 (SARS-CoV-2)، به طور رسمی در ایتالیا در 21 فوریه 2020 آغاز شد، زمانی که اولین مورد در بیمارستان تشخیص داده شد. کودوگنو (استان لودی)، شهر کوچکی در جنوب منطقه لمباردی ( شکل 1 الف)، پرجمعیت ترین منطقه ایتالیا با 10.06 میلیون نفر (16.67٪ از کل 60.36 میلیون نفر ساکن در ایتالیا).
بلافاصله پس از آن، پروتکل‌های غربالگری برای درک خط سرایت مجدداً تنظیم شدند، و همه تماس‌ها را برای افرادی که نتیجه آزمایشات مثبت بودند، ردیابی کردند. هنگامی که پس از چند روز، موارد ثبت‌شده از حد امکان ردیابی فراتر رفتند [ 1 ]، تنها افرادی که علائم سازگار با COVID-19 را نشان می‌دادند (با توجه به قابلیت‌های محلی محدود) مورد آزمایش قرار گرفتند.
دومین نقطه داغ در Vo’Euganeo (استان پادووا، ونتو) شناسایی شد و اقدامات مهاری در 24 فوریه 2020 (با 229 مورد تایید شده عفونت) با جداسازی دو نقطه داغ شناسایی شده تا کنون به عنوان “مناطق قرمز” اتخاذ شد که شامل بیش از بیش از 50000 ساکن در 12 شهرداری ( شکل 1 B). این اقدامات فقط در مناطق ذینفع موثر است. در واقع، انتشار اپیدمی در خارج از آنها قبلاً تصاعدی بوده و کل کشور را تحت تأثیر قرار داده است، بنابراین منجر به تصمیم دولت برای تأمین یک منطقه قرمز گسترده شده است که در ابتدا در 9 مارس 2020، کل منطقه لومباردی و 14 منطقه دیگر را شامل می شود. استان ها، که به سرعت در 11 مارس 2020 به کل قلمرو ملی گسترش یافت.
از امروز (25 سپتامبر 2020)، همه‌گیری کووید-19 187 کشور را تحت تأثیر قرار داده است و در مجموع بیش از 32.2 میلیون مورد تأیید شده [ 2 ] را تحت تأثیر قرار داده است و روز به روز در حال افزایش است. جامعه علمی در سراسر جهان در تلاش برای کاهش اثرات همه‌گیری، به ویژه با تمرکز بر کاربرد فناوری‌های لبه‌دار، تلاش‌های بی‌سابقه‌ای انجام می‌دهد: چندین مطالعه هوش مصنوعی (AI)، یادگیری ماشین (ML) و تجزیه و تحلیل داده‌های بزرگ را به عنوان دارایی‌های کلیدی شناسایی کردند. در استخراج اطلاعات از داده های موجود مفید برای مبارزه با همه گیری [ 3 ، 4 ، 5 ، 6 ، 7 ، 8 ، 9 ]. به ویژه، Bragazzi و همکاران. [ 4] چهار زمینه کاربردی مختلف را در سه افق زمانی شناسایی کرد: شناسایی سریع شیوع و تشخیص موارد (کوتاه مدت)، شناسایی گزینه های درمانی (میان مدت) و توسعه شهرهای هوشمند انعطاف پذیر (دراز مدت). در همین صفحه، تینگ و همکاران. [ 8] نظارت، نظارت، تشخیص، پیشگیری و کاهش اثرات غیرمستقیم را به عنوان اهدافی برای کاربرد فناوری‌های جدید مانند داده‌های بزرگ، هوش مصنوعی، اینترنت اشیا (IoT) و بلاک چین تعریف کرد. این نویسندگان همچنین بر تأثیر بلندمدت این وضعیت بی‌سابقه تأکید کردند و اظهار داشتند که کاربرد موفقیت‌آمیز این فناوری‌ها در سلامت عمومی، به دلیل شرایط اضطراری، نشان‌دهنده فرصتی منحصر به فرد برای ایجاد یک تغییر پارادایم است که می‌تواند کل آینده سیاست‌ها را مشروط کند. در بهداشت عمومی و پزشکی
با اشاره خاص به جمع‌آوری و پردازش داده‌ها، تجسم داده‌ها در زمان واقعی، که توسط تکنیک‌های محاسباتی فعال می‌شود، ابزار قدرتمندی برای انتشار اطلاعات است [ 4 ]، اما حتی می‌توان به اهداف مهم‌تری در زمینه پیشگیری با استفاده از داده‌های اپیدمیولوژیک برای افزایش آگاهی دست یافت. و مداخلات را راهنمایی می کند [ 3 ، 10 ]. به طور خاص، مفهوم “نظارت” برای رویارویی با این سناریوی جدید دوباره مورد خطاب قرار گرفته است، بنابراین به احتمالات رویکردهای جدید مانند نظارت دیجیتال و مبتنی بر رویداد اشاره شده است [11 ] . اخیراً به نقش حیاتی “نظارت سندرمی” در کنترل و کاهش اثرات همه گیر اشاره شده است [ 12] .] همراه با مسائل مهم مربوط به مشکلات در به دست آوردن اطلاعات نظارت سندرمی در سطح محلی، همانطور که قبلاً با اشاره به شیوع ابولا نشان داده شده است [ 13 ].
در این دیدگاه، تمرکز بر تحلیل فضایی، در رابطه با همه‌گیری کووید-19، اخیراً در یک بررسی سیستماتیک [ 14 ] مورد بررسی قرار گرفت، که در آن پنج موضوع مرتبط شناسایی شد: (1) تحلیل مکانی-زمانی، که در آن توصیفی و /یا مدل‌سازی پیش‌بینی تکامل همه‌گیری در یک قلمرو خاص (معمولاً در سطح ملی و استانی) با استفاده از داده‌های رسمی در مورد موارد مثبت، اغلب با در نظر گرفتن تحرک افراد، با نمونه‌های مربوط به چین [15] کره جنوبی [16] ، بررسی می‌شود . ایالات متحده آمریکا [ 17 ] و ایتالیا [ 18 ]؛ (2) سلامت و جغرافیای اجتماعی، که در آن رابطه بین گسترش همه گیری (بر اساس موارد تایید شده) و منابع مراقبت های بهداشتی [ 19]]، پرستاران [ 20 ]، یا جراحان [ 21 ] همراه با همبستگی بین موارد تایید شده و ویژگی های جمعیت شناختی و/یا اجتماعی-اقتصادی [ 22 ، 23 ] بررسی می شوند. (3) متغیرهای محیطی، که در آن همبستگی بین موارد تایید شده و عوامل محیطی، عمدتاً متغیرهای آب و هوایی [ 24 ]، مانند رطوبت و دما [ 25 ]، بررسی می‌شود. (4) داده کاوی، که در آن تجزیه و تحلیل منابع داده اضافی، مانند تحرک [ 26 ، 27 ] و پروازها [ 28]]، برای تایید تحلیل فضایی انجام شده است. (5) نقشه برداری مبتنی بر وب، که در آن پیاده سازی خدمات وب برای تجسم نتایج ارائه می شود.
از این بررسی، پتانسیل‌های سیستم‌های اطلاعات جغرافیایی (GIS) به‌عنوان مجموعه‌ای از ابزارها برای جمع‌آوری، ذخیره‌سازی، بررسی، دستکاری، تجزیه و تحلیل و نمایش داده‌های جغرافیایی مرجع مکانی برای رسیدگی به مؤلفه جغرافیایی تجزیه و تحلیل همه‌گیری در سطح محلی برجسته شد. ، که با سایر مطالعات همخوانی دارد [ 29 و 30 ].
در حالی که ادبیات مربوط به تجزیه و تحلیل مکانی-زمانی COVID-19 عمدتاً مبتنی بر داده‌های تشخیص‌های رسمی است، چندین مطالعه چنین داده‌هایی را به‌طور بالقوه برای مدل‌سازی و تجزیه و تحلیل غیرقابل اعتماد شناسایی کردند [9، 11، 31 ، 32 ] ، به ویژه در مراحل اول اپیدمی زمانی که آنها بیشتر مورد نیاز بودند [ 10 ]، منجر به ارزیابی امکان بهره برداری از داده های جمع سپاری، مانند رسانه های خبری و شبکه های اجتماعی [ 10 ، 12 ، 14 ] شد.
با اشاره خاص به ایتالیا، این سناریو محدودیت شدیدی در اعتبار هر تحلیل گذشته‌نگر در مورد تکامل مکانی و زمانی اپیدمی بر اساس موارد مثبت ایجاد می‌کند، زیرا احتمالاً یک ماه کامل از داده‌های رسمی در طول شیوع اولیه بیماری وجود نداشت، زمانی که موارد احتمالی COVID-19 احتمالاً به عنوان سایر بیماری های تنفسی شایع به دلیل آنفولانزای فصلی تشخیص داده شده است. علاوه بر این، حتی پس از تشخیص اولین موارد و تنظیم مجدد خط مشی آزمایش، به دلیل اشباع سریع قابلیت‌های تشخیص، نمی‌توان داده‌های کامل و قابل اعتماد را تضمین کرد، زیرا آزمایش سواب برای COVID-19 فقط در شدیدترین بیماران انجام می‌شود [ 33 , 34]. این منجر به نرخ مرگ و میر بیشتر موارد (CFR، تعداد تلفات/تعداد کل بیماران تشخیص داده شده، 11.31٪ در سپتامبر 2020) در مقایسه با نرخ مرگ و میر ناشی از عفونت تخمینی (IFR، تعداد تلفات / تعداد کل بیماران مبتلا، در نظر گرفته شده است). بین 0.5٪ و 1٪ [ 35 ]).
علاوه بر این، مقادیر CFR به طور مداوم در بین مناطق ایتالیا به دلیل سیاست‌های مختلف آزمایش منطقه‌ای و قابلیت‌های تشخیصی تغییر می‌کرد: برای مثال، در 4 مه 2020 (تاریخ اولین کاهش اقدامات قرنطینه)، CFR 18.3٪ در لمباردی بود (با 14294). تلفات و 78105 مورد تایید شده) اما تنها 8.3٪ در منطقه مجاور ونتو (1528 تلفات و 18373 مورد تایید شده).
این موضوع همچنین توضیحی احتمالی برای شکست اقدامات مهار اولیه است: یک مطالعه ژنومی انجام شده بر روی ویروس به این فرضیه منجر شد که اپیدمی هفته‌ها قبل از تشخیص اولین مورد، بین نیمه دوم ژانویه تا اوایل فوریه در حال گسترش است. [ 36 ]، همانطور که با ارزیابی استنباط شد که سویه ویروسی که ایتالیا را تحت تأثیر قرار می‌دهد می‌تواند به خوشه‌ای که قبلاً شناسایی شده بود (و ظاهراً حاوی آن) در آلمان مرتبط باشد. مطالعه اخیر دیگری که توسط موسسه ملی بهداشت ایتالیا (ISS, Istituto Superiore di Sanità) انجام شد نشان داد که آثار SARS-CoV-2 در نمونه‌های آب از دسامبر 2019 وجود داشت [37 ]]. از آنجایی که پروتکل های غربالگری ایتالیا قبل از 21 فوریه 2020 آزمایش فقط بیمارانی را که علائم سازگار با کووید-19 دارند و به چین سفر کرده اند (یا با افرادی که به چین سفر کرده اند در تماس مستقیم بوده اند) پیشنهاد می کند، این فرضیه که شروع رسمی شیوع بیماری به تعویق افتاد. در رابطه با واقعی به نظر می رسد که به احتمال زیاد واقع بینانه است، و احتمالاً شکست اقدامات مهاری را که با اولین “مناطق قرمز” در 24 فوریه 2020 ایجاد شد، توضیح می دهد.
در این زمینه، ما فرض کردیم که یک نمایش بی طرفانه و غیرمستقیم از گسترش COVID-19 (حداقل در مراحل اول انتشار همه گیر) در یک منطقه خاص را می توان با تجزیه و تحلیل تماس های جغرافیایی انجام شده توسط شهروندان به 112 استنباط کرد. شماره اورژانس منحصر به فرد مربوط به مشکلات تنفسی، یا توسط مداخلات خدمات اورژانس پزشکی (EMS) زیر. مزیت این رویکرد، اگر ثابت شود، این است که نیازی به عملیات آزمایشی اضافی ندارد و به شدت به توانمندسازی شهروندانی که بر اساس علائم خود، درخواست کمک پزشکی می‌کنند، مرتبط است. به‌علاوه، می‌تواند برای شناسایی زودهنگام اپیدمی‌های موج دوم یا مناطق با خطر بالاتر سرایت به منظور پیشنهاد سیاست‌های قفل اضافی مفید باشد.
بر این اساس، هدف از این مطالعه آزمایش این فرضیه با بازسازی یک تکامل مکانی-زمانی COVID-19 در قلمرو خاص منطقه لمباردی به منظور شناسایی آغاز روندهای غیرعادی در تماس‌های اورژانس و اعزام آمبولانس‌های EMS مرتبط با مسائل تنفسی و در نتیجه شناسایی بود. تاریخ واقعی شروع همه گیری را استنباط کنید. این رویکرد با استفاده از روش‌های ژئوماتیک، با بهره‌گیری از GIS، که تمام قابلیت‌های مورد نیاز را برای مدیریت اطلاعات جغرافیایی ارجاع‌شده، و تولید نمایش‌های بصری از طریق نقشه‌برداری برای به ثمر رساندن فوری نتایج به‌دست‌آمده، ارائه می‌دهد، انجام شد.
تحلیل پیشنهادی یک فرآیند ترکیبی بود و بسیاری از تصمیمات روش شناختی بر اساس نتایج قبلی بود. چارچوب نهایی پیشنهادی پس از چندین مرحله اجرا و اصلاح ماسبق به دست آمد. بنابراین، به منظور ارائه خواندن روان تر و واضح تر، این مقاله از یک بخش اصلی تشکیل می شود که هم روش ها و هم نتایج را جمع آوری می کند ( بخش 2 )، که بر اساس بلوک های کاری چارچوب پیشنهادی تقسیم می شود.

2. روش ها و نتایج

2.1. منابع اطلاعات

تمام اطلاعات زمینه‌سازی مرتبط، مانند مرزهای اداری و جمعیت‌شناسی جمعیت ساکن، به‌عنوان داده‌های باز توسط مؤسسه ملی آمار ایتالیا (ISTAT، Istituto Nazionale di Statistica، https://www.istat.it/) در دسترس عموم قرار گرفت . آی تی/، به روز شده در 1 ژانویه 2019. پایگاه داده جغرافیایی تماس های انجام شده توسط شهروندان با شماره اضطراری منحصر به فرد 112 و آمبولانس های EMS در قلمرو لمباردی از 1 ژانویه تا 23 مارس 2020 پس از ناشناس سازی توسط AREU (Azienda Regionale Emergenza/) ارائه شد. Urgenza)، که ارائه‌دهنده EMS در لمباردی و مدیر تماس‌ها با شماره اضطراری منحصربه‌فرد 112 است. برای هر رکورد در پایگاه داده تماس‌های اضطراری، تاریخ و زمان، مختصات جغرافیایی و طبقه‌بندی تریاژ گزارش شد (پایگاه داده ارائه شد. قبلاً برای مشکلات تنفسی فیلتر شده است). برای هر رکورد در پایگاه داده اعزام آمبولانس، اطلاعات زیر در دسترس بود: تاریخ و زمان (اولین ورود، رسیدن نهایی وسایل برای حمایت از زندگی پیشرفته، رسیدن نهایی به بیمارستان)، جنسیت و سن بیمار، محل (دسته) و مختصات مداخله، نتیجه مداخله (انتقال به بیمارستان یا نه) و بیمارستانی که بیمار در آن جابجا شده است. اطلاعات مربوط به تلفات مرتبط با کووید-19 و موارد رسمی تشخیص داده شده توسط حفاظت مدنی (Protezione Civile) به عنوان داده های باز از طریق یک مخزن اختصاصی GitHub در دسترس قرار گرفت.https://github.com/pcm-dpc/COVID-19 ).
برای تمام رویه‌های زیر ( بخش 2.2 ، بخش 2.3 ، بخش 2.4 و بخش 2.5 )، پردازش و مدیریت داده‌های جغرافیایی مرجع، و تولید نقشه‌ها، با استفاده از QGIS ( https://www.qgis.org/it/ ) انجام شد. site/ )، یک GIS منبع باز توسعه یافته توسط بنیاد OSGeo (Beaverton، OR، USA— https://www.osgeo.org/ )، در حالی که تمام پیش پردازش پایگاه داده، تجزیه و تحلیل آماری و الگوریتم های پردازش سیگنال پیاده سازی شدند. به عنوان نرم افزار سفارشی در متلب (MathWorks, Natick, MA, USA— https://it.mathworks.com/products/matlab.html ) تحت مجوز آکادمیک.

2.2. پیش پردازش پایگاه داده

پایگاه داده اعزام آمبولانس AREU در قلمرو لمباردی شامل 205647 پرونده از 1 ژانویه تا 23 مارس 2020 است که 36408 مورد (17.7٪) توسط یک زمینه خاص مرتبط با تریاژ پزشکی برچسب‌گذاری شده‌اند که مربوط به مسائل تنفسی است. پایگاه داده تماس های اضطراری قبلاً برای مسائل تنفسی و عفونی فیلتر شده ارائه شده است و در مجموع 59035 پرونده برای مشکلات تنفسی در مدت مشابه را شامل می شود. تصمیم گرفته شد که مسائل تنفسی فقط به منظور مدل‌سازی بهتر سناریوی قبل از اولین تشخیص COVID-19 در نظر گرفته شود، زیرا در آن دوره علائم آن به عنوان بخشی از رده مسائل تنفسی طبقه‌بندی می‌شد. با توجه به داده های روزانه در کل لمباردی، همانطور که در شکل 2 گزارش شده است ، دو ملاحظۀ اصلی را می توان ترسیم کرد:
1. افزایش رویدادهای روزانه در طول دوره پایه، هم در مورد تماس‌های اضطراری و هم در مورد اعزام آمبولانس‌ها، از 21 فوریه 2020 تا اواسط مارس، زمانی که یک مقدار فلات به دست آمد، مشهود است.
2. از 21 فوریه 2020، روز اولین تشخیص رسمی و متعاقباً انتشار مطبوعاتی، اولین مرحله رشد در هر دو سری داده قابل مشاهده است که در حدود 24 فوریه 2020 به اوج خود می رسد، زمانی که اولین قرنطینه محلی ایجاد شد، و کاهش می یابد. در روزهای آینده این اوج را می توان به عنوان (1) یک مصنوع تعبیر کرد، زیرا در آن روزها، پس از انتشار خبر اولین مورد در ایتالیا، شهروندان در مواقع خفیف که معمولاً منجر به بروز بیماری نمی شد، بیشتر با شماره اورژانس تماس می گرفتند. تماس اضطراری یا حتی فقط برای پرس و جوی اطلاعات، همانطور که در آن روزها منحنی ارسال آمبولانس های کمتر تیز منعکس می شود. یا (2) به عنوان یک نشانه موثر از شروع انتشار بیماری.
اعزام آمبولانس ها و تماس های اضطراری مربوط به مسائل تنفسی در 1506 شهرداری منطقه لومباردی به صورت روزانه نقشه برداری می شد. برای اعزام آمبولانس ها، یک تقسیم بندی بر اساس جنسیت و محدوده سنی بیمار (0-40، 41-50، 51-60، 61-65، 66-70، 71-75، 76-80، 81-85، 86-90) ، 90+) انجام شد. توزیع سنی و جنسیتی بیماران مبتلا به مشکلات تنفسی که با آمبولانس‌ها تحت درمان قرار گرفتند، به‌طور قابل‌توجهی در طول زمان تغییر کرد، همانطور که توسط آزمون رتبه‌بندی علامت‌گذاری شده Wilcoxon (p <0.05) برای تمام جفت‌های هفته‌های موجود (همیشه در زوج‌ها) با در نظر گرفتن درصد مرد و زن ارزیابی شد. بیماران بر اساس محدوده سنی تقسیم می شوند (نتایج کامل در ضمیمه A موجود است). در حالی که در طول ژانویه، درصد بیماران هفتگی درمان شده بین 65 تا 74 سال در محدوده 11 تا 13.5 درصد بود، در آخرین هفته تجزیه و تحلیل (16 مارس تا 22 مارس 2020) این درصد به 21.77 درصد افزایش یافت. در مقابل، سهم بیماران بالای 85 سال از 29 تا 33 درصد در ژانویه به 10.54 درصد در پایان مارس کاهش یافت. این نسبت‌ها، ظاهراً برخلاف این فرضیه که COVID-19 بیشتر علائم شدیدی را در افراد مسن ایجاد می‌کند، به دلیل افزایش مداوم تعداد مطلق بیماران در محدوده سنی 65 تا 74 سال بود (تعداد غیرعادی مشکلات تنفسی را نشان می‌دهد. در افراد سالم)، در حالی که تعداد مطلق افراد مسن که به کمک آمبولانس نیاز دارند، به طور مداوم افزایش نمی یابد. در رابطه با جنسیت بیماران، در ژانویه 44 تا 46.5 درصد از کل افراد مرد بودند، در حالی که سهم آنها به 61 افزایش یافت. 1٪ از 16 مارس تا 22 مارس 2020؛ این تفاوت بیشتر در محدوده سنی 50 تا 64 و 65 تا 74 سالگی مشهود بود. نتایج کامل در گزارش شده استضمیمه B. این تفاوت‌ها ما را به این فرض سوق داد که معرفی یک ضریب وزنی برای اعزام آمبولانس‌ها بر اساس سن و جنسیت بیماران تحت درمان می‌تواند محتوای آموزنده را اضافه کند و شناسایی پدیده‌شناسی مرتبط با COVID-19 را افزایش دهد.
برای تأیید این فرضیه که تماس های اورژانس با 112 و اعزام آمبولانس ها را می توان به عنوان شاخص های توصیفی نمایانگر گسترش اپیدمی در مراحل اولیه آن در نظر گرفت، رگرسیون خطی بین هر یک از این دو اندازه گیری، در سطح 12 استانی که در آن ها وجود دارد. لومباردی به صورت فرعی تقسیم می شود و تعداد تلفات که به طور رسمی به دلیل COVID-19 گزارش شده است (در مقایسه با کل موارد کمتر تحت تاثیر سوگیری مرتبط با تشخیص قرار می گیرند)، که همه بر اساس تعداد ساکنان هر استان عادی شده اند، محاسبه شد. تلفات مربوط به COVID-19 جمع آوری شده در سطح استان توسط ISTAT به عنوان تعداد تجمعی در دوره 1 ژانویه تا 30 مارس 2020 در دسترس قرار گرفت. شکل 3 رگرسیون خطی محاسبه شده را نشان می دهد که منجر به همبستگی بالاتر می شود (R2 = 0.96) برای تماس های اضطراری در رابطه با R2 = 0.81 برای اعزام آمبولانس ها.

2.3. بخش فرعی قلمرو

به عنوان مصالحه بین نیاز به تفکیک مکانی در داده‌ها و وجود نویز تصادفی، داده‌های شهرداری‌های همسایه جمع‌آوری شدند تا خوشه‌هایی از حداقل 100000 نفر از ساکنان به دست آید. برای این منظور، الگوریتم پیشنهادی از پرجمعیت‌ترین شهرها (شهرک‌های با بیش از 100000 نفر جمعیت مانند میلان، برشا، مونزا و برگامو به‌عنوان خوشه‌های منفرد در نظر گرفته شدند) شروع می‌شود و به تدریج شهرداری‌های محله را تجمیع می‌کند (بر اساس مختصات). مرکز آنها) تا رسیدن به اندازه هدف. پس از این مرحله اول، برخی از شهرداری ها (به ویژه نزدیک به مرزهای منطقه ای) علیرغم عدم مجاورت با سایر شهرداری های آن خوشه، در یک خوشه خاص تجمیع می شوند. در مرحله اصلاح بیشتر، همه این موارد با روش زیر شناسایی و اصلاح می شوند:
  • برای هر خوشه ( i )، مختصات مرکزهای بیرونی ترین شهرداری آن (حداکثر عرض جغرافیایی max ، حداقل عرض جغرافیایی min ، حداکثر طول جغرافیایی max ، حداقل طول جغرافیایی Xmin ) انتخاب می شود.
  • یک ناحیه مستطیلی مورد علاقه R با استفاده از این مختصات شدید ساخته می شود ( max ، min ، max ، Xmin ).
  • تعداد مرکز شهرداری ( نمن) متعلق به خوشه ( i ) در نظر گرفته می شود.
  • تعداد مرکز شهرداری ( نمن¯) متعلق به خوشه های مختلف، اما همچنان در R محاسبه می شود.
  • اگر نمن¯< نمن، خوشه بعدی انتخاب می شود، در غیر این صورت (یعنی نمن¯≥  نمن) هر یک از چهار ( m = 1…4) شهرداری خارجی شناسایی شده در مرحله 1 به طور مکرر انتخاب می شوند ( همتر،من)
  • مراحل 1-4 بدون احتساب تکرار می شوند همتر،مناز تجزیه و تحلیل؛
  • اگر نمن¯( m + 1) محاسبه شده در مرحله 6 کوچکتر از نمن¯( m ) محاسبه شده در مرحله 4، همتر،مناز خوشه i حذف می شود و دوباره به همان خوشه نزدیکترین شهرداری خود (متفاوت از i ) اختصاص داده می شود. اگر نمن¯( m + 1) < نمن( m + 1)، خوشه بعدی ( i ) انتخاب می شود، در غیر این صورت اگر نمن¯( m + 1) هنوز بزرگتر از نمن( m + 1)، شهرداری خارجی بعدی همتر،مندر نظر گرفته شده است (بازگشت به مرحله 5).
کل این روش تا زمانی که شرایط ایجاد شود تکرار می شود نمن¯≥ نمنبرای هر خوشه ( i ) به دست نمی آید .
با این الگوریتم، با در نظر گرفتن مقدار هدف حداقل 100000 ساکن، 77 خوشه از شهرداری ها به دست آمد ( شکل 4 )، با یک جمعیت متوسط ​​(25-75) (به استثنای خوشه های تک شهری میلان، برشا، مونزا و برگامو). از 107,724 (100,382–121,096).

2.4. تجزیه و تحلیل سری زمانی

انتشار فضایی و زمانی COVID-19 با در نظر گرفتن تعداد تماس‌های اورژانس به 112 و اعزام آمبولانس‌ها (در هر دو مورد، مربوط به مسائل تنفسی) در طول قلمرو، در مجموعه‌های شهرداری‌هایی که قبلاً توضیح داده شد، برآورد شد. برای انجام این کار، برای هر شهر موجود در خوشه، اطلاعات جمعیت شناختی مربوط به کل ساکنان برای هر محدوده سنی و جنسیت از داده های ISTAT استخراج شد. در هر خوشه، برای هر روز، تعداد کل تماس‌ها با شماره اضطراری 112 محاسبه شد و با کل جمعیت ساکن عادی شد:

نEسیمن،د = ∑مترجد،مترپoپمتر

جایی که

  • NEC i ، d = تماس‌های اضطراری برای مسائل تنفسی برای کل جمعیت ساکن برای خوشه i- امین و روز d-ام عادی شده است .
  • d,m = تماس های اضطراری برای مسائل تنفسی در روز d -th در شهرداری m -th;
  • pop m = جمعیت ساکن در شهرداری m -th.

با یک رویه مشابه، برای هر روز در هر خوشه ( i )، محاسبه «امتیاز COVID-19»، سیسمن،د، پیشنهاد می شود سن و جنسیت خاص هر بیمار نیازمند کمک پزشکی در نظر گرفته شود که توسط جمعیت ساکن با ویژگی های یکسان عادی شده است:

سیسمن،د = ∑متر∑آ(آدد،متر،آ،سپoپمتر،آ،س × wآ،س)

جایی که

  • ad d,m,a,s = تعداد اعزام آمبولانس در روز d -th در شهرداری m -th در محدوده سنی a -th برای جنسیت s ;
  • pop m,a,s = جمعیت ساکن در محدوده سنی a -th و جنسیت s در شهرداری m -th;
  • a,s = ضریب وزنی برای محدوده سنی a -th و جنسیت s .
این wآ،سبرای هر ترکیبی از محدوده سنی a -th و جنسیت به عنوان نسبت بین تعداد اعزام‌های آمبولانس در کل منطقه در دوره از 2 مارس تا 22 مارس 2020 (یعنی سه هفته با اپیدمی شناخته شده در نظر گرفته می‌شود) محاسبه شد. بر اساس تعداد اعزام آمبولانس‌ها از 6 ژانویه تا 27 ژانویه 2020 (یعنی به عنوان سه هفته ابتدایی بدون هیچ شواهدی از گسترش همه‌گیری در نظر گرفته می‌شود).
سری زمانی روزانه (از 1 ژانویه تا 23 مارس 2020) نEسیمن،دو سیسمن،دبرای هر خوشه به دست آمد و سپس با میانگین متحرک پنج روزه فیلتر شد تا تصادفی قوی در رویدادهای روزانه محاسبه شود.
به منظور شناسایی در هر دنباله یک نقطه اعتباری تی¯ به دلیل شباهت مورفولوژیکی این منحنی با فاز رپلاریزاسیون بطنی (موج T) در سیگنال الکتروکاردیوگرام، نشان دهنده آغاز پدیده تحت تجزیه و تحلیل (یعنی روز مرتبط با شروع بالقوه رشد نمایی اپیدمی)، روش معتبر [ 38 ] برای تشخیص قوی نقطه عطف توسعه یافته در آن زمینه استفاده شد.
به طور خاص، (به مثال در شکل 5 مراجعه کنید) سری زمانی ابتدا با یک فیلتر دیجیتال پاسخ ضربه محدود (یک Butterworth مرتبه دوم با فرکانس قطع بر روی 0.05 هرتز) و حداکثر جهانی منحنی فیلتر شد. شناسایی شد، و همچنین نقطه A با حداکثر مشتق (بالاترین شیب) بین چنین قله و حداقل محلی قبلی.
سپس، ذوزنقه ای ساخته شد که به عنوان رئوس نقاط زیر را داشت:
  • نقطه A، دارای مختصات (M’, Cs i,M )؛
  • نقطه B، با داشتن مختصات x یک مقدار “r” دلخواه انتخاب شده در دوره پایه، و به عنوان y مختصات مقدار Cs در A (Cs i,M ).
  • نقطه C، دارای مختصات (r, Cs i,r );
  • نقطه D، دارای مختصات (I, Cs i,I ) است که در آن I به طور مکرر تمام مقادیر بین r و M را در نظر می گیرد.
برای هر موقعیت ممکن از راس D، مساحت ذوزنقه ABCD محاسبه می شود و نقطه عطف تی¯از منحنی به عنوان مقدار I مشخص می شود که در آن مساحت ذوزنقه بالاترین را نشان می دهد [ 38 ].
با تجزیه و تحلیل سری‌های زمانی به‌دست‌آمده از امتیاز COVID-19 و NEC بر روی خوشه‌ها، مورفولوژی‌های مختلفی مشاهده شد و به چهار کلاس طبقه‌بندی شد (نمونه‌هایی که در شکل 6 گزارش شده است ):
  • کلاس 1: منحنی بالا بردن بسیار تیز و واضح.
  • کلاس 2: منحنی افزایش واضح اما صاف تر.
  • کلاس 3: روند افزایشی با نسبت سیگنال به نویز کمتر.
  • کلاس 4: بدون روند افزایشی در منحنی.
به منظور پردازش بهتر تمام سری های زمانی، آنها به صورت دستی در این چهار کلاس طبقه بندی شده و بر اساس آن تجزیه و تحلیل شدند (نگاشت این طبقه بندی در شکل 7 گزارش شده است ).
در حالی که منحنی های کلاس 4 از محاسبه روز شروع حذف شدند تی¯، برای تمام مورفولوژی های دیگر، یک عملیات فیلترینگ اعمال شد. برای کلاس 2، Butterworth مرتبه دوم با فرکانس قطع 0.05 هرتز در شناسایی روند موثر بود، در حالی که برای کلاس 1 و 3، لازم بود فیلتر را به منظور تطبیق آن با منحنی های تیزتر اصلاح کنیم: بنابراین، یک از Butterworth مرتبه پنجم با فرکانس قطع 0.2 هرتز استفاده شد.
پس از این طبقه بندی، چهار خوشه به کلاس 1، 47 به کلاس 2، 23 به کلاس 3، و سه به کلاس 4 بر اساس امتیاز COVID-19 تعلق داشتند، در حالی که برای NEC، سه خوشه به کلاس 1، 62 به کلاس تعلق داشتند. 2، 12 به کلاس 3، و بدون خوشه به کلاس 4.
طبقه‌بندی مورفولوژی‌های منحنی امتیاز COVID-19 این فرضیه را تأیید کرد که سن و جنسیت بیماران نجات‌یافته توسط آمبولانس‌ها می‌تواند اطلاعات بیشتری را ارائه دهد. در واقع با اعمال همین طبقه‌بندی برای تعداد عادی اعزام‌های آمبولانس، بدون هیچ وزنی از نظر سن و جنسیت، 23 خوشه به عنوان کلاس 4 و هیچ خوشه به عنوان کلاس 1 طبقه‌بندی شدند، در حالی که 24 خوشه به کلاس 2 و 30 کلاستر اختصاص یافتند. کلاس 3. تعداد بیشتر خوشه ها با سری زمانی در کلاس 3 (نسبت سیگنال به نویز کم) و در کلاس 4 (هیچ نقطه عطف قابل تشخیص نیست) کیفیت پایین تری را در سری های زمانی بدون وزن نشان داد، بنابراین که منجر به تشخیص کمتر مطمئن روز شروع می شود.
در کلاس 2، 55 خوشه (71٪) برای NEC و 29 خوشه (38٪) برای نمره COVID-19 همان مورفولوژی را نشان دادند که قبلاً در داده های جمع شده مشاهده شده بود (همانطور که در شکل 2 گزارش شده است .)، با حضور اولین افزایش در مکاتبات با اولین قفل موضعی مشخص می شود. بر اساس مشاهداتی که قبلاً بحث شد که این ویژگی می‌تواند به یک مصنوع مرتبط باشد، اما همچنین به نشانه اولیه گسترش بیماری، به منظور جلوگیری از شناسایی سیستماتیک الگوریتم به عنوان نقطه عطف نقطه عطف پس از اولین اوج، روش تصحیح با درونیابی نمایی برای فیلتر کردن آن و توزیع رویدادها در روزهای مجاور اعمال شد. با در نظر گرفتن یک پنجره اصلاحی از x1 تا x2، مقدار y(x1-1) به y(x1-2) و y(x1-3) اختصاص داده می شود، و برازش نمایی با استفاده از این داده ها محاسبه می شود: [y(x1- 3)، y(x1-2)، y(x1-1)، y(x2 + 1)، y(x2 + 2)، y(x2 + 3)]. برای همه x ≥ x1 و x ≤ x2، مقدار y در سری زمانی با مقادیر برازش مربوطه جایگزین می شود.شکل 8 ، که در آن x1 در 24 فوریه و x2 (به طور جداگانه برای هر خوشه) به عنوان روز اول با مقدار بالاتر از اولین پیک تنظیم شده است.

2.5. ارزیابی استحکام

برای هر خوشه، مقادیر تی¯ حاصل از NEC و از سری‌های زمانی امتیاز COVID-19 با مرتبط کردن آنها با هر شهرداری مقایسه شد و سپس تفاوت بین آنها محاسبه شد. از آنجایی که همه شهرداری‌ها تعداد ساکنان یکسانی ندارند، توزیع نهایی تفاوت برای هر 1000 ساکن محاسبه شد (تخصیص یک مقدار به همه افراد ساکن در همان شهرداری). معنی‌داری آماری ( 05 /0p<) بین نتایج به‌دست‌آمده با استفاده از دو سری با آزمون مجموع رتبه‌ای مورد آزمایش قرار گرفت.
برای ارزیابی استحکام این رویکرد در تعیین شروع احتمالی همه‌گیری، تجزیه و تحلیل با استفاده از یک خوشه‌بندی سرزمینی متفاوت که توسط زیربخش اداری مورد استفاده توسط AREU تشکیل شده است، متشکل از 107 خوشه، با میانگین (25-75) جمعیت (به استثنای) تکرار شد. شهرهای میلان، برشا، مونزا، و برگامو که به عنوان خوشه‌های منفرد در نظر گرفته می‌شوند، 67460 نفر (38845–108018). نتیجه تی¯سپس 2 مقدار با مقادیر قبلی مقایسه شد تی¯برای هر یک از 1506 شهرداری در لمباردی (آزمون مجموع رتبه، p <0.05). نتایج مربوطه در جدول 1 گزارش شده است .
مقایسه‌های مختلف تفاوت معنی‌داری (از این رو حداقل) را در نقطه عطف تخمینی برای NEC با توجه به استراتژی خوشه‌بندی متفاوت اعمال شده نشان می‌دهند، در حالی که هیچ معنی‌داری برای امتیاز COVID-19 یافت نشد. هنگام مقایسه امتیاز NEC و COVID-19، مستقل از استراتژی خوشه‌بندی اتخاذ شده، تفاوت معنی‌داری به طور سیستماتیک یافت شد (که دومی پس از اولی قرار گرفت).
با خوشه‌بندی AREU، علی‌رغم این واقعیت که ابعاد فضایی کوچک‌تر هر خوشه می‌تواند بینش محلی بهتری ارائه دهد، ممکن است محتوای اطلاعاتی برای هر سیگنال را به دلیل موارد کمتر در روز کاهش دهند و تشخیص واضح نقطه عطف را دشوارتر کنند. تی¯. در واقع، با استفاده از خوشه‌های اداری AREU، امتیاز COVID-19 و منحنی‌های NEC به کلاس 4 (یعنی هیچ نقطه شروعی برای محاسبه وجود ندارد) به ترتیب برای 15 و 4 خوشه در مقایسه با 3 و 0، نسبت داده شد. به ترتیب، زمانی که خوشه‌بندی مبتنی بر جمعیت پیشنهادی اعمال شد.

2.6. نتایج تکامل فضایی و زمانی

با در نظر گرفتن امتیاز COVID-19 برای خوشه های مبتنی بر جمعیت، تی¯ مقادیر از 14 فوریه تا 9 مارس 2020، با تاریخ متوسط ​​20 فوریه 2020 (18 فوریه، 22 فوریه) متغیر بود، در حالی که، بر اساس NEC، تی¯ مقادیر کمی پیش‌بینی شده بود، از 11 فوریه تا 23 فوریه 2020، با تاریخ متوسط ​​18 فوریه 2020 (17 فوریه، 20 فوریه). نتایج مربوطه در شکل 9 نگاشت و کد رنگی شد .
با توجه به تجزیه و تحلیل هر دو امتیاز COVID-19 و NEC، روز شروع تی¯در خوشه شامل شهر Codogno (خوشه شماره 57) در 16 فوریه 2020 شناسایی شد ( شکل 10 A,B)، پنج روز قبل از تشخیص رسمی اولین بیمار در 21 فوریه 2020. در روزهای بعد، روند به افزایش ناگهانی، بنابراین نشان می‌دهد که در 21 فوریه 2020، اپیدمی می‌توانست قبلاً در مرحله رشد نمایی قوی قرار داشته باشد که در 4 مارس 2020 به اوج رسید. این نتیجه با خوشه شماره 11 مطابق با مرکز شهری نزدیک است. کرمونا، جایی که روز شروع است تی¯حتی یک روز زودتر، در 15 فوریه 2020، با در نظر گرفتن هر دو امتیاز COVID-19 ( شکل 10 C) و NEC ( شکل 10 D) شناسایی شد و یک مقدار به اوج در 14 مارس 2020 رسید.
بر اساس داده‌های رسمی پسینی، بیشترین منطقه آسیب‌دیده در این اولین مرحله موقت، استان برگامو (1،114،590 جمعیت ساکن)، با بیشترین تعداد مطلق تشخیص‌های COVID-19 (8527) تا 29 مارس 2020، با شیوع 0.765٪. در خوشه مربوط به شهر برگامو (#4)، روز شروع تی¯در 20 فوریه 2020 بر اساس امتیاز COVID-19 ( شکل 11 A) و در 17 فوریه 2020 توسط NEC ( شکل 11 B) شناسایی شد، در حالی که در دو خوشه نزدیک (#65 و #53) شامل Nembro و Alzano Lombardo (Val) Seriana)، به ترتیب، شروع منحنی حتی زودتر، در 16 فوریه 2020 ( شکل 11 C, E) بر اساس امتیاز COVID-19 و در 15 فوریه 2020 و 14 فوریه 2020 به ترتیب توسط NEC پیدا شد ( شکل 11D, F). این مناطق با وضعیت بحرانی مواجه بودند و بیشترین آسیب را در کل کشور تحت تأثیر این بیماری همه گیر قرار دادند، همانطور که داده های ISTAT در مورد مرگ و میر (برای همه علل) تأیید می کند، که بر اساس آن افزایش نسبی در دوره زمانی از 1 مارس تا 21 مارس 2020 در مقایسه با دوره زمانی مشابه در سال 2019 برای نمبرو 1000% و برای آلزانو لومباردو 937.5% بود.
این رویکرد کاملاً عاری از مصنوعات نیست. برای امتیاز COVID-19، روند غیرعادی پیش بینی در تشخیص نقطه عطف در مقایسه با NEC در سه خوشه در شمال غربی میلان، از جمله منطقه فرودگاه مالپنسا (#52، شکل 12 A,B) به وضوح قابل مشاهده بود . دومین فرودگاه بزرگ بین المللی ایتالیا و اولین فرودگاه در منطقه لومباردی و سایر شهرداری های غیر مجاور (#35، شکل 12 C,D و #23، شکل 12)E,F). در این سه خوشه، اولین اوج اولیه (اما با دامنه متوسط) امتیاز COVID-19 شناسایی شد (به ترتیب در 14 فوریه 2020 برای #35، در 15 فوریه 2020 برای #52، و در 16 فوریه 2020 برای #23). با این حال، مرحله رشد نمایی واضح دنبال نشد و از 5 مارس تا 15 مارس 2020، قبل از رسیدن به اوج جهانی، کاهش شدیدی مشاهده شد.
همچنین برای NEC، یک روند غیرعادی مشابه، با یک نقطه عطف خیلی زود تشخیص داده شده (11 فوریه 2020)، یک اوج اولیه که با رشد نمایی واضح دنبال نمی‌شود، اما در عوض با کاهش، و قبل از مقادیر حداقل، برای خوشه # مشاهده شد. 8 ( شکل 13 الف) و خوشه شماره 16 ( شکل 13 ج). در هر دو خوشه، این روزهای شروع اولیه با نمره COVID-19 تأیید نشد ( شکل 13 B,D)، جایی که یک روز شروع تی¯قابل تشخیص نبود

3. بحث

در این کار، یک رویکرد جدید، در غیاب داده‌های دقیق و کامل در مورد موارد مثبت در طول زمان، برای به دست آوردن تخمینی از تاریخ شروع همه‌گیری کووید-19 در خوشه‌هایی با حداقل 100000 ساکن در سراسر قلمرو لمباردی پیشنهاد شد. منطقه این روش بر اساس تجزیه و تحلیل تماس‌های اورژانسی روزانه به شماره اورژانس 112 یا اعزام‌های آمبولانس زیر که توسط AREU EMS انجام شده است، هر دو مربوط به مسائل تنفسی است.
نظارت بر تغییرات در استفاده از مراقبت‌های بهداشتی در یک منطقه خاص اخیراً به عنوان کلیدی برای تفسیر داده‌های نظارت COVID-19 پیشنهاد شده است، جایی که اعزام آمبولانس‌ها به عنوان یکی از شاخص‌های احتمالی که باید در نظر گرفته شود توصیف شده است (هنوز، روش‌شناسی به طور جزئی ایجاد نشده است). [ 12 ]. نیاز به استفاده از منابع داده جایگزین و شهروندان محور قبلاً در رابطه با تحلیل فضایی COVID-19 [ 14 ] شناسایی شده است – به عنوان مثال، در ارزیابی محتوای آموزنده رسانه های اجتماعی [ 10 ، 12]]. در این زمینه، تماس‌ها با شماره تلفن اورژانس 112 نشان‌دهنده یک پارامتر کاملاً مبتنی بر شهروندی است، در حالی که ارسال‌های EMS را می‌توان نتیجه فرآیند فیلتر کردن تماس‌های متخصصان مراقبت‌های بهداشتی در نظر گرفت.
چارچوب پیشنهادی به دو موضوع بسیار مرتبط می پردازد که در ادبیات به عنوان موانع بالقوه برجسته شده اند:
(1)
در دسترس بودن داده‌ها: تشخیص‌های رسمی با قابلیت‌های آزمایش و منابع موجود محدود می‌شوند، به‌ویژه در مرحله اول اپیدمی [ 10 ] به دلیل جدید بودن آسیب‌شناسی، که محدودیت شدیدی را در هنگام استفاده به عنوان ورودی برای تحلیل‌های مکانی-زمانی ایجاد می‌کند [ 9 ، 11 ، 31 ، 32]. با استفاده از تماس با شماره اورژانس 112 یا آمبولانس‌های زیر، نیاز به داشتن ظرفیت آزمایشی گسترده برای تشخیص افزایش ناگهانی بیماران احتمالی مثبت کووید-19 دور زده می‌شود: این منابع داده جایگزین روزانه، بدون تأخیر ناشی از ساختارها و پروتکل های خارجی (به عنوان مثبت بودن تست ها)، بنابراین یک مرجع به روز شده روزانه برای مقایسه فراهم می کند. علاوه بر این، این رویکرد بیمار محور است: این بیمار است که بر اساس علائم درک شده، با شماره 112 تماس می گیرد که پس از اولین مصاحبه تلفنی برای تأیید علائم بیمار، آمبولانس را اعزام می کند. از آنجایی که هم تماس‌های اورژانس و هم اعزام‌های آمبولانس، در سطح استانی با تلفات رسمی ناشی از COVID-19 همبستگی زیادی داشت.
(2)
دانه بندی جغرافیایی: یک پاسخ زودهنگام محلی در کاهش اثرات شیوع بیماری های همه گیر حیاتی است [ 13 ، 14]] با اجرای مداخلات متناسب با نیازهای منطقه ای خاص و امکان بهینه سازی دقیق تر منابع بهداشتی موجود. چارچوب پیشنهادی بینش مهمی را با در نظر گرفتن مناطق جغرافیایی خاص با تعداد جمعیت ساکن مشابه ارائه می‌دهد، که می‌تواند برای برجسته کردن بهتر مکان‌های خاص در معرض خطر که در آن اقدامات پیشگیرانه قفل زودهنگام پیشنهاد شود، بیشتر اصلاح شود. برای به دست آوردن دانه بندی کافی، خوشه هایی از جمعیت ساکن همگن (حدود 100000 شهروند) به عنوان مصالحه ای بین وضوح فضایی و نیاز به داشتن رویدادهای کافی برای ایجاد افزایش قابل مشاهده موارد در یک خوشه خاص تعریف شدند. برای انجام این کار، یک روش اصلی برای تجمیع شهرداری‌ها توسعه و اعمال شد.
برای هر دو شاخص پیشنهادی (تماس های اضطراری به 112 و اعزام آمبولانس ها)، تجزیه و تحلیل مکانی-زمانی بر تعریف آغاز انتشار همه گیری متمرکز بود، که با جستجوی تغییر در مورفولوژی منحنی (یعنی یک نقطه عطف) شناسایی شد که می تواند به عنوان افزایش اولیه در داده های مربوطه در طول زمان شناسایی شود. برای این هدف، یک روش پردازش سیگنال که قبلا برای رسیدگی به یک مشکل مشابه در تجزیه و تحلیل داده‌های بیولوژیکی استفاده می‌شد، که در آن اطمینانی در مورد نقطه اولیه مورد نظر وجود ندارد، استفاده شد.
هنگام در نظر گرفتن آمبولانس‌های اعزامی، تعداد، سن و جنسیت بیماران، سازگار با پدیدارشناسی COVID-19، با محاسبه یک نمره خاص COVID-10 به جای در نظر گرفتن تعداد مطلق در نظر گرفته شد، بنابراین منجر به افزایش بسیار بیشتر شد. سیگنال‌های اطلاعاتی که می‌توانند تکامل همه‌گیری را در آن محدوده‌های سنی مرتبط با جنسیت ثبت کنند، در تعداد بیشتری مورد استفاده قرار می‌گیرند.
تجزیه و تحلیل پیشنهادی مبتنی بر داده بود و باید با ویژگی‌های مشخصه به دلیل رویدادهای خاص، مانند حضور اولین اوج در متناظر با تنظیم اولین قرنطینه محلی در 24 فوریه 2020، احتمالاً به دلیل اولین وحشت ناشی از هراس، سروکار داشت. واکنش. به منظور در نظر گرفتن علل برونزا با توجه به گسترش اپیدمی در تمام مناطقی که این مورفولوژی به صورت دستی شناسایی شده است، یک روش اصلاحی خاص بر اساس برازش داده‌های نمایی معرفی شد تا در چنین مواردی از تشخیص تاخیری مرتبط با مورفولوژی جلوگیری شود.
با توجه به تأثیر به کارگیری خوشه بندی جغرافیایی مختلف، روش نتایج متفاوتی را نشان داد. با این حال، توزیع خطا بر اساس جمعیت ساکن در هر شهرداری دارای میانه (چک 25٪ – چندک 75٪) یک روز (0، 2) برای NEC و یک روز (0، 5) برای نمره COVID-19 بود. بر این اساس، روش بکار گرفته شده را می توان به اندازه کافی برای تغییرات فضایی در تقسیم بندی قلمرو قوی در نظر گرفت، و خوشه بندی مبتنی بر جمعیت پیشنهادی بر روش اداری ترجیح داده شد، زیرا معنی دار بودن آماری نتایج به شدت به بعد (از نظر جمعیت ساکن) خوشه‌ها، همانطور که با تعداد بیشتر منحنی طبقه‌بندی شده به عنوان کلاس 4 (یعنی نویز) با استفاده از خوشه‌بندی اداری AREU مشهود است.
شایان ذکر است که بر اساس NEC، هیچ خوشه ای منجر به روز شروع نشد تی¯بعد از 23 فوریه 2020. همانطور که قبلاً بحث شد، تماس‌های اضطراری در 24 فوریه 2020، تاریخی که اولین قرنطینه محلی ایجاد شد، افزایش یافت، و حتی اگر اصلاحی برای خوشه‌هایی که این مورفولوژی را نشان می‌دهند، اعمال شود، افزایش در NEC ثابت بود. در همه جا در روزهای بعد، بنابراین منجر به شناسایی نقاط عطف درست قبل از اولین پیک می شود (در واقع، مقدار متوسط ​​20 فوریه 2020، روز قبل از اولین تشخیص رسمی است). با این حال، این افزایش همیشه با افزایش اعزام آمبولانس مطابقت نداشت، بنابراین این فرضیه وجود داشت که افزایش تعداد تماس ها بیشتر به دلیل عوامل روانی و ترس ناشی از اخبار پخش شده است. بنابراین، با وجود تماس‌های اضطراری، مجموعه داده بزرگ‌تری را تشکیل می‌دهد که تحلیل آن آسان‌تر است.شکل 13 ). از سوی دیگر، اشباع احتمالی استفاده از آمبولانس به دلیل تعداد زیاد تماس‌ها و کاهش ظرفیت بیمارستان در پذیرش بیماران، می‌تواند تعداد اعزام‌های آمبولانس را کاهش داده یا به تأخیر بیاندازد و در نتیجه سرعت گسترش اپیدمی را دست کم گرفته شود.
علی‌رغم تماس‌های اضطراری، منبع اطلاعاتی فیلتر نشده است که منجر به ارتباط قوی با مرگ و میر شد و با توجه به حجم نمونه بزرگ، کمتر تحت تأثیر نویز قرار گرفت، در تلاشی برای بازسازی گذشته‌نگر انتشار فضایی-زمانی همه‌گیری، پایگاه داده آمبولانس‌ها. ارسال‌هایی که با توجه به سن و جنسیت بیماران وزن داده می‌شود و در نتیجه امتیاز نماینده COVID-19 ایجاد می‌شود، نیز در نظر گرفته شد.
تجزیه و تحلیل پیشنهادی یک روز شروع اولیه بالقوه منحنی نمایی را شناسایی کرد که نشان‌دهنده مرحله‌ای از همه‌گیری است که در آن ردیابی تماس کامل و موفقیت‌آمیز احتمالاً دیگر ممکن نخواهد بود (همچنین با در نظر گرفتن میانگین زمان انکوباسیون قبل از علائم شش روزه [39] ) . ). بر اساس نتایج به‌دست‌آمده، به منظور کنترل اپیدمی، یک قرنطینه کامل (مثلاً یک اقدام مؤثر با وابستگی شدید به زمان است [ 34 ، 40 ، 41 ، 42]]) باید در هفته دوم فوریه اجرا می شد، در حالی که اولین تشخیص تنها یک هفته بعد رخ داد و یک قرنطینه گسترده (از جمله کل منطقه لومباردی) در 9 مارس 2020 (یعنی تقریباً با یک ماه تاخیر) به دنبال داشت. علاوه بر این، بر اساس نتایج ما، اولین قرنطینه محلی در اطراف منطقه Codogno (شامل 10 شهرداری دیگر در اطراف) که از 24 فوریه 2020 شروع شد بسیار کم بود، زیرا در آن تاریخ، 56 مورد از 77 خوشه در نظر گرفته شده (72.73٪) و 100٪ بود. با توجه به امتیاز COVID-19 و سری زمانی NEC که با سایر مشاهدات و فرضیه ها مطابقت دارد، به نظر می رسد که از قبل از قبل در مرحله رشد نمایی سریع قرار داشته باشند، بنابراین توضیح احتمالی در مورد شکست اولین مهار ارائه می شود. معیارهای.
بر اساس نتایج ما، گسترش اپیدمی در سراسر قلمرو یکنواخت نبود، با یک روز شروع که از 14 فوریه تا 9 مارس 2020 متغیر بود. این مشاهدات مطابق با مفهوم کلیدی تحلیل فضایی مدرن است که توسط اسکولانو [43] بیان شده است . ] زیرا “همه اشیاء (روی سطح زمین) به یکدیگر مرتبط هستند، اما روابط بین اشیاء متصل بهتر بدون توجه به نزدیکی آنها شدیدتر است، که کاربرد آنها برای همه گیری COVID-19 قبلاً پیشنهاد شده بود [ 18 ، 44 ] .
مناطق با شروع اولیه ( شکل 10 و شکل 11 ) تعداد بسیار بالایی از اعزام آمبولانس برای بیماران سن و جنس معمولی COVID-19 (مردان بیشتر و جوان تر از حد معمول) را ثبت کردند که توسط امتیاز محاسبه شده COVID-19 نشان داده شده است. مناطقی که شروع به تأخیر داشتند عمدتاً دارای سطوح پایین‌تری از نمره COVID-19 بودند، به جز یک منطقه گسترده (استان برشا) که با مقادیر اوج متوسط ​​به بالا مشخص می‌شود. به هر حال، برخی مناطق با روز شروع اولیه بودند که فاز بعدی رشد نمایی قوی را نشان ندادند ( شکل 12 ). این منحنی ها تفسیر مشکوکی دارند، زیرا در سایر مناطق با روز شروع زودهنگام تی¯مشاهده شد که یک رشد نمایی ثابت بلافاصله پس از آن مشاهده شد که به قله های بالا رسید. فرضیه اولین پیک ناشی از وحشت و بنابراین مثبت کاذب را می توان نادیده گرفت زیرا رشد زودتر از اولین تشخیص شروع شد (21 فوریه 2020). فرضیه های احتمالی توضیح دهنده به شرح زیر است:
  • این بیماری ناشی از شیوع COVID-19 بود که به دلایل نامعلومی باعث رشد تصاعدی موارد نشد. اما این فرضیه با آنچه در سایر زمینه ها مشاهده شد در تضاد است.
  • این بیماری ناشی از مشکلات تنفسی با منشأ متفاوت با پدیدارشناسی (سن و جنسیت بیماران) شبیه به COVID-19 بود. با این حال، در این مورد، تصادف به نظر دور از ذهن است.
  • کاهش تصادفی اعزام آمبولانس‌ها درست قبل از شروع همه‌گیری COVID-19 (که در هر سه خوشه مشاهده شد) باعث افزایش در روزهای بعد شد که منجر به تحمیل فوق‌العاده به اولین موارد COVID-19 شد و تأثیر آنها را افزایش داد. به اولین اوج ایجاد شده توسط ترکیبی از دو رویداد.
متأسفانه، اطلاعات موجود برای ارزیابی علت این ناهنجاری کافی نیست و برای یافتن یک توضیح احتمالی، به تحلیل عمیق‌تری که در نهایت با داده‌های پزشکی اضافی از بیمارستان‌های این مناطق تأیید می‌شود، نیاز است. از این اختلافات بین امتیاز NEC و COVID-19، معیارهای اضافی مبتنی بر ترکیب (یا مطابقت متقابل) بین نتایج این دو شاخص باید اعمال شود تا مصنوعات احتمالی فیلتر شوند.
جالب است که همانطور که در نتایج بحث شد، مشاهده کنید که مراکز شهری بزرگ (مانند شهرهای برگامو و برشا) دیرتر و کمتر تحت تأثیر این بیماری همه‌گیر قرار گرفتند، که با توجه به اینکه تراکم مسکونی بالاتر با افزایش تراکم مسکونی همراه است، می‌تواند غیرمنتظره باشد. شلوغی مکان های عمومی و استفاده بیشتر از وسایل حمل و نقل عمومی، عوامل خطر قابل توجهی برای انتشار ویروس های تنفسی است. علل این روند ناشناخته است و نیاز به بررسی بیشتر دارد.
علاوه بر تعیین بهترین انتخاب بین منابع داده پیشنهادی، هدف این مطالعه برجسته کردن پتانسیل آنها در استفاده به عنوان ورودی برای ارزیابی غیرمستقیم تکامل زمانی همه‌گیری بود و به مطالعات آینده در مورد داده‌های آینده‌نگر و مقایسه نتایج آنها در ارزیابی حساسیت و دقت، به طور جداگانه یا ترکیبی.
محدودیت های اصلی این مطالعه مربوط به موارد زیر است:
  • شناسایی مورفولوژی‌های سیگنال مختلف، که بر پردازش متفاوت داده‌ها دلالت دارد: استفاده از دو سیگنال مختلف در تجزیه و تحلیل (نمره NEC و COVID-19) با ویژگی‌های خاص آنها از استفاده از روش‌های آستانه‌سازی ساده جلوگیری می‌کند. به همین دلیل، در مرحله کنونی، با توجه به تعداد محدودی از خوشه های تجزیه و تحلیل شده، طبقه بندی مورفولوژیکی سری های زمانی حاصل به صورت دستی انجام شد.
  • اعتبارسنجی نتایج: هدف روش اعمال شده استنباط بخشی از اطلاعاتی بود که در جای دیگر در دسترس نبود (روز شروع رشد تصاعدی شیوع همه‌گیری)، و بنابراین اعتبارسنجی روش توسعه‌یافته در برابر استاندارد طلا غیرممکن بود. برای به حداقل رساندن این محدودیت، هر دو NEC و COVID-19 پیشنهاد شدند، بنابراین یک مقایسه متقابل احتمالی بین نتایج آنها به دست آمد.
  • تأثیر خوشه‌بندی جغرافیایی: نتایج به‌دست‌آمده وابسته به روش استفاده شده برای ایجاد خوشه‌ها (از این رو اندکی) به نظر می‌رسد. با این حال، اعتبار سنجی کامل مستلزم مقایسه با معیارهای مختلف است که منجر به خوشه‌هایی با تعداد ساکنان مشابه می‌شود، تا بر تفاوت‌های بالقوه ناشی از تعداد محدود رویدادها در خوشه‌ها غلبه کند که منجر به نسبت سیگنال به نویز کمتر در سری‌های زمانی به‌دست‌آمده می‌شود.
  • اختلاف در دسترس بودن و مدیریت منابع مراقبت های بهداشتی: اگرچه AREU مدیر و ارائه دهنده EMS برای تمام لمباردی است، توزیع منابع (به ویژه آمبولانس ها) می تواند تحت تأثیر در دسترس بودن محلی باشد، زیرا آنها به شدت به مشارکت داوطلبان و خصوصی متکی هستند. انجمن ها علاوه بر این، وضعیت اضطراری بی‌سابقه در مراحل اولیه همه‌گیری، واکنش سریع و سازماندهی مجدد عمیق پروتکل‌ها را در سطح محلی، قبل از ایجاد دستورالعمل‌های متمرکز، وادار کرد. در چارچوب پیشنهادی، تقاضا برای EMS با جزئیات جغرافیایی بالا مورد تجزیه و تحلیل قرار گرفت، اما تفاوت‌های فضایی در دسترس بودن خدمات در نظر گرفته نشد. این تقریب به هر حال قابل قبول در نظر گرفته شد زیرا هدف مطالعه شناسایی نقطه شروع بود.

4. نتیجه گیری

تجزیه و تحلیل پایگاه داده‌های جغرافیایی تماس‌های اضطراری به شماره اورژانس 112 و اعزام آمبولانس‌ها توسط ارائه‌دهنده EMS (هر دو فقط مربوط به مسائل تنفسی) برای منطقه لمباردی، ایتالیا، در تلاشی برای درک تکامل اولیه موقتی COVID-19 انجام شد. اپیدمی در یک سناریو با امکانات تشخیصی محدود (یعنی آزمایشات) در قلمرو. نتایج این رویکرد، که با استفاده از ابزارها و تکنیک‌های ژئوماتیک و همچنین اطلاعات جغرافیایی ارجاع‌شده انجام شده است، از استفاده از چنین داده‌هایی پشتیبانی می‌کند که به شدت با تلفات COVID-19 در سطح استانی مرتبط هستند، به عنوان مبنایی برای بازسازی تکامل مکانی و زمانی اپیدمی بدون محدودیت های موجود در داده های رسمی برای موارد مثبت، که به شدت به مدیریت سیاست های تشخیص و منابع موجود وابسته هستند. چارچوب پیشنهادی می‌تواند به مناطق مختلف منتقل شود، زیرا دسترسی به منابع داده مورد نیاز (تماس‌های اضطراری، اعزام‌های EMS و جمعیت ساکن در سطح شهرداری) نسبتاً آسان است. علاوه بر توسعه و آزمایش پسینی، روش پیشنهادی می‌تواند به صورت آینده‌نگر در اجرای داده‌های روزانه نیز به کار رود تا توجه به افزایش‌های غیرعادی محلی احتمالی که می‌تواند نشان‌دهنده بازگشت زودهنگام همه‌گیری باشد، در نتیجه اطلاعات بالقوه مفیدی برای تصمیم‌گیری فراهم کند.

پیوست اول

آزمون رتبه امضا شده Wilcoxon برای مقایسه توزیع درصد بیماران مرد در هر محدوده سنی، به طور جداگانه برای هر هفته از 6 ژانویه تا 22 مارس 2020. مقادیر p نشان دهنده رد فرضیه صفر است که در هفته های در نظر گرفته شده در مقایسه تأثیر COVID-19 در محدوده سنی بیماران مرد متفاوت بود. اهمیت در کادرهای مربوطه برجسته شده است.

6 ژانویه
12 ژانویه
13 ژانویه
19 ژانویه
20 ژانویه
26 ژانویه
27 ژانویه
2 فوریه
3 فوریه
9 فوریه
10 فوریه
16 فوریه
17 فوریه
23 فوریه
24 فوریه
1 مارس
2 مارس
8 مارس
9 مارس
15 مارس
16 مارس
22 مارس
6 ژانویه
12 ژانویه
/ 0.734 0.97 0.821 0.473 0.791 0.623 0.521 0.473 0.076 0.014
13 ژانویه
19 ژانویه
0.734 / 0.623 0.65 0.91 0.571 0.85 0.241 0.162 0.026 0.016
20 ژانویه
26 ژانویه
0.97 0.623 / 0.791 0.571 0.734 0.97 0.385 0.385 0.045 0.014
27 ژانویه
2 فوریه
0.821 0.65 0.791 / 0.97 0.97 0.762 0.273 0.345 0.031 0.017
3 فوریه
9 فوریه
0.473 0.91 0.571 0.97 / 1 1 0.162 0.162 0.031 0.005
10 فوریه
16 فوریه
0.791 0.571 0.734 0.97 1 / 0.91 0.241 0.273 0.021 0.009
17 فوریه
23 فوریه
0.623 0.85 0.97 0.762 1 0.91 / 0.385 0.273 0.026 0.014
24 فوریه
1 مارس
0.521 0.241 0.385 0.273 0.162 0.241 0.385 / 0.91 0.104 0.045
2 مارس
8 مارس
0.473 0.162 0.385 0.345 0.162 0.273 0.273 0.91 / 0.162 0.076
9 مارس
15 مارس
0.076 0.026 0.045 0.031 0.031 0.021 0.026 0.104 0.162 / 0.734
16 مارس
22 مارس
0.014 0.016 0.014 0.017 0.005 0.009 0.014 0.045 0.076 0.734 /

آزمون رتبه امضا شده Wilcoxon برای مقایسه توزیع درصد بیماران مرد در هر محدوده سنی، به طور جداگانه برای هر هفته از 6 ژانویه تا 22 مارس 2020. مقادیر p نشان دهنده رد فرضیه صفر است که در هفته های در نظر گرفته شده در مقایسه تأثیر COVID-19 در محدوده سنی بیماران مرد متفاوت بود. اهمیت در کادرهای مربوطه برجسته شده است.

6 ژانویه
12 ژانویه
13 ژانویه
19 ژانویه
20 ژانویه
26 ژانویه
27 ژانویه
2 فوریه
3 فوریه
9 فوریه
10 فوریه
16 فوریه
17 فوریه
23 فوریه
24 فوریه
1 مارس
2 مارس
8 مارس
9 مارس
15 مارس
16 مارس
22 مارس
6 ژانویه
12 ژانویه
/ 0.791 1 0.97 0.97 0.734 0.427 0.121 0.011 0.001 <0.001
13 ژانویه
19 ژانویه
0.791 / 0.791 0.85 0.734 0.91 0.623 0.162 0.026 0.001 <0.001
20 ژانویه
26 ژانویه
1 0.791 / 0.791 0.734 0.571 0.345 0.089 0.014 0.001 <0.001
27 ژانویه
2 فوریه
0.97 0.85 0.791 / 0.91 0.623 0.427 0.162 0.021 0.001 0.001
3 فوریه
9 فوریه
0.97 0.734 0.734 0.91 / 0.677 0.384 0.104 0.005 <0.001 <0.001
10 فوریه
16 فوریه
0.734 0.91 0.571 0.623 0.677 / 0.521 0.186 0.021 0.001 0.001
17 فوریه
23 فوریه
0.427 0.623 0.345 0.427 0.384 0.521 / 0.385 0.104 0.005 0.001
24 فوریه
1 مارس
0.121 0.162 0.089 0.162 0.104 0.186 0.385 / 0.212 0.009 0.001
2 مارس
8 مارس
0.011 0.026 0.014 0.021 0.005 0.021 0.104 0.212 / 0.076 0.003
9 مارس
15 مارس
0.001 0.001 0.001 0.001 <0.001 0.001 0.005 0.009 0.076 / 0.054
16 مارس
22 مارس
<0.001 <0.001 <0.001 0.001 <0.001 0.001 0.001 0.001 0.003 0.054 /

ضمیمه B

تکامل در طول زمان (فاصله های دو هفته ای) تعداد آمبولانس هایی که برای مشکلات تنفسی اعزام می شوند، تقسیم بر اساس مش سن و جنسیت (آبی = مرد، صورتی = ماده، سفید = اطلاعات موجود نیست).
Ijgi 09 00639 i001
Ijgi 09 00639 i002
Ijgi 09 00639 i003

منابع

  1. Istituto Superiore di Sanità, Roma–Aggiornamento Nazionale 09 Marzo 2020. در دسترس آنلاین: https://www.ansa.it/documents/1583864041148_Bollettino.pdf (در 31 اوت 2020 قابل دسترسی است).
  2. دانشگاه پزشکی جان هاپکینز – مرکز تحقیقات کروناویروس – نقشه جهانی. در دسترس آنلاین: https://coronavirus.jhu.edu/map.html (در 26 سپتامبر 2020 قابل دسترسی است).
  3. علیمدادی، ع. آریال، س. مناندار، من. مونرو، پی بی. جو، بی. چنگ، ایکس. هوش مصنوعی و یادگیری ماشینی برای مبارزه با کووید-۱۹. فیزیول. ژنوم 2020 ، 52 ، 200-202. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  4. Bragazzi، NL; دای، اچ. دامیانی، گ. بهزادی فر، م. مارتینی، م. Wu, J. چگونه داده‌های بزرگ و هوش مصنوعی می‌توانند به مدیریت بهتر همه‌گیری COVID-19 کمک کنند. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2020 ، 17 ، 3176. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  5. محمد، س. جیابانلی، پ. آلوارز-لوپز، اف. Adly, AS; Adly, AS; Adly، رویکردهای MS بر اساس هوش مصنوعی و اینترنت چیزهای هوشمند برای جلوگیری از گسترش COVID-19: بررسی محدوده. جی. مد. Internet Res. 2020 ، 22 ، e19104. [ Google Scholar ] [ CrossRef ]
  6. سیمسک، م. Kantarci، B. بسیج ارزیابی‌های مبتنی بر هوش مصنوعی در همه‌گیری‌های شبه کووید-19: مطالعه موردی برای صاف کردن اولیه منحنی. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2020 ، 17 ، 3437. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  7. محمود، س. حسن، ک. کاراس، ام سی; Labrique، AB آمادگی جهانی در برابر COVID-19: ما باید از قدرت سلامت دیجیتال (Preprint) استفاده کنیم. نظارت بر سلامت عمومی JMIR. 2020 ، 6 ، e18980. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  8. تینگ، DSW; کارین، ال. دزاو، وی. Wong، فناوری دیجیتال TY و COVID-19. نات پزشکی 2020 ، 26 ، 459-461. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  9. Vafea، MT; آتالا، ای. جورجاکاس، ج. شهاده، ف. میلونا، EK; کالیگروس، ام. میلوناکیس، ای. فناوری‌های نوظهور برای استفاده در مطالعه، تشخیص و درمان بیماران مبتلا به کووید-19. سلول. مول. Bioeng. 2020 ، 1–9. [ Google Scholar ] [ CrossRef ]
  10. سان، ک. چن، جی. Viboud، C. تجزیه و تحلیل اپیدمیولوژیک اولیه شیوع بیماری کروناویروس 2019 بر اساس داده‌های جمع‌سپاری: یک مطالعه مشاهده‌ای در سطح جمعیت. Lancet Digit. Health 2020 , 2 , e201–e208. [ Google Scholar ] [ CrossRef ]
  11. ابراهیم، ​​نظارت اپیدمیولوژیک NK برای کنترل همه‌گیری کووید-19: انواع، چالش‌ها و پیامدها. ج. عفونی کردن. بهداشت عمومی 2020 . [ Google Scholar ] [ CrossRef ]
  12. الیوت، ای جی؛ هارکورت، SE; هیوز، او؛ لاوریج، پی. موربی، RA; اسمیت، اس. سوریانو، آ. بینز، ا. اسمیت، جنرال الکتریک؛ ادگره، او. و همکاران همه‌گیری COVID-19: چالشی جدید برای نظارت بر سندرم اپیدمیولوژی عفونت. 2020 ، 148 ، e122. [ Google Scholar ] [ CrossRef ]
  13. آندره، AM; لوپز، ا. پرکینز، اس. لامبرت، اس. چیس، ال. نودکه، ن. پاییز، A. پدالینو، بی. برنامه های آموزشی اپیدمیولوژی میدانی خط مقدم به عنوان راهبردی برای بهبود مراقبت و پاسخ به بیماری. ظهور. آلوده کردن دیس 2017 ، 23 ، S166–S173. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  14. فرانک-پاردو، آی. ناپلتانو، بی.ام. روزت ورجز، اف. Billa, L. تجزیه و تحلیل فضایی و GIS در مطالعه COVID-19. بازنگری. علمی جمع. محیط زیست 2020 , 739 , 140033. [ Google Scholar ] [ CrossRef ]
  15. چن، ز.-ال. ژانگ، Q. لو، ی. Guo، Z.-M. ژانگ، ایکس. ژانگ، W.-J. گوا، سی. لیائو، سی.-اچ. لی، Q.-L. هان، X.-H. و همکاران توزیع اپیدمی COVID-19 و ارتباط با مهاجرت جمعیت از ووهان، چین. چانه. پزشکی J. 2020 ، 133 ، 1044-1050. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  16. رضایی، م. نوری، ع.ا. پارک، جی اس. کیم، DH کاربرد سیستم اطلاعات جغرافیایی در نظارت و تشخیص شیوع COVID-19. ایران. J. بهداشت عمومی 2020 ، 49 ، 114-116. [ Google Scholar ] [ CrossRef ]
  17. دونگ، ای. دو، اچ. گاردنر، ال. داشبورد تعاملی مبتنی بر وب برای ردیابی کووید-19 در زمان واقعی. عفونت لانست دیس 2020 ، 20 ، 533-534. [ Google Scholar ] [ CrossRef ]
  18. جولیانی، دی. دیکسون، ام.ام. اسپا، جی. سانتی، اف. مدل‌سازی و پیش‌بینی گسترش فضایی- زمانی بیماری کروناویروس 2019 (COVID-19) در ایتالیا. الکترون SSRN. J. 2020 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. لاکانی، ع. معرفی رویکرد فضایی درصد، تعداد، در دسترس بودن و ظرفیت [PNAC] برای شناسایی مناطق روستایی اولویت دار نیازمند حمایت بهداشتی هدفمند در پرتو کووید-19: تفسیر و کاربرد. J. روستایی. سلامت 2020 ، 1-4. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  20. پادولا، WV; دیویدسون، P. کشورهایی با تمرکز پرستاران ثبت شده بالا (RN) نرخ مرگ و میر کاهش یافته بیماری کروناویروس 2019 (COVID-19) را مشاهده می کنند. الکترون SSRN. J. 2020 , 3566190. [ Google Scholar ] [ CrossRef ]
  21. جلا، TK; آکونا، ای جی; ساموئل، LT; جلا، TK; Mroz، TE; کامات، نقشه برداری جغرافیایی AF از جراحان ارتوپد 60 سال و بالاتر و موارد تایید شده کووید-19. J. Bone Jt. سرگ. صبح. جلد 2020 . [ Google Scholar ] [ CrossRef ]
  22. مولالو، ع. واحدی، ب. Rivera، مدل‌سازی فضایی مبتنی بر KM GIS نرخ بروز COVID-19 در قاره ایالات متحده. علمی جمع. محیط زیست 2020 , 728 , 138884. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  23. Coccia، M. عوامل تعیین کننده انتشار COVID-19 و استراتژی پیشنهادی برای جلوگیری از عفونی شدن سریع ویروسی مشابه COVID-19 در آینده. علمی جمع. محیط زیست 2020 , 729 , 138474. [ Google Scholar ] [ CrossRef ]
  24. بشیر، م.ف. ما، بی. بلال; کومال، بی. تان، دی. بشیر، M. ارتباط بین شاخص های آب و هوا و همه گیری COVID-19 در نیویورک، ایالات متحده. علمی جمع. محیط زیست 2020 ، 728 ، 138835. [ Google Scholar ] [ CrossRef ]
  25. سجادی، م.م. حبیب زاده، پ. وینتزیلئوس، ا. شکوهی، س. میرالس-ویلهلم، اف. Amoroso، A. تجزیه و تحلیل دما و عرض جغرافیایی برای پیش‌بینی گسترش احتمالی و فصلی برای COVID-19. الکترون SSRN. J. 2020 , 3550308. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  26. گائو، اس. رائو، جی. کانگ، ی. لیانگ، ی. Kruse, J. نقشه برداری تغییرات الگوی تحرک در سطح شهرستان در ایالات متحده در پاسخ به COVID-19. SIGSPATIAL Spéc. 2020 ، 12 ، 16-26. [ Google Scholar ] [ CrossRef ]
  27. وارن، ام اس؛ Skillman، SW Mobility در پاسخ به COVID-19 تغییر می کند. arXiv 2020 ، arXiv:2003.14228، abs/2003.14228. [ Google Scholar ]
  28. Iacus، SM; ناتال، اف. Vespe, M. محدودیت‌های پرواز از چین در طول شیوع کروناویروس COVID-2019. arXiv 2020 ، arXiv:2003.03686، 1–9. [ Google Scholar ]
  29. ژو، سی. سو، اف. پی، تی. ژانگ، ا. دو، ی. لو، بی. کائو، ز. وانگ، جی. یوان، دبلیو. زو، ی. و همکاران COVID-19: چالش های GIS با داده های بزرگ. Geogr. حفظ کنید. 2020 ، 1 ، 77-87. [ Google Scholar ] [ CrossRef ]
  30. Xiong، Y. گوانگ، ی. چن، اف. Zhu, F. آمار فضایی و عوامل مؤثر بر اپیدمی جدید پنومونی کروناویروس 2019 در استان هوبی، چین. ResearchSquare 2020 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  31. Adam, D. گزارش ویژه: شبیه‌سازی‌هایی که واکنش جهان به COVID-19 را نشان می‌دهند. نات سلول بیول. 2020 ، 580 ، 316-318. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  32. Peixoto، VR؛ نونس، سی. Abrantes، A. نظارت اپیدمی کووید-19: در نظر گرفتن عدم قطعیت و عدم اطمینان. بندر. J. بهداشت عمومی 2020 ، 38 ، 23-29. [ Google Scholar ] [ CrossRef ]
  33. گاتو، م. برتوزو، ای. ماری، ال. میکولی، اس. کارارو، ال. کاساگراندی، ر. Rinaldo، A. گسترش و پویایی اپیدمی COVID-19 در ایتالیا: اثرات اقدامات مهار اضطراری. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2020 ، 117 ، 10484–10491. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  34. جووردانو، جی. بلانچینی، اف. برونو، آر. کولانری، پ. دی فیلیپو، آ. دی متئو، آ. کولانری، ام. مدل‌سازی اپیدمی COVID-19 و اجرای مداخلات گسترده جمعیت در ایتالیا. نات پزشکی 2020 ، 26 ، 855-860. [ Google Scholar ] [ CrossRef ]
  35. مالاپاتی، اس. کرونا چقدر کشنده است؟ دانشمندان به پاسخ نزدیک هستند. نات سلول بیول. 2020 ، 582 ، 467-468. [ Google Scholar ] [ CrossRef ]
  36. Zehender، G. لای، ا. برگنا، ا. مرونی، ال. ریوا، ا. بالوتا، سی. تارکوفسکی، ام. جبرئیلی، ع. برناکیا، دی. روسکونی، اس. و همکاران خصوصیات ژنومی و تجزیه و تحلیل فیلوژنتیک SARS-COV-2 در ایتالیا. جی مد ویرول. 2020 ، 92 ، 1637-1640. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  37. لا روزا، جی. ایاکونلی، م. مانچینی، پی. فرارو، گیگابایت؛ ونری، سی. بونادونا، ال. لوسنتینی، ال. Suffredini، E. اولین تشخیص SARS-CoV-2 در فاضلاب های تصفیه نشده در ایتالیا. علمی جمع. محیط زیست 2020 , 736 , 139652. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  38. Vázquez-Seisdedos، CR; نتو، جی. ریس، EJM; کلاوتو، ا. De Oliveira، RCL رویکرد جدید برای تشخیص پایان موج T در الکتروکاردیوگرام: عملکرد در شرایط نویز. بیومد. مهندس آنلاین 2011 ، 10 ، 77. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  39. سازمان بهداشت جهانی – گزارش ماموریت مشترک WHO و چین در مورد بیماری کرونا 2019 (COVID-19) 28 فوریه 2020. در دسترس آنلاین: https://www.who.int/publications/i/item/report-of-the- who-china-joint-mission-on-coronavirus-disease-2019-(covid-19) (در 31 اوت 2020 قابل دسترسی است).
  40. گریگوری، دی. آزولینا، دی. لانرا، سی. Prosepe، I. دسترو، ن. لورنزونی، جی. Berchialla, P. اولین تخمین از تأثیر اقدامات بهداشت عمومی علیه COVID-19 در ونتو (ایتالیا). J. Epidemiol. سلامت جامعه 2020 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
  41. گوزتا، جی. پولتی، پی. اژلی، م. ترنتینی، اف. مارسیانو، وی. سردا، دی. تیرانی، م. دیورنو، جی. بودینا، ا. بارون، ا. و همکاران پیامد کوتاه‌مدت بالقوه یک اپیدمی کنترل‌نشده COVID-19 در لمباردی، ایتالیا، فوریه تا مارس 2020. Eurosurveillance 2020 ، 25 ، 2000293. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  42. سباستینی، جی. ماسا، م. Riboli، E. Covid-19 همه گیر در ایتالیا: تکامل، پیش بینی ها و تاثیر اقدامات دولت. یورو J. Epidemiology 2020 ، 35 ، 341-345. [ Google Scholar ] [ CrossRef ]
  43. Escolano, S. Sistemas de Información Geográfica: Una Introducción Para Estudiantes de Geografía ; Prensas de la Universidad de Zaragoza: Calle Pedro Cerbuna, Zaragoza, España, 2015; پ. 251. [ Google Scholar ]
  44. نقاط حساس جغرافیایی Kost، GJ برای جلوگیری از شیوع بسیار عفونی: ابولا و کرونا به استراتژی‌های نقطه مراقبت نیاز دارند. قوس. پاتول. آزمایشگاه. پزشکی 2020 . [ Google Scholar ] [ CrossRef ]
شکل 1. نقشه ایتالیا به مناطق اداری ( A ) تقسیم شده است که منطقه لمباردی برجسته شده است (قرمز). در پانل سمت راست ( B )، موقعیت های 12 شهرداری در قفل کامل به عنوان یک “منطقه قرمز” در 24 فوریه 2020، واقع در هر دو منطقه لومباردی و ونتو، همراه با موقعیت شهر میلان برجسته شده است. (پایتخت لمباردی) و کودوگنو (شهری که اولین بیمار ایتالیایی در آن در 21 فوریه 2020 مبتلا به COVID-19 تشخیص داده شد).
شکل 2. تعداد روز به روز تماس‌های اضطراری با 112 و آمبولانس‌های اعزامی در منطقه لومباردی، از 1 ژانویه تا 23 مارس 2020، در پاسخ به مشکلات تنفسی.
شکل 3. ( الف ) رگرسیون خطی بین تعداد آمبولانس‌های اعزام شده در قلمرو و تلفات ناشی از COVID-19، طبق ISTAT، از 1 ژانویه تا 30 مارس 2020، هر دو توسط جمعیت ساکن عادی شده (مقادیر در هر 1000 نفر) برای هر یک از 12 استانی که لمباردی در آنها تقسیم شده است. ( ب ) نقشه لمباردی با تعداد اعزام‌های آمبولانس برای هر استان از 1 ژانویه تا 30 مارس 2020 (نقشه‌برداری شده در پانل E ). ( ج ) رگرسیون خطی بین تعداد تماس‌های اضطراری با 112 و تلفات ناشی از COVID-19، طبق ISTAT، از 1 ژانویه تا 30 مارس 2020؛ ( دی) نقشه لمباردی با تعداد تماس با شماره اورژانس 112 برای هر استان از 1 ژانویه تا 30 مارس 2020. ( E ) نقشه لمباردی با تعداد تلفات رسمی ناشی از COVID-19 برای هر استان از 1 ژانویه تا 30 مارس 2020.
شکل 4. نقشه منطقه لمباردی با خوشه های بیش از 100000 ساکن، ساخته شده در اطراف شهرهای مسکونی، با الگوریتم پیشنهادی به دست آمده است (برای جزئیات بیشتر به متن مراجعه کنید).
شکل 5. مثالی از “امتیاز COVID-19” محاسبه شده (واحد یک بعدی_ (آبی – مقادیر اصلی؛ قرمز – پس از فیلتر پایین گذر) از 1 ژانویه تا 23 مارس 2020 برای خوشه فضایی (منطقه زرد در نقشه) شامل شهر Codogno، که از آن نقاط اعتباری برای تولید ذوزنقه ABCD مشتق شده است (برای جزئیات به متن مراجعه کنید). تغییر مختصات x آن I روی هر مقدار سیگنال فیلتر شده (قرمز) (از “M” به “r”) موقعیت D که در آن ناحیه ذوزنقه حداکثر است به عنوان نقطه عطف “I” در منحنی در نظر گرفته می شود. ، بنابراین مربوط به آغاز گسترش بیماری است.
شکل 6. مورفولوژی‌های نمایشی سری‌های زمانی محاسبه‌شده امتیاز COVID-19 (واحد بعدی) برای خوشه‌های مختلف، که در چهار کلاس تعریف شده‌اند: کلاس 1 ( A )، منحنی افزایش‌دهنده بسیار تیز و آشکار. کلاس 2 ( B )، منحنی افزایش واضح اما صاف تر. کلاس 3 ( C )، منحنی افزایش قابل تشخیص اما کوچکتر (که دلالت بر نسبت سیگنال به نویز کمتر دارد). کلاس 4 ( D )، منحنی افزایش به وضوح شناسایی نشده است. محدوده های مختلف در محور y برای افزایش تجسم مورفولوژی های مختلف استفاده می شود.
شکل 7. نقشه برداری از کلاس های مختلف نسبت داده شده به سری های زمانی امتیاز COVID-19 ( A ) و تماس های اضطراری عادی ( B ) برای هر خوشه (ID# برای هر خوشه گزارش شده در نقشه)، بر اساس مورفولوژی داده های آنها . کلاس 1 با منحنی های افزایش بسیار تیز و واضح، کلاس 2 با منحنی های افزایش واضح اما نرم تر، کلاس 3 با منحنی های افزایش قابل تشخیص اما کوچکتر (که دلالت بر نسبت سیگنال به نویز پایین تر دارد)، کلاس 4 بدون روند افزایشی در منحنی ها مشخص می شود. .
شکل 8. نمونه ای از سری زمانی تعداد عادی تماس های اضطراری با 112 (N/100,000 نفر ساکن) از 1 ژانویه تا 23 مارس 2020 در یک خوشه خاص (یعنی شماره 9). به رنگ آبی، سری زمانی پس از برازش نمایی بین x1 = 24 فوریه 2020 و x2 = 29 فوریه 2020، که در آن خط سبز نشان دهنده بخشی از سیگنال اصلی است که با اولین پیک مشخص می شود و باید فیلتر شود (به متن مراجعه کنید جزئیات)؛ خط قرمز نشان دهنده نسخه پایین گذر فیلتر شده آن است که از آن نقاط اعتباری برای تولید ذوزنقه ABCD مشتق شده و نقطه عطف (نقطه آبی) شناسایی شده است.
شکل 9. نقشه برداری از 77 خوشه مبتنی بر جمعیت با برچسب شناسایی پیش رونده آنها روی هم قرار گرفته است، جایی که کد رنگی نشان دهنده روز نقطه عطف شناسایی شده است (به افسانه مراجعه کنید)، (A) با در نظر گرفتن امتیاز COVID-19 مبتنی بر اعزام آمبولانس و ( ب ) تعداد عادی تماس های اضطراری.
شکل 10. برای خوشه شامل Codogno (#57): ( الف ) سری زمانی امتیاز COVID-19 با نقطه عطف مشخص شده (نقطه آبی، برای جزئیات به متن مراجعه کنید). ( ب ) تماس‌های اضطراری عادی (NEC، N تماس/100000 ساکن) سری زمانی با نقطه عطف مشخص شده. برای خوشه شامل منطقه شهری نزدیک کرمونا (# 11): ( C ) سری زمانی امتیاز COVID-19 با نقطه عطف مشخص. ( د ) تماس‌های اضطراری عادی (NEC، N تماس/100000 ساکن) سری زمانی با نقطه عطف مشخص. روز شروع اولیه (16 فوریه 2020 و 15 فوریه 2020) توسط هر دو سیگنال در دو خوشه شناسایی شد.
شکل 11. برای خوشه شامل برگامو (#4): ( الف ) سری زمانی امتیاز COVID-19 با نقطه عطف مشخص شده (نقطه آبی، برای جزئیات به متن مراجعه کنید). ( ب ) تماس‌های اضطراری عادی (NEC، N تماس/100000 ساکن) سری زمانی با نقطه عطف مشخص شده. برای خوشه شامل Nembro (#53): ( C ) سری زمانی امتیاز COVID-19 با نقطه عطف مشخص شده (نقطه آبی، برای جزئیات به متن مراجعه کنید). ( د ) تماس‌های اضطراری عادی (NEC، N تماس/100000 ساکن) سری زمانی با نقطه عطف مشخص. برای خوشه شامل آلزانو لومباردو (#65): ( E ) سری زمانی امتیاز COVID-19 با نقطه عطف مشخص شده (نقطه آبی، برای جزئیات به متن مراجعه کنید). ( اف) تماس های اضطراری نرمال شده (NEC، N تماس/100000 ساکن) سری زمانی با نقطه عطف مشخص شده. این دو خوشه محیطی یک روز شروع زودتر را نشان دادند و به مقادیر بالاتری نسبت به منطقه شهری برگامو رسیدند.
شکل 12. برای خوشه شامل فرودگاه مالپنسا (#52): ( الف ) سری زمانی امتیاز COVID-19 با نقطه عطف مشخص شده (نقطه آبی، برای جزئیات به متن مراجعه کنید). ( ب ) تماس‌های اضطراری عادی (NEC، N تماس/100000 ساکن) سری زمانی با نقطه عطف مشخص شده. برای خوشه‌ها شامل دو ناحیه نزدیک، مانند Parabiago (#35) و Cantù (#23)، ( C , E ) سری زمانی امتیاز COVID-19 با نقطه عطف مشخص (نقطه آبی، برای جزئیات به متن مراجعه کنید). ( D , F) تماس های اضطراری نرمال شده (NEC، N تماس/100000 ساکن) سری زمانی با نقطه عطف مشخص شده. تاریخ شروع اولیه یافت شده در این سه خوشه بر اساس امتیاز COVID-19 با مورفولوژی های غیرعادی در منحنی ها مشخص شد و توسط سری های زمانی NEC تأیید نشد که منجر به تاریخ های بعدی شد.
شکل 13. برای خوشه شماره 8: ( الف ) سری زمانی امتیاز COVID-19 با نقطه عطف مشخص شده (نقطه آبی، برای جزئیات به متن مراجعه کنید). ( ب ) تماس‌های اضطراری عادی (NEC، N تماس/100000 ساکن) سری زمانی با نقطه عطف مشخص شده. برای خوشه شماره 16: ( C ) سری زمانی امتیاز COVID-19 با نقطه عطف مشخص (نقطه آبی، برای جزئیات به متن مراجعه کنید). ( د ) تماس‌های اضطراری عادی (NEC، N تماس/100000 ساکن) سری زمانی با نقطه عطف مشخص. روزهای شروع اولیه در این دو خوشه طبق NEC با نمره COVID-19 تأیید نشد، که هیچ روز شروعی برای آن شناسایی نشد.

بدون دیدگاه

دیدگاهتان را بنویسید