ازدحام بیش از حد بخش اورژانس: یک تحلیل فضایی گذشته نگر و کدگذاری جغرافیایی دسترسی ها. یک مطالعه آزمایشی در رم

خلاصه

ازدحام بیش از حد امکانات کمک های اولیه مشکلات و مشکلات قابل توجهی ایجاد می کند که بر سلامتی بیماران، زمان مورد نیاز برای تشخیص و کیفیت کمک تأثیر می گذارد. هدف اصلی این مشارکت، بر اساس داده‌های جمع‌آوری‌شده توسط بیمارستان Policlinico Umberto I در رم (منطقه لاتزیو، ایتالیا)، انجام غربالگری منطقه‌ای شهرداری با استفاده از برنامه‌های GIS و تحلیل‌های فضایی با هدف کاهش – از نظر تریاژ – کد حضور و غیاب سفید (نامناسب)، پس از شناسایی مناطقی که بیشترین منشا دسترسی نامناسب به اتاق اورژانس را دارند. با کار در یک محیط GIS و با استفاده از توابع برای geocoding، ما یک مدل تجربی را با هدف ارائه یک نگاه جغرافیایی-بهداشتی نزدیک به وضعیت آزمایش کرده‌ایم: به رسمیت شناختن بخش های سرزمینی در رم که به تقویت ازدحام بیش از حد اتاق اورژانس Policlinico Umberto I کمک می کند. منجر به بهبود وضعیت؛ ارتقاء آگاهی و دانش بیشتر در مورد خدمات موجود در قلمرو، ارتباط نزدیک تر بین بیمار و پزشک عادی (پزشک عمومی، GP) یا واحد مراقبت های بهداشتی محلی و عملکرد کارآمدتر اتاق اورژانس. به طور خاص، ما یک نقشه “منبع” را ایجاد کرده‌ایم که همه نقشه‌های دیگر از آن استخراج می‌شوند و این یک نقشه نقطه‌ای است که روی آن تمام کدهای سفید روی یک تصویر ماهواره‌ای از طریق کدگذاری جغرافیایی زمین‌شناسی شده‌اند. ما سه مجموعه متشکل از سه شرح نقشه‌نگاری دیجیتال را تولید کرده‌ایم که بر اساس بخش‌های سرشماری، مناطق سرشماری و مناطق فرعی شهرداری، بر اساس تجمیع داده‌ها، برای مقادیر مطلق و نسبی ساخته شده‌اند. و با استفاده از قالب های مختلف در نهایت، با پیروی از روش‌ها و مراحل مشابه، نقشه نقطه‌ای دیگری را درباره همه کدهای قرمز توضیح دادیم تا نوع دیگری از اطلاعات و ورودی برای سودمندی اجتماعی ارائه شود. در آینده ای نزدیک، این سیستم می تواند بر روی پلت فرمی آزمایش شود که دسترسی های بخش اورژانس (ED) را در زمان واقعی تجزیه و تحلیل می کند تا شناسایی مسائل حیاتی سرزمینی را تسهیل کند و در زمان کوتاه تری برای تنظیم هجوم هجوم زمین مداخله کند. بیماران به ED

کلید واژه ها:

نقشه نقطه ای ؛ بخش اورژانس ؛ ازدحام بیش از حد اورژانس ; ژئوکدینگ ; برنامه های کاربردی GIS ; رم ؛ تحلیل فضایی ; تریاژ

چکیده گرافیکی

1. معرفی

مطالعات بسیاری بر مشکلات ناشی از ازدحام بیش از حد مراکز کمک‌های اولیه و فشار بر اورژانس‌ها که منجر به ضعیف بودن خدمات کمکی و مراقبتی می‌شود، تاکید کرده‌اند، زیرا استفاده نامناسب از اورژانس توسط بیماران با شرایط غیرجدی تأثیر منفی بر نیروی انسانی و فن آوری ها و زمان پاسخ هر دو بخش اورژانس (ED) و بیمارستان [ 1 ]، [ 2 ] (ص. 29).

در واقع، فشار بالا عدم تعادل، اختلال عملکرد و مشکلاتی را در امکان بخش‌های اورژانس برای تضمین سریع اولین معاینه دقیق و به دنبال آن تصاویر تشخیصی، آزمایش‌های آزمایشگاهی و مشاوره با متخصص ایجاد می‌کند [3] (ص. 1)، [ 4 ] . ]. بنابراین، ازدحام بیش از حد بخش اورژانس با کاهش ایمنی بیمار، انتقال احتمالی بیماری های عفونی و همچنین با احتمال مرگ و میر بالاتر مرتبط است و باعث سوار شدن و فرسودگی کارکنان می شود [5] (ص 2)، [6] ( 6 ) . ص 213).

علاوه بر این، شواهد نشان داده شده است که: «ازدحام بیش از حد ED به طور بالقوه می تواند بر هر فردی که از بیماری یا آسیب غیرمنتظره شدیدی که نیاز به درمان اضطراری حساس به زمان دارد، تأثیر بگذارد. تظاهرات ازدحام بیش از حد ED عبارتند از: (1) “شبیه شدن” بیماران در ED. (2) افزایش خطر خطاهای پزشکی؛ (3) انحراف آمبولانس؛ (4) تهدید برای آمادگی در برابر بلایا. (5) کاهش قابلیت اطمینان سیستم مراقبت اضطراری» [ 7 ] (ص. 403).

در موارد دیگر تأیید شده است که: «ازدحام بیش از حد اورژانس اثرات متعددی دارد، از جمله قرار دادن بیمار در معرض خطر برای نتیجه ضعیف، درد و رنج طولانی مدت برخی بیماران، انتظار طولانی بیمار، نارضایتی بیمار، تغییر مسیر آمبولانس در برخی شهرها، کاهش پزشک. بهره وری، افزایش ناامیدی در میان کارکنان پزشکی و خشونت» [ 8 ] (ص. 63).

بدیهی است که علل ازدحام بیش از حد می تواند متفاوت باشد اما از نظر ترکیبی می تواند ناشی از عوامل بیرونی و داخلی باشد. به ویژه: «بیشترین دلایل ذکر شده افزایش دقت بیمار، پیری جمعیت، حجم بالای بیماران، کمبود یا تعطیلی تخت بیمارستان و کمبود نیروی کار بود. عوامل داخلی مانند عملیات ضعیف و فرآیندهای بیمارستانی مانند تأخیر مشاور، تأخیر آزمایشگاهی، فضاهای معاینه ناکافی و اجتناب از بستری شدن در بیمارستان از طریق درمان گسترده در ED ممکن است تا حدی مسئول باشند. عوامل خارجی کمتر قابل قبول عبارتند از مقررات دولتی، مراقبت مدیریت شده، کاهش بازپرداخت، مانع دسترسی به مراقبت های اولیه، افزایش تعداد بیماران فقیر یا فاقد بیمه که از ED به عنوان منبع اصلی مراقبت خود استفاده می کنند، هماهنگی ضعیف بین خدمات مراقبت در منزل و پزشکان مراقبت های اولیه،9 ] (ص 131).

به طور کلی، شرایط ازدحام قابل توجه در اتاق های اورژانس به عنوان یک مشکل جهانی تعریف شده است و گاهی اوقات به عنوان یک بحران ملی شناسایی شده است [ 3 ] (ص. 1)، [ 10 ]. می توان آن را به عنوان یک تظاهرات محلی جدی یک بیماری سیستمیک گسترده در نظر گرفت که نیاز به یک وظیفه مشترک برای پزشکان اورژانس، پزشکان عادی، بیمارستان ها، مراکز بهداشتی محلی، ساختارهای سازمانی به عنوان یک کل دارد، زیرا جنبه های زیادی برای مواجهه با آن وجود دارد و برای کاهش مشکل. یک خط مشترک از اقدامات هماهنگ مورد نیاز است [ 11 ] (ص. 174).

بنابراین بخش اورژانس یک جزء حیاتی از شبکه ایمنی مراقبت های بهداشتی است، هم در شرایط عادی و هم در موقعیت های غیرعادی و ازدحام بیش از حد در مناطق تحت درمان، سلامت عمومی را با به خطر انداختن ایمنی بیمار و به خطر انداختن قابلیت اطمینان کل (…) سیستم مراقبت های اورژانسی تهدید می کند. 7 ] (ص 402).

در شرایط عادی، ازدحام بیش از حد، بسیاری از اختلالات حضور منظم و اولین بررسی را تعیین می کند و اغلب موقعیت های خطرناکی را ایجاد می کند که در آن افرادی که نیازهای جدی ندارند در معرض ابتلا به بیماری عفونی قرار می گیرند، در حالی که افرادی که نیاز به کمک فوری دارند، در مکان های محدود و گاهی اوقات بدون کمک مناسب قرار می گیرند. ، افزایش احتمال بدتر شدن وضعیت نامطمئن سلامت آنها را مشاهده می کنند. گاهی اوقات افراد به‌طور نادرست از بخش‌های اورژانس به عنوان جایگزینی برای پزشک معمولی (GP) یا واحد مراقبت‌های بهداشتی محلی استفاده می‌کنند و این عادت گسترده به تشدید وضعیت کمک می‌کند.

در مواقع خارق‌العاده، ازدحام بیش از حد به دلیل اضطراب و وحشت، احتمالاً تمام تعادل‌ها و خدمات مراقبتی ضروری را تشدید می‌کند و باعث افزایش سرایت و کشنده شدن بیماری‌ها و ایجاد آبشاری از مشکلات و اختلالات می‌شود. یک مثال نمادین از آن با بحران گسترده و چشمگیر ناشی از SARS-CoV-2، مسئول COVID-19 ارائه شده است، که از شهر ووهان (استان هوبی، چین) یک وضعیت همه گیر در سراسر جهان ایجاد کرده و سیستم های مراقبت های بهداشتی را قرار داده است. تحت استرس بی سابقه در این مورد، وحشت و عدم اطمینان اغلب افراد را برای آزمایش و سواب به اورژانس‌های شلوغ سواب می‌دهد (یعنی نمونه‌برداری از سلول‌ها و مایعات از بینی و گلو برای شناسایی ژن‌های خاص ویروس SARS-CoV-2 که باعث COVID-19 می‌شود). گاهی اوقات نیز با علائم بسیار خفیف،

در واقع، برخی از مطالعات تاکید کرده اند که خطر عفونت در حالی که بیماران منتظر آزمایش در اتاق های انتظار پرجمعیت هستند، افزایش می یابد [ 12 ] (ص. 74) و اهمیت اعتبارسنجی سیستم ها، پارامترها و الگوریتم ها برای شناسایی سریع موارد مثبت و احتمالی را اثبات کرده اند. به منظور کاهش خطر فروپاشی، بین بیماران مثبت و منفی [ 13 ] تمایز قائل شوید.

به منظور مواجهه با علل بی‌شمار و عوامل متعددی که این مجموعه مشکلات را ایجاد می‌کند، «10 راه‌حل فرضی با تفسیر اقدامات مؤسسه ما برای مقابله با مشکل» با توجه به تفاوت‌های بین بیمارستان‌ها در زمینه‌های جغرافیایی مختلف و همچنین ارائه شد. در میان بیمارستان های شهرستانی، آموزشی و خصوصی [ 14]: افزایش ظرفیت بیمارستان. نظارت بر بیمارستان ها را تا حد زیادی متوقف کنید. فقط به بیمارانی که در شرایط اضطراری هستند مراقبت می کنند. ارائه راهکارهای جایگزین برای مراقبت اولیه از افراد فاقد بیمه؛ توقف شبانه روزی بیماران بستری در بخش اورژانس؛ از دستورالعمل های مبتنی بر شواهد برای رسیدگی به استفاده بیش از حد از تصویربرداری استفاده کنید. تغییر الگوهای پذیرش؛ گسترش نقش کارکنان کمکی ED و مراقبت از راهرو؛ ابتدا با پرستار تماس بگیرید. جلوگیری از بیماری و آسیب اگرچه هنوز باید زمینه‌سازی و سازگار با واقعیت‌های کشورهای مختلف باشد، اما پیشنهادات مشابه اقداماتی برای تفکر فعال در مورد اقدامات احتمالی که می‌توانند برای پاسخگویی به نیازهای محلی اتخاذ و اصلاح شوند، ورودی ارائه می‌دهند.

مشارکت‌های مختلفی وجود دارد که استراتژی‌های خاصی را نشان داده و تحلیل کرده‌اند که به طور بالقوه قادر به کاهش تأخیر و ازدحام بیش از حد در اتاق‌های اورژانس هستند [ 3 ، 15 ، 16 ، 17 ] و سایر کارها تأکید کرده‌اند که کاهش بلوک دسترسی در اتاق اورژانس، تعیین کننده بهبود است. در بیمارستان جریان بستری و کاهش زمان انتظار [ 18 ] (ص 351)، که گاهی اوقات حیاتی است.

از نقطه نظر تحقیقات کاربردی که قادر به حمایت از غربالگری سرزمینی است، در این مقاله، ما توجه را بر وضعیت ثبت شده در اورژانس بیمارستان پلی کلینیکو اومبرتو I در رم (ایتالیا) با توجه ویژه به سال 2011 متمرکز می کنیم. ، به عنوان سال مرجع در سری زمانی داده های جمع آوری شده از سال آخرین سرشماری انتخاب شده است و محاسبه شاخص های حمایتی خاصی را که داده های رسمی جمعیت را نیز در نظر می گیرند، امکان پذیر می کند. از طریق برنامه‌های GIS و تحلیل‌های فضایی گذشته‌نگر، ما تلاش کرده‌ایم مناطقی را که بیشترین منشأ درخواست‌های حضور نامناسب را دارند، یعنی کد سفید از نظر تریاژ شناسایی کنیم: فرآیند تریاژ در سطح بین‌المللی برای اولویت‌بندی درمان بیماران با توجه به شدت شرایط آنها هنگام ورود به اورژانس اعمال می‌شود. در زمان مطالعه، سطح اولویت بیمار با یک رنگ مشخص شد: قرمز (بسیار بحرانی)، زرد (متوسط بحرانی)، سبز (نه خیلی بحرانی) و سفید (بسیار بحرانی).

با کار در یک محیط GIS و با استفاده از توابع خاص، اول از همه برای ژئوکدینگ، و پس از انجام پاکسازی دستی و خودکار داده ها و عملیات طولانی با کیفیت داده، یک مدل آزمایشی و قابل تکرار را با هدف ارائه یک نگاه جغرافیایی-بهداشتی از نزدیک آزمایش کردیم. موقعیت. هدف این مدل بهبود وضعیت و عملکرد کارآمدتر اورژانس از طریق شناسایی، به لطف تعدد تفصیلات GIS موقت، بخش‌های سرزمینی در رم است که به تقویت Policlinico Umberto کمک می‌کند. من ازدحام بیش از حد اتاق اورژانس؛ ارتقاء آگاهی و دانش بیشتر و بهتر از خدمات موجود در قلمرو؛ افزایش آگاهی از رابطه نزدیکتر بین بیمار و پزشک عمومی یا واحد مراقبت های بهداشتی محلی.

2. چارچوب بهداشت عمومی

همانطور که در بالا ذکر شد، ازدحام بیش از حد ED به عنوان یکی از عوامل کلیدی در نظر گرفته می‌شود که مانع ارائه مراقبت‌های اورژانسی با کیفیت بالا می‌شود و تأثیر منفی بر سلامت بیماران دارد.

در منطقه لاتزیو (منطقه Policlinico Umberto I در رم)، تخمین زده شده است که افزایش زمان انتظار ED با خطر بالاتر مرگ و میر مرتبط است [ 19 ]. با این حال، هنگام پرداختن به مسائل سازمان بهداشت، تجزیه و تحلیل هزینه‌های ناشی از آن ضروری است: به خوبی ثابت شده است که ازدحام بیش از حد اورژانس هزینه‌های مراقبت‌های بهداشتی را افزایش می‌دهد [20] و اینکه بیشترین سهم از هزینه‌های اورژانس به دلیل بیماران غیر فوری است. کمک [ 21 ].

از نقطه نظر اقتصادی، فعالیت اورژانس فعالیتی پرکار است که در آن ورودی اصلی در فعالیت های اورژانسی، کار انسانی (پزشکان، پرستاران و غیره) است، به عبارت دیگر، ورودی نیروی کار از سرمایه و ورودی فناوری بیشتر است و نقش عمده ای را ایفا می کند. نقش در تأثیرگذاری بر کل هزینه های متحمل شده توسط EDها و ظرفیت تولید آنها را نمی توان بدون صرف هزینه برای نیروی کار، که گران است، افزایش داد [ 21 ]. با این حال، بسیاری از بیماران موارد فوری نیستند و از این مرکز به عنوان جایگزینی برای پزشک عمومی استفاده می کنند.

تلاش برای شناسایی علل ازدحام بیش از حد ED برای یافتن راه حل های مناسب، اساسی است که بفهمیم در چه سطحی مانع برای جریان بیمار در ED ایجاد می شود.

دو عامل اصلی تعیین کننده ازدحام بیش از حد وجود دارد:

–: “ازدحام” یا “ازدحام بیش از حد” (به معنای هم به عنوان حضور و هم به عنوان اقامت بیماران در داخل برای فعالیت های ED). در عمل، این اصطلاح به سطح ازدحام ED اشاره دارد که توسط بیمارانی که به تدریج به آن دسترسی دارند و توسط افرادی که مراحل تشخیص درمانی (ورودی و خروجی) را طی می کنند، ایجاد می شود.
–: “هواپیمایی”: این اصطلاح مشتق شده از حمل و نقل هوایی برای نشان دادن پدیده تجمع در اورژانس بیمارانی است که قبلاً مسیر مراقبت در ED را تکمیل کرده اند اما به دلایل مختلف نمی توانند آن را ترک کنند (خروجی) [22 ] .

دولت منطقه لاتزیو اخیراً فرمانی تحت عنوان “طرح منطقه ای برای مدیریت ازدحام بیش از حد در اتاق اورژانس” صادر کرده است که در آن مشکل عمیقاً تحلیل شده است [ 23 ].

گزارش فعالیت‌های بستری برای بیماران حاد در بیمارستان‌های لاتزیو در سال 2018 نشان می‌دهد که دسترسی‌ها در ED 1،928،168 بوده است که 3.1 درصد در کد تریاژ قرمز، 27 درصد در کد تریاژ زرد، 65.2 درصد در کد تریاژ سبز، 4.3 درصد در تریاژ سفید. کد، و 0.3٪ انجام نشده است. حالت دسترسی 15.6 درصد با آمبولانس NHS، 78.8 درصد به صورت مستقل و 5.6 درصد با سایر حالت ها بود. بیماران کد زرد در 63.3 درصد موارد بیش از 15 دقیقه برای معاینه منتظر ماندند، در حالی که 40 درصد از بیماران کد سبز بیش از 60 دقیقه منتظر ماندند [ 24]]. با توجه به این داده‌ها در مورد دسترسی‌های ED، طرح منطقه‌ای تأکید می‌کند که ازدحام بیش از حد در منطقه لاتزیو عمدتاً به دلیل تأثیر «شب‌نشینی» است، و تأکید می‌کند که ازدحام بیش از حد عامل پدیده «بلاک آمبولانس» است (یعنی توقف آمبولانس برای بیش از 30 دقیقه. ) که بر کیفیت مراقبت های خارج از بیمارستان تأثیر می گذارد و به نوبت های آمبولانس اضافی و تعهد مالی اضافی نیاز دارد. مهمتر از همه، مراقبت از بیمار با سوار شدن به هواپیما بدتر می شود. تحقیقات مبتنی بر شواهد نشان می دهد که شبانه روزی به موارد زیر منجر می شود: تأخیر در مراقبت. انحراف آمبولانس؛ افزایش مدت اقامت در بیمارستان؛ خطاهای پزشکی؛ افزایش مرگ و میر بیماران؛ خسارات مالی به بیمارستان و پزشک؛ ادعاهای قصور پزشکی [ 25 ].

ادبیات در مورد علل ازدحام بیش از حد در اورژانس گسترده است و جنبه های بسیاری را روشن کرده است. ازدحام بیش از حد عمدتاً به دلایل مربوط به ویژگی های بیمار مانند سن و سبک زندگی، یا به دلایل مربوط به ارائه خدمات اورژانسی مانند جریان بیمار اورژانسی و مراقبت های اورژانسی (به عنوان مثال، تأخیر در ترخیص بیماران بستری و انتظار طولانی بیماران اورژانسی برای نتایج آزمایش های تشخیصی است. ) علل مربوط به کارکنان بخش اورژانس (به عنوان مثال، تشخیص اشتباه، تاخیر مشاوران، و غیره). محل و مواد عوامل مرتبط با ED (به عنوان مثال، کمبود تخت برای پذیرش بیماران اورژانسی) [ 26]. ادبیات راه‌حل‌هایی برای ازدحام بیش از حد گسترده‌تر است که، با این حال، می‌توان آنها را به دو گروه اصلی طبقه‌بندی کرد: راه‌حل‌های سطح سازمان یا مدیریت و راه‌حل‌های سطح عملیاتی. مورد دوم شامل کارکنان و انگیزه، استراتژی ها و تاکتیک های سطح عملیاتی، فرآیند ارائه خدمات، و سایر خدمات و مکان ها است [ 26 ]. بررسی سیستماتیک اخیر ادبیات، شواهد علمی در مورد علل و شواهد علمی در مورد راه حل ها را جمع آوری کرده است [ 27 ]. در این بررسی سیستماتیک، مورلی و همکاران. [ 27] (ص 36) نتیجه می گیرد که علل ازدحام بیش از حد ED به خوبی تعریف شده است، در حالی که بین علل و راه حل ها ناهماهنگی وجود دارد: “مطالعات اخیر بیشتر در مورد اثرات اهداف زمان بندی شده و افزایش ساعات کاری پزشک عمومی نتایج امیدوارکننده ای ارائه کرده اند و موارد بیشتری را تضمین می کنند. بررسی و ارزیابی، با تمرکز ویژه بر اینکه کدام مداخلات در چه زمینه‌هایی کار می‌کنند، نسبت به علل محلی شناسایی‌شده ازدحام. یک یافته مهم از این بررسی، مجموعه رو به رشد شواهدی است که نشان می دهد بیماران مسن با شرایط پیچیده و چند بیماری نشان دهنده یک محرک مهم فزاینده ازدحام ED هستند.

در واقع، انقلاب اپیدمیولوژیک (بار بیشتر بیماری‌های دژنراتیو مزمن و کاهش همزمان بیماری‌های عفونی) که عمدتاً ناشی از انقلاب جمعیتی (افزایش امید به زندگی) است، منجر به افزایش سالمندان ضعیف شده است که نیاز به پیشگیری و درمان مستمر در خانه دارند. . در این زمینه، مکان‌یابی دسترسی‌ها به اورژانس‌ها می‌تواند یک سیستم بسیار مفید برای شناسایی مناطقی باشد که بیشترین دسترسی را ایجاد می‌کنند و در آن جا که لازم است خدمات بهداشتی منطقه‌ای اجرا شود و کمک‌های شهروندان در مناسب‌ترین شرایط را تضمین کند.

3. مواد و روشها

3.1. منبع داده ها

داده‌های حضور در اورژانس بیمارستان Policlinico Umberto I در سال 2011 از GIPSE (Gestione Informazioni Pronto Soccorso ed Emergenza) ( https://www.yumpu.com/it/document/read/24998719/gipse-gestione ) بازیابی شد. -informazioni-pronto-soccorso-emergenza .) سیستم اطلاعاتی، که اطلاعات اجتماعی و جمعیت شناختی و بالینی ورود بیماران به اورژانس را از تریاژ تا ترخیص جمع آوری می کند.

سیستم اطلاعاتی GIPSE در منطقه لاتزیو با قطعنامه شماره 7628 مورخ 22 دسامبر 1998 شورای منطقه ( https://www.regione.lazio.it/binary/rl_sistemi_informativi_sanitari/tbl_documenti/SIS_DD_7628_29_82 ) اجرا شد.، به عنوان بخشی از جریان اطلاعات SIES (Sistema Informativo sull’Emergenza Sanitaria) که داده هایی را در مورد فعالیت های شبکه EAD/ER منطقه لاتزیو تولید می کند، کیفیت داده ها را تضمین می کند و امکان مطالعه مناسب بودن را فراهم می کند. از خدمات بهداشتی ارائه شده سیستم اطلاعاتی GIPSE اطلاعات هویتی و شخصی بیمار از جمله کد مالی، سن، سطح تحصیلات، وضعیت حرفه ای، محل سکونت و اطلاعات مربوط به دسترسی به EAD/PS، از جمله اولویت دسترسی (تریاژ)، مدیر را جمع آوری می کند. مشکل، ویزیت سرپایی (پزشکی یا جراحی)، روش های انجام شده، درمان دریافتی، تشخیص ها و نتیجه.

3.2. ایجاد مجموعه داده

اطلاعات مربوط به دسترسی های انجام شده در EAD Policlinico Umberto I رم برای متغیرهای زیر استخراج شد و شامل: جنسیت. سن؛ شهرداری محل اقامت؛ شهرداری محل سکونت، آدرس محل سکونت؛ آدرس فعلی؛ کد اختصاص داده شده در تریاژ با این حال، از آنجایی که این مطالعه تلاشی اکتشافی برای استفاده از این داده‌ها برای کدگذاری جغرافیایی بود، تجزیه و تحلیل بر روی سال 2011 متمرکز شد تا حجم قابل مدیریتی از داده‌ها را فراهم کند. داده ها از طریق GIPSE در یک فایل اکسل (XLS) برای هر سال استخراج شد. سپس فایل CSV 2011 در STATA 15.1 (StataCorp LLC, 4905 Lakeway Drive, College Station, TX, USA) با واردکننده داخلی وارد شد، با استفاده از ردیف اول به عنوان نام متغیر و مجموعه داده با استفاده از قالب اختصاصی STATA ایجاد شد. (فایل DTA).

3.3. ادغام مجموعه داده

فرمت DTA در STATA 15.1 برای ادامه آماده سازی مجموعه داده برای استفاده از آن در محیط GIS استفاده شد. به طور کلی، 137290 دسترسی برای سال 2011 بازیابی شد. انتخاب سوابق مربوطه (یعنی دسترسی های انجام شده توسط افرادی که واقعاً در شهرداری رم زندگی می کنند) ابتدا از طریق متغیر شهرداری محل اقامت و در مرحله دوم از طریق متغیر انجام شد. شهرداری محل سکونت (100794 سابقه).

3.4. پاکسازی داده ها

با توجه به اینکه متغیرهای آدرس محل سکونت و محل سکونت توسط اپراتور تریاژ در سیستم GIPSE قرار می گیرند، این داده ها مستعد سوگیری درج هستند و بنابراین سوابق به طور کامل به صورت دستی برای جستجوی خطاها و ناسازگاری ها بررسی شدند.

متداول ترین خطای یافت شده شماره خانه گم شده بود، که بیشتر در آدرس محل سکونت بود. اگر آدرس موجود در آدرس متغیر اقامتگاه دارای نام خیابان و شماره خانه مناسب بود، فرض می‌کنیم که آدرس‌ها یکسان هستند و بنابراین اعداد در آدرس‌های گمشده تصحیح می‌شوند، در غیر این صورت رکورد دست نخورده باقی می‌ماند.

جالب توجه است، ما چندین رکورد را یافتیم که با یک آدرس واقعی در متغیرهای سکونت و سکونت پر نشده بود، بلکه در واقع با فرمول‌های کلیشه‌ای مختلفی که مکان‌ها یا گروه‌های خاصی از مردم را نشان می‌دهند، پر شده بودند. به طور خاص، بررسی دستی 22 نوع فرمول کلیشه ای (مانند افراد بی خانمان، گردشگران، مراکز بازداشت، اردوگاه های عشایری، خوابگاه ها، و آدرس های ساختگی) را نشان داد. تمام فرمول‌های کلیشه‌ای به‌صورت دستی در املا همگن شدند، زیرا به اشکال مختلف در پایگاه داده ظاهر می‌شدند (به عنوان مثال، ایستگاه‌های پلیس به‌عنوان «Stazione di polizia»، «Stazione forze dell’ordine» و «sfo» گزارش شدند). از این فرمول ها برای تجزیه و تحلیل زیر استفاده شد:

پایگاه داده پاک شده در نهایت در قالبی سازگار با محیط GIS، یعنی یک فایل مقادیر جداگانه با کاما (CSV) صادر شد.

3.5. استفاده از پایتون در محاسبه آدرس‌هایی که باید ژئوکد شوند

هنگامی که جدول GIPSE از بسیاری از خطاها پاک شد، دور دوم کنترل کیفیت در یک محیط GIS انجام شد تا داده ها برای عملیات کدگذاری جغرافیایی بعدی آماده شوند. اساساً ژئوکدینگ «عمل تبدیل یک آدرس در یک مکان نقطه است» [ 28] (ص 322)، عملیاتی که مجموعه منابع داده GIS موجود را با تبدیل داده‌های غیرمکانی مانند آدرس در کلاس ویژگی نقطه‌ای، مانند مواردی که از نظرسنجی‌های سرشماری، ثبت مشتری و غیره می‌آیند، افزایش می‌دهد. . این عملیات شامل سه جزء اصلی است: یک داده مرجع – کلاس ویژگی که نمایانگر ویژگی‌هایی است که باید در منطقه مورد مطالعه جستجو شوند، معمولاً خیابان‌ها یا نقاط مورد علاقه، مکان یاب آدرس – ابزار مورد استفاده برای تبدیل آدرس‌ها به نقاط، و فهرست. آدرس های ورودی که باید تبدیل شوند

الزامات مکان یاب آدرس به سبک آن بستگی دارد، مجموعه ای از قوانین که برای تعیین طرح واره داده های مرجع استفاده می شود، یعنی مجموعه فیلدهایی که برای ذخیره هر یک از عناصر آدرس (مثلاً نام و شماره خیابان، کدپستی، نام شهرداری، و غیره)، و همچنین برای تعریف قالب آدرس ورودی به ژئوکد، که می تواند هم در یک فیلد واحد و هم در چندین فیلد ذخیره شود [ 29 ] (ص 276-277). با توجه به عدم ساختار آدرس‌های ذخیره شده در جدول GIPSE، عملیات کدگذاری جغرافیایی با استفاده از سرویس ESRI “ArcGIS World Geocoding Service” انجام شد، یک آدرس یاب مبتنی بر وب “انعطاف پذیر” که از زبان‌های مختلف با پوشش جهانی پشتیبانی می‌کند ( https ://doc.arcgis.com/en/arcgis-online/reference/geocode-coverage.htm) یک ویژگی که زمانی مهم می شود که مکان آدرس نامشخص باشد.

سیستم اطلاعات GIPSE دو نوع آدرس را برای هر بیمار ذخیره می‌کند، محل سکونت و محل سکونت، که هر کدام از دو قسمت تشکیل شده است: یکی برای عناصر “مقیاس بزرگ”، مانند نام خیابان و شماره آن، و دیگری برای نام شهر. با فرض دقیق‌تر بودن آدرس محل اقامت، دور دوم کنترل کیفیت با هدف تأیید وجود این مقادیر در هر رکورد، جستجوی بهترین و نوشتن آن در یک فیلد جداگانه انجام شد.

با توجه به تعداد ردیف ها (100794)، از این رو یک عبارت پایتون برای کاهش زمان محاسبه و جلوگیری از خطر اشتباهات تایپی استفاده شد، عملی که به دلایل دیگر مانند [30] (ص 257) ارزشمند است :

–: مستندسازی مراحل یک تجزیه و تحلیل پیچیده با نوشتن اجزای آن (ورودی‌ها، ابزارهای پردازش جغرافیایی و پارامترهای آنها).
–: به اشتراک گذاری کد با مخاطبان در جستجوی مسائل احتمالی که می تواند برای بهینه سازی گردش کار تجزیه و تحلیل برطرف شود.
–: فرآیند را با متغیرهای مختلف بدون نیاز به شروع مجدد تکرار کنید.

به عنوان زبان برنامه نویسی اولیه پلتفرم ArcGIS (10.5.1)، و همچنین برای یک نرم افزار FOSS (نرم افزار منبع باز و رایگان) مانند QGIS، Python (2.7) می تواند در ArcGIS برای دسکتاپ برای اجرای دستورات استفاده شود. یک پنجره جداگانه به جای مرور رابط و جستجوی دکمه های مربوطه. علاوه بر این، از اسکریپت‌های پایتون می‌توان برای ایجاد توالی‌های پیچیده از عملیات ژئوپردازش به همراه توابع بی‌شماری پایتون استفاده کرد. به عنوان یک زبان برنامه نویسی FOSS [ 31 ] (ص 1-2)، پایتون همچنین می تواند با بسیاری از سیستم عامل ها (ویندوز، macOS، و لینوکس) و برنامه های کاربردی (اکسل، اتوکد، و سرور SQL) استفاده شود، که ویژگی های آنها قابل اجرا است. مستقیما از فیلمنامه ها

بنابراین، جدول GIPSE به یک پایگاه جغرافیایی فایل ESRI وارد شد تا آن را به یک قالب قابل ویرایش تبدیل کند و فیلدی را که قرار بود مقادیر خروجی عبارت Python در آن نوشته شود، اضافه کند. با استفاده از مکان‌نمای پایگاه داده، عبارت وجود مقادیر آدرس را برای هر ردیف جدول بررسی می‌کند: اگر یکی از مقادیر محل اقامت گم شده بود، محل اقامت در فیلد جدید توسط مکان‌نما نوشته می‌شود، در حالی که اگر هر دو مقدار اقامتگاه و محل اقامت وجود نداشته باشند، مکان نما آدرس جعلی “مدیسون اسکوئر گاردن، شهر نیویورک” را می نویسد تا با جمع آوری آنها در یک مکان، نقاط نابجا را بعداً روی نقشه به سرعت شناسایی کند. در پایان عملیات geocoding، کلاس ویژگی نقطه خروجی سپس برای بررسی نهایی با استفاده از نقشه جهانی توپوگرافی ESRI به عنوان لایه نقشه پایه به نقشه اضافه شد.

به غیر از نقاط شناخته شده واقع در شهر نیویورک، برخی نابجاهای قابل مشاهده دیگر نیز وجود داشت: به عنوان مثال، برخی در آفریقا بودند، زیرا کشور مبدأ تنها اطلاعات ثبت شده برای برخی از بیماران بی خانمان بود (به عنوان مثال، “sfd، گامبیا، که در آن “sfd” مخفف “Senza Fissa Dimora” است که به معنای یک فرد بی خانمان است). برخی از آدرس‌های دیگر در ایالات متحده آمریکا به دلیل شباهت با آدرس‌های آمریکایی، نادرست بودند، مانند «via Tivoli 11, MENTANA» که خیابانی به نام تیوولی در شهرداری Mentana در نزدیکی رم است که با «Tivoli Way, Missoula» مطابقت نداشت. ایالت مونتانا آمریکا

نقاط در نهایت با یک لایه نشان‌دهنده مرز شهرداری رم تقاطع شدند تا نقاط نابجایی که انتخاب ابزار انتخاب با مکان را معکوس می‌کردند حذف کرد: بنابراین، 3979 از 100794 نقطه اصلی حذف شدند که منجر به یک کلاس ویژگی شد. از 96815 امتیاز یا 96 درصد ورودی (کلاس ویژگی بخش های سرشماری رم از وب سایت موسسه ملی آمار ایتالیا به آدرس https://www.istat.it/storage/cartografia/basi_territoriali/WGS_84_UTM/2011/R12_11_W دانلود شده است. -GS84.zip ).

3.6. تدوین محصولات خروجی

از نظر محصولات خروجی، ده نقشه به منظور پشتیبانی از غربالگری سرزمینی ساخته شد که قادر به شناسایی و نشان دادن اثربخشی ارتباطی بخش‌هایی از شهرداری رم بود که در سال 2011 در موارد کد سفید به اورژانس Policlinico Umberto I متوسل شدند.

به طور خاص، شرح اول یک نقشه «منبع» است که همه نقشه‌های دیگر از آن استخراج می‌شوند. این نقشه ای است که تمام کدهای سفید ثبت شده در پایگاه داده بر روی یک تصویر ماهواره ای از طریق geocoding، زمانی که پایگاه داده هماهنگ شده بود و در معرض عملیات پاکسازی داده ها و کیفیت داده ها قرار می گرفت، زمین شناسی شده است.

سپس سه مجموعه متشکل از سه شرح نقشه‌نگاری دیجیتال، هر کدام از نظر پایگاه‌های سرزمینی، بر روی بخش‌های سرشماری (CS)، مناطق سرشماری (CEA) و مناطق فرعی شهرداری (SCA) ساخته شدند.

به طور خاص [ 32 ] (ص 28-30):

–: بخش های سرشماری (CS) حداقل واحد سروی شهرداری است که سرشماری بر اساس آن سازماندهی می شود. هر CS از یک بدنه تشکیل شده است که با یک خط شکسته بسته مرزبندی شده است. با شروع از بخش های سرشماری، سازمان های جغرافیایی و اداری را می توان در سطوح بالاتر بازسازی کرد.
–: مناطق سرشماری (CEA) گروه‌هایی از بخش‌های سرشماری پیوسته هستند. در انتخاب‌های تجمیع، داده‌های جمعیت‌شناختی و اجتماعی نیز در نظر گرفته شد تا مناطقی با تعداد سکنه بین 13 تا 18 هزار نفر به استثناء، با در نظر گرفتن پیشنهادات شهرداری‌های درگیر، به دست آید.
–: مناطق فرعی شهرداری (SCA) از تقسیم قلمرو شهرداری به واحدهای غیرمتمرکز اداری و/یا توپونوماتیکی (مناطق اداری، محله‌ها و غیره) ناشی می‌شوند و از مجموع کل بخش‌های سرشماری به دست می‌آیند.

اولین مجموعه از سه نقشه مربوط به دسترسی های سفید کد در مقدار مطلق بود که بر اساس معیار چندک به کلاس ها تقسیم می شدند. این مجموعه اولین نگاه بسیار مهمی به تعداد شرکت کنندگان ارائه کرد.

مجموعه دوم از سه نقشه مربوط به دسترسی های سفید کد در رابطه با 1000 ساکن بود که بر اساس معیار کمیت به کلاس ها تقسیم شدند. بنابراین این مجموعه برای داشتن اطلاعاتی در مورد تعداد شرکت کنندگان با توجه به ساکنان مفید بود.

مجموعه سوم از سه نقشه مربوط به دسترسی های سفید کد در رابطه با مساحت سطح است که بر اساس معیار کمیت به کلاس ها تقسیم می شوند. این مجموعه برای داشتن اطلاعاتی در مورد تراکم حضور با توجه به مساحت سطح مفید بود.

یک پس‌زمینه خاکستری روی نقشه‌ها نسبت به بخش‌های سرشماری قرار داده شد تا رنگ‌های مختلف را بهتر نشان دهد که به تعداد زیادی چند ضلعی کوچک نشان‌دهنده واحدهای اداری (CS) اشاره دارد.

یک پس‌زمینه خیابان مانند با نام‌های مکان‌ها برای پوشش نقشه‌ها نسبت به مناطق سرشماری (CEA) استفاده شد و این امکان را فراهم کرد که جزئیات قابل توجهی در مورد مکان‌ها، محور جاده‌ها و خیابان‌ها وجود داشته باشد که بسیاری از موارد را ارائه می‌کند. اطلاعات با زوم پیشرونده

یک پس‌زمینه ماهواره‌ای بر روی نقشه‌ها نسبت به مناطق فرعی شهرداری (SCA) قرار می‌گیرد و فرد را قادر می‌سازد تا یک نمای کلی داشته باشد و ساختمان‌ها، خانه‌ها و عناصر واقعی موجود در قلمرو را با یک لنز دقیق ببیند.

3.7. ضوابط تدوین

برای توضیح نقشه «منبع»، که یک نقشه نقطه‌ای (یا نقشه نماد نقطه‌ای) بود، در یک محیط GIS از طریق کدگذاری جغرافیایی در منظر تطبیق آدرس برای مکان‌یابی مراجعه‌کنندگان به اتاق‌های اورژانس با کد سفید به عنوان نقاط و برای تجسم نتیجه در یک تصویر ماهواره ای.

در واقع می توان از geocoding برای تبدیل هر آدرسی که به یک رویداد خاص یا عنصر مورد علاقه اشاره می شود به یک نقطه در نقشه دیجیتال استفاده کرد. تطبیق آدرس مشابه شامل مقایسه دو مجموعه داده متفاوت اما مرتبط است: اولی حاوی آدرس جنبه های بهداشتی یا رویدادهای بهداشتی و دومی مربوط به پایگاه داده بنیاد با اطلاعات آدرس خاص خود است. یک آدرس (نام خیابان، شماره و شهر، کدپستی یا منطقه دیگر) از پایگاه داده اول با آرایه کامل آدرس‌های موجود در پایگاه داده دوم مقایسه می‌شود و زمانی که این دو با هم موافق باشند، «تطابق» رخ می‌دهد.» از نقطه نظر عملی، این یک روش تکراری و خودکار است که در آن قبل از آن باید سعی شود همه آدرس‌ها مطابقت داده شوند و سپس آنهایی که: به دلایل مختلف (مثلاً به دلیل گم شدن یا نادرست بودن اطلاعات در هنگام ورود داده ها در مرحله اضطراری)، مطابقت ندارند. بنابراین، به طور کلی خطاهایی وجود داشت که مستلزم مداخلات مناسب و دیجیتالی کردن با دست یا اعمال کنوانسیون ها و قوانین است.33 ] (ص 99-102).

زمانی که داده‌ها در دسترس باشند و از دقت خوبی برخوردار باشند، ژئوکدگذاری می‌تواند ارزش افزوده زیادی در مطالعات بهداشتی و اپیدمیولوژیکی ایجاد کند و طیف وسیعی از فرصت‌های روش‌شناختی و کاربردی را ارائه دهد. در مورد استفاده از کدگذاری جغرافیایی برای بررسی خوشه‌بندی بهداشتی و بیماری، کیفیت داده‌ها از اهمیت بالایی برخوردار است [ 34 ] (ص. 61) به منظور جلوگیری از ورودی‌ها و نتایج ضعیف [ 35 ] (ص. 88). از سوی دیگر، زمانی که این فرآیند می‌تواند به تولید نقشه‌های دیجیتالی بسیار مهم برای درک یک مسئله مهم کمک کند، ما در مقابل روشی شایسته برای نشان دادن الگوهایی هستیم که در غیر این صورت قابل تشخیص نیستند.

در این موارد:

–: ژئوکدینگ نقش مرتبطی را در تحقیقات علوم بهداشتی و کارهای میان رشته ای ایفا می کند زیرا داده های جغرافیایی اساسی را فراهم می کند و زمین شناسی می کند که می تواند امکان تحقیقات مبتنی بر فضایی را فراهم کند و از تصمیمات سیاست استراتژیک حمایت کند [36 ] .
–: “ایجاد نقشه های قابل توجه و آموزنده همراه با تجزیه و تحلیل مناسب داده های اپیدمیولوژیک فضایی” [ 37 ] (ص. 29).

فرآیند geocoding ما را قادر می سازد تا یک نقشه نقطه توضیحی تولید کنیم که در آن هر نقطه مربوط به یک حضور در کد سفید است و در آن غلظت بالای نقاط، خوشه هایی از رویدادها و الگوهای توزیعی را نشان می دهد، که به ویژه در مورد بزرگنمایی زیاد مشهود بود. در عوض، نقشه‌های مشابه زمانی که سطح بزرگ‌نمایی کم بود واضح نبودند و نقاط زیادی در فضای محدود وجود داشت، زیرا مشکلات همپوشانی ظاهر شد، با این خطر که «نقاط نقاط دیگر را پنهان می‌کنند، تفاوت‌ها در تراکم را پنهان می‌کنند» که تشخیص مناطق با قابل‌توجه و قابل توجه را دشوار می‌کند. غلظت نسبتاً حاوی در این موارد، استراتژی «تبدیل منطقه که در آن نقاط به مناطق جغرافیایی گروه‌بندی می‌شوند، و مناطق با توجه به تعداد رویدادهای درون آن‌ها سایه (یا رنگی) می‌شوند» یک گام یکپارچه به جلو ارائه می‌کند. به این ترتیب،33 ] (صص 117-119). علاوه بر این، در این مورد، بسط نقشه‌های choropleth دیجیتال اجازه نمایش متوالی شاخص‌های ساخته شده به عنوان نسبتی بین تعداد دسترسی‌ها در کد سفید و تعداد ساکنان یا گسترش سطح را می‌دهد.

در مورد معیار طبقه‌بندی، برای نقشه‌های choropleth، ما همیشه روش کمیت را انتخاب کرده‌ایم که اغلب در مطالعات بهداشتی و اپیدمیولوژیک استفاده می‌شود، همچنین به این دلیل که امکان مقایسه بین نقشه‌های مختلف را فراهم می‌کند، زیرا معمولاً با فراوانی یکسانی مشخص می‌شود. مقادیر در هر کلاس تعریف شده و همان تعداد ناحیه اداری در هر کلاس جریان دارد.

در مورد تعداد کلاس ها:

–: برای اولین مجموعه از نقشه‌های مربوط به کد حضور سفید در مقدار مطلق، ما از چهار کلاس برای بخش‌های سرشماری استفاده کردیم (چهار کلاس ایجاد کرده‌ایم، حتی اگر کلاس‌های اول و دوم به ترتیب تنها با یک و دو دسترسی تشکیل شده باشند، برای موارد خاص. مشخصات و توزیع سری داده‌ها که در این سطح از جزئیات، تعداد بسیار بالایی از موارد از این نوع را ثبت می‌کنند و از شکست‌های غیرعادی جلوگیری می‌کنند، علاوه بر این، عملکرد متوالی بر اساس فرآیند باز کردن بسته‌بندی مناسب مفید است. طبقه اول و دوم را می توان به عنوان یک نوع کلاس منحصر به فرد در نظر گرفت). پنج کلاس برای مناطق سرشماری؛ و سه کلاس برای مناطق فرعی.
–: برای مجموعه دوم نقشه‌ها، ما از هشت کلاس برای بخش‌های سرشماری استفاده کردیم (طبق فرآیند باز کردن بسته‌بندی به دلیل تغییرپذیری برجسته مقادیر). پنج کلاس برای مناطق سرشماری؛ و سه کلاس برای مناطق فرعی.
–: برای مجموعه سوم نقشه‌ها، ما دوباره از هشت کلاس برای بخش‌های سرشماری استفاده کردیم. پنج کلاس برای مناطق سرشماری؛ و سه کلاس برای مناطق فرعی.

با توجه به رنگ‌ها، برای تأکید بر تفاوت‌ها، از تناژهای گرم نارنجی و قرمز برای مقادیر به تدریج بالاتر، در حالی که از سایه‌های سبز مختلف برای مقادیر کم استفاده می‌کنیم، و در موارد با تعداد کلاس‌های فرد از رنگ زرد برای قسمت مرکزی استفاده می‌کنیم. کلاس

4. نتایج و بحث

در پایان عملیات پاکسازی داده و کیفیت داده، 9544 دسترسی با کد سفید در سال 2011 در اورژانس Policlinico Umberto I ثبت شد و از این میان ( شکل 1 ):

–: 56% به دلیل بیماری های سیستم عصبی و اندام های حسی بودند.
–: 11% به دلیل تروما و مسمومیت بودند.
–: 9 درصد به دلیل استفاده از خدمات بهداشتی برای تولید مثل و توسعه بوده است.
–: 21 درصد دیگر به دلیل افرادی بود که در طول ویزیت و معاینه بدون تشخیص (5٪)، علائم، علائم و شرایط نامشخص (4٪)، بیماری های سیستم اسکلتی عضلانی و بافت همبند (3٪)، بیماری های پوستی تماس گرفتند. و بافت زیر جلدی (3%)، بیماری های دستگاه تناسلی ادراری (3%)، بیماری های عفونی و انگلی (2%)، بیماری های تنفسی (1%).
–: 3 درصد به دلایل دیگر بود.

از نقطه نظر نقشه کشی، در یک محیط GIS، این داده ها بر روی یک تصویر ماهواره ای از طریق geocoding به منظور تولید نقشه «منبع»، در قالب یک نقشه نقطه ای، زمین شناسی شده اند (شکل 2) .). همانطور که در نقشه نقطه نشان داده شده است، تعداد بالای موارد تعیین کننده موقعیت های همپوشانی و تفصیل بلافاصله تفاوت محسوسی را بین بخش شرقی، با غلظت بسیار بالای دسترسی ها در کد سفید، و بخش غربی، که در آن امکان پذیر بود، نشان داد. تشخيص حضور و غياب منفرد و محورهاي توزيع خاص. همانطور که قابل پیش‌بینی بود، با افزایش فاصله نسبت به Policlinico Umberto I، تعداد شرکت‌کنندگان کاهش می‌یابد، اما همچنان در مورد فواصل قابل‌توجه، ساختار مرجع را نشان می‌دهد. این امر به ویژه در بخش شرقی مشهود است، جایی که به نظر می‌رسد اتاق اورژانس جایگزین پزشک عمومی یا سایر امکانات بهداشتی محلی استفاده می‌شود، اما تأثیر آن در موقعیت‌های فواصل قابل توجه نیز مرتبط بود. می تواند به این دلیل باشد که: اتاق اورژانس Policlinico Umberto I به بیماران اطمینان می دهد و تا حدی آنها را جذب می کند بدون اینکه سایر بیمارستان ها بتوانند به عنوان یک فیلتر عمل کنند. عملیات تریاژ نیازی به ثبت مکانی ندارد که افراد در لحظه وقوع حادثه یا شروع علائم در آن بودند و بنابراین افرادی که در فاصله معینی زندگی می کردند می توانستند Policlinico Umberto I را برای نزدیکی آن در لحظه نیاز انتخاب کنند. اما میزان حضور در کد سفید قابل توجه است زیرا 9544 نفر در یک سال به این معناست: حدود 795 نفر در ماه و حدود 26 نفر در روز با غلبه محسوس در بخش شرقی که حوضه آبریز ممتاز است. اینها داده های مرتبط هستند، بیش از همه با توجه به اینکه آنها دسترسی های قابل اجتناب هستند که در عوض باری را برای هجوم عملیات پذیرش و رویه های فوری تر ایجاد می کنند. عملیات تریاژ نیازی به ثبت مکانی ندارد که افراد در لحظه وقوع حادثه یا شروع علائم در آن بودند و بنابراین افرادی که در فاصله معینی زندگی می کردند می توانستند Policlinico Umberto I را برای نزدیکی آن در لحظه نیاز انتخاب کنند. اما میزان حضور در کد سفید قابل توجه است زیرا 9544 نفر در یک سال به این معناست: حدود 795 نفر در ماه و حدود 26 نفر در روز با غلبه محسوس در بخش شرقی که حوضه آبریز ممتاز است. اینها داده های مرتبط هستند، بیش از همه با توجه به اینکه آنها دسترسی های قابل اجتناب هستند که در عوض باری را برای هجوم عملیات پذیرش و رویه های فوری تر ایجاد می کنند. عملیات تریاژ نیازی به ثبت مکانی ندارد که افراد در لحظه وقوع حادثه یا شروع علائم در آن بودند و بنابراین افرادی که در فاصله معینی زندگی می کردند می توانستند Policlinico Umberto I را برای نزدیکی آن در لحظه نیاز انتخاب کنند. اما میزان حضور در کد سفید قابل توجه است زیرا 9544 نفر در یک سال به این معناست: حدود 795 نفر در ماه و حدود 26 نفر در روز با غلبه محسوس در بخش شرقی که حوضه آبریز ممتاز است. اینها داده های مرتبط هستند، بیش از همه با توجه به اینکه آنها دسترسی های قابل اجتناب هستند که در عوض باری را برای هجوم عملیات پذیرش و رویه های فوری تر ایجاد می کنند. و بنابراین افرادی که در فاصله معینی زندگی می کردند می توانستند Policlinico Umberto I را برای نزدیکی آن در لحظه نیاز انتخاب کنند. اما میزان حضور در کد سفید قابل توجه است زیرا 9544 نفر در یک سال به این معناست: حدود 795 نفر در ماه و حدود 26 نفر در روز با غلبه محسوس در بخش شرقی که حوضه آبریز ممتاز است. اینها داده های مرتبط هستند، بیش از همه با توجه به اینکه آنها دسترسی های قابل اجتناب هستند که در عوض باری را برای هجوم عملیات پذیرش و رویه های فوری تر ایجاد می کنند. و بنابراین افرادی که در فاصله معینی زندگی می کردند می توانستند Policlinico Umberto I را برای نزدیکی آن در لحظه نیاز انتخاب کنند. اما میزان حضور در کد سفید قابل توجه است زیرا 9544 نفر در یک سال به این معناست: حدود 795 نفر در ماه و حدود 26 نفر در روز با غلبه محسوس در بخش شرقی که حوضه آبریز ممتاز است. اینها داده های مرتبط هستند، بیش از همه با توجه به اینکه آنها دسترسی های قابل اجتناب هستند که در عوض باری را برای هجوم عملیات پذیرش و رویه های فوری تر ایجاد می کنند.

شکل 3 که از شکل 2 گرفته شده است، کد سفید دسترسی به اورژانس را با داده های جمع آوری شده بر اساس بخش های سرشماری نشان می دهد و غربالگری از توزیع های مختلف را با توجه به حداقل واحد بررسی شهرداری ارائه می دهد. در پیچیدگی یک موقعیت بسیار متنوع با تعداد قابل توجهی موارد، یک نقشه مشابه بر جزئیات در جزئیات تأکید می کند، و نشان می دهد که چه مناطق کوچکی هستند که به طور نادرست از اورژانس Policlinico Umberto I استفاده می کنند. این نقشه همچنین امکان تمایز را فراهم می کند. که، با کنار گذاشتن فاکتور فاصله، موقعیت‌های مختلطی را نشان می‌دهد که در آن برخی زمینه‌ها تعدادی حضور به‌ویژه بالا را ثبت می‌کنند و بنابراین به اقدامات آگاهی و آموزشی خاصی برای اصلاح رفتار مردم نیاز دارند. این نقشه تفاوت قابل توجه بین بخش های شرقی (بسیار متاثر) و غربی را تایید می کند.

سپس یک سیستم سازی کمی مشخص توسط شکل 4 ارائه شد، که کد سفید را برای دسترسی به اتاق اورژانس با داده های جمع آوری شده بر اساس مناطق سرشماری نشان می دهد که با گروه بندی بخش های سرشماری پیوسته به دست آمده است. این نقشه سطح جزئیات را کاهش می دهد اما ظرفیت ارتباطی را برای درک پویایی های سرزمینی و تعریف اقدامات مداخله ای ممکن که می تواند تعداد حضور در زمینه های خاص را کاهش دهد افزایش می دهد. تقسیم بندی فرعی کاملاً واضح است: نوعی صف بندی در بخش شرقی (که بلافاصله از غرب Policlinico شروع می شود) با بالاترین مقادیر (137-368 دسترسی). یک منطقه مشرف نزدیک به شمال و جنوب صف با مقادیر بالا (81-136). یکی دیگر از مناطق نزدیک، نامنظم و دربرگیرنده با مقادیر متوسط (23-80). و تناوب مناطق سرشماری با مقادیر کم (12-22) و بسیار کم (3-11) در بخش غربی.

سطح دیگری از اختصار توسط شکل 5 ارائه شده است، که در آن داده های سفید کد بر اساس مناطق فرعی نشان داده شده است و به طور مصنوعی بر یک تقسیم بندی سه گانه به خوبی تعریف شده در بخش شرقی، با یک انشعاب شمالی، که با زیر شهرداری مشخص می شود، نشان می دهد. مناطق با حداکثر مقادیر (705-1708 دسترسی)؛ بخش جنوبی با مقادیر متوسط (141-704)؛ بخش غربی، که از نظر سرزمینی وسیع ترین است، با مناطق فرعی شهرداری با حداقل مقادیر (53-140) مشخص می شود.

به عنوان ادغام جزئیات تولید شده بر روی مقادیر مطلق، شکل 6 ، شکل 7 و شکل 8 داده های سفید کد را در رابطه با تعداد ساکنان در سال 2011 نشان می دهد.

به طور خاص، شکل 6بر بخش‌های سرشماری با رنگ‌های گرم نارنجی و بالاتر از همه قرمز تأکید می‌کند که اغلب از اورژانس Policlinico Umberto I حتی در موارد غیر فوری استفاده می‌کنند. چارچوب ترکیبی است و ریزمنطقه‌های جدید با مقادیر بالا به شکلی پراکنده در قلمرو ظاهر می‌شوند و به بافت‌های قابل توجه تبدیل می‌شوند، زیرا با توجه به تعداد ساکنانی که با توجه به تعداد ساکنان که باید بیشتر از رفتار مناسب آگاه شوند، مشخص می‌شود. یک رابطه یکپارچه تر GP و بیمار. استفاده مکرر از واحد مراقبت های بهداشتی محلی. این مقادیر نسبی تحت تأثیر تنوع بالای تعداد ساکنان در بخش‌های سرشماری متعدد است.

شکل 7 تصویری کلی از مقیاس مناطق سرشماری ارائه می دهد و کم و بیش وضعیت نشان داده شده در شکل 4 را تایید می کند . مهم ترین تفاوت این است که کل بافت تشکیل شده از مناطق سرشماری با حداکثر مقادیر (7.2-23.7‰) فشرده تر و متمرکزتر در نزدیکی Policlinico Umberto I است، با انشعابات خارجی کمتر (خارج از جاده کمربندی بزرگ).

شکل 8 تولید شده بر اساس مناطق فرعی، تصویر حاصل از شکل 5 را تایید می کند ، به استثنای وسیع ترین و خارجی ترین منطقه فرعی در بخش شرقی، که در شکل 8 مقادیر متوسط را ثبت می کند (در حالی که در شکل 5) همان ناحیه در کلاس با حداکثر مقادیر است). و یک منطقه فرعی کوچک بلافاصله در شمال Policlinico Umberto I که در شکل 8 یکی از زمینه هایی با حداکثر مقادیر است (در حالی که در شکل 5 همان منطقه با مقادیر متوسط مشخص می شود).

به عنوان عناصر مهم دیگر، شکل 9 ، شکل 10 و شکل 11 وضعیت را با توجه به داده های سفید کد در رابطه با سطح (کیلومتر مربع؛ کیلومتر مربع) نشان می دهد.

از اولین تحلیل کلی، به نظر می رسد شکل 9 چارچوبی را نشان می دهد که به شدت با مقادیر کم متمایز می شود و بنابراین با توجه به چارچوب به دست آمده توسط شکل 3 و بالاتر از همه 6 بسیار متفاوت است. در واقع، در شکل 9نما تحت تأثیر ابعاد بخش‌های سرشماری قرار می‌گیرد و اساساً بزرگترین بخش‌های سرشماری با کمترین مقادیر (0.2-20.1 دسترسی در کیلومتر مربع) مشخص می‌شوند. معیار چندک نمی تواند نقشه ای با شیوع عددی مناطق در یک طبقه خاص ارائه دهد و به دلیل ابعاد متفاوت قابل توجه بخش های سرشماری، یک جلوه بصری است. بخش‌های سرشماری با بالاترین مقادیر (367.2-7961.2 دسترسی/کیلومتر مربع؛ همچنین 218.7-367.1) در عوض ابعاد بسیار کمی دارند و در نتیجه سطح بالایی از زوم برای نمایش جزئیات مورد نیاز است.

شکل 10 ، بر اساس مناطق سرشماری، اگر با شکل 4 و شکل 7 مقایسه شود، که در مقیاس نمایش مشابه تولید شده است، تغییر شکل مقادیر در بخش شرقی را با افزایش فاصله از Policlinico Umberto I نشان می دهد. در واقع، در شکل 4 بسیاری از مناطق خارج از جاده کمربندی بزرگ بالاترین مقادیر را داشتند (کلاس پنجم، به رنگ قرمز). در شکل 7 این نواحی دارای تغییر شکل مقادیر هستند (کلاس چهارم، به رنگ نارنجی). در شکل 10 این نواحی تغییر شکل بیشتری از مقادیر را ثبت می کنند (کلاس سوم، یعنی مقادیر متوسط، به رنگ زرد).

شکل 11 ، مربوط به مناطق فرعی شهرداری، یک پیکربندی مجدد جزئی را در صورت مقایسه با شکل 5 و شکل 8 ، که در همان مقیاس نمایشی تحقق یافته است، نشان می دهد. مناطق فرعی با بالاترین مقادیر در شکل 11 تمایل دارند که Policlinico Umberto I را احاطه کنند و ابعاد سرزمینی محدودی دارند (در میان مناطق کوچک فرعی شهرداری، تنها یکی از آنها، در ضلع غربی نسبت به بیمارستان، مقادیر متوسطی را ثبت می کند. و با رنگ زرد نشان داده شده است).

5. نتیجه گیری و احتمالات کاربردی بیشتر

تجزیه و تحلیل دقیق و چند لایه مبتنی بر دسترسی های سفید کد در اورژانس Policlinico Umberto I، در مقیاس های مختلف نمایشی و در مقادیر مطلق و نسبی، این امکان را فراهم می کند که یک سری جنبه ها را برجسته کند که می تواند از نظر فایده اجتماعی برای درک مفید باشد. و جلوگیری از ازدحام بیش از حد و برای برنامه ریزی اقدامات و اقدامات موردی برای ساکنان و مراکز مراقبت های بهداشتی محلی. یک قطعه کار مشابه ورودی هایی را برای تکرار روش مورد استفاده و شرح و بسط تولید شده به منظور داشتن چارچوب وسیع تری از وضعیت واقعی در رم می دهد، جایی که اتاق های اورژانس تعداد زیادی از حضور و غیاب سفید کد را جذب می کنند که به افزایش مشکلات، به تاخیر انداختن رویه ها و کاهش کیفیت کمک

به هر حال، شناسایی عوامل تعیین‌کننده و علل اصلی ازدحام بخش اورژانس یک عنصر کلیدی در تلاش برای کاهش این مشکل مهم است و مجموعه‌ای از مداخلات معتبر و قابل اعتماد احتمالی نیازمند تعهد مشترکی است که نهادهای مختلف و جامعه را درگیر می‌کند. استراتژی‌ها برای اصلاح عوامل اصلی باید با تجزیه و تحلیل جغرافیایی دقیق و با استفاده از اقدامات بالینی معنی‌دار ارزیابی شوند. غربالگری دقیق و استانداردسازی اقدامات، شامل بیمارستان‌ها و مقامات بهداشتی مختلف، امکان مقایسه استراتژی‌های احتمالی و اتخاذ راهبردهایی را فراهم می‌کند که دارای سطح خاصی از کاربرد و اثربخشی هستند [38] (ص. 39 ) .

علاوه بر این، روش مورد آزمایش در اینجا برای کد سفید و پردازش داده ها و برنامه های کاربردی GIS را می توان برای سایر رنگ های کد، به عنوان مثال، کد قرمز که وضعیت بسیار حیاتی تهدید کننده زندگی و نیاز به بالاترین اولویت را شناسایی می کند، منتقل و به کار برد. دسترسی فوری

بنابراین، از طریق یک مثال مقدماتی، پس از تقسیم‌بندی دسترسی‌ها بر اساس علت ( شکل 12 )، یک نقشه نقطه‌ای مربوط به حضور با کد قرمز (در سال 2011) در اورژانس Policlinico Umberto I به طور مشابه با کدگذاری جغرافیایی توضیح داده شده است ( شکل 12) . 13 )، پس از پاکسازی داده ها و فرآیندهای کیفیت داده، بر اساس 1584 دسترسی.

در این مورد، علل اصلی دسترسی (که مجموعاً 70 درصد از حضور را تعیین می کنند) عبارتند از:

–: بیماری های سیستم گردش خون (23٪)؛
–: علائم، علائم، و شرایط نامشخص (19%).
–: بیماری های سیستم عصبی و اندام های حسی (14%) و بیماری های تنفسی (14%).

تا آنجا که به توزیع جغرافیایی دسترسی‌ها مربوط می‌شود، نقشه نقطه‌ای بر اساس کد قرمز به طور کلی، با تغییر شکل دادن به تعداد، چارچوب به دست آمده از شکل 2 را تأیید می‌کند.، با نزدیکترین مناطق به Policlinico Umberto I و بخش شرقی به ویژه تحت تأثیر قرار گرفته است. عواقب مختلفی نیز در فواصل مربوطه مشهود است، اما این احتمال وجود دارد که حضور از جایی باشد که با توجه به مکانی که افراد در آن به طور معمول در آن زندگی می کنند (محل کار، تصادف اتومبیل و غیره) متفاوت است و اهمیت جدی را تأیید می کند. جمع آوری داده ها در لحظه تریاژ با وجود این، از طریق دسترسی‌های کد قرمز، می‌توان نوع دیگری از اطلاعات را در رابطه با کد سفید به‌دست آورد، زیرا به معنای در نظر گرفتن، علاوه بر معیار مجاورت، افراد و بستگانی است که تصمیم می‌گیرند در زمان زندگی خود به Policlinico Umberto I بروند. در معرض خطر است و بنابراین می توان حوضه آبریز موارد بسیار فوری را نیز تعریف کرد.

فرآیند روش‌شناختی در اینجا مورد آزمایش قرار می‌گیرد، که با کدگذاری جغرافیایی با یک نقشه «منبع» پشتیبانی می‌شود، به شکل یک نقشه نقطه‌ای که در آن موارد بر روی یک تصویر ماهواره‌ای یا سایر الگوها مکان‌یابی می‌شوند، و جزئیات متوالی در نقشه‌های choropleth دیجیتال، که در آن داده‌ها در گروه‌های مختلف گروه‌بندی می‌شوند. مقیاس های جغرافیایی با توجه به معیارهای مناسب، امکانات کاربردی زیادی برای بررسی جنبه ها و مشکلات بهداشتی و اپیدمیولوژیک پیدا می کند. طبیعتاً با توجه به موقعیت ها و شرایط مختلف، به عنوان مثال برای حمایت از اقدامات سریع و مستقیم، مانند شرایط اضطراری مربوط به COVID-19، می توان معیارهای مختلفی را برای طبقه بندی انتخاب کرد و مناطقی را که ارزش ها به ویژه در آنها وجود دارد برجسته کرد. بالا و قابل توجه در واقع برنامه ریزی سلسله مراتبی از مداخلات و اقدامات بیش از هر چیز مفید است.

همچنین در مورد بحران ناگوار بهداشتی-اجتماعی (و اقتصادی) ناشی از SARS-CoV-2، برخی از آثار بر اهمیت داشتن داده‌های خاص در مورد موارد منفرد COVID-19 (سرایت و مرگ) توسط محل سکونت تأکید کرده‌اند. آدرس فعلی یا مکانی که افراد معمولاً در آن زندگی می کنند) و بر اساس محل سکونت (محل سکونت اصلی معمول) به منظور تولید نقشه های دیجیتال پویا، که می توانند به طور مداوم با داده های روزانه به طور خودکار به روز شوند، مدل ها و سناریوها دقیق و بین رشته ای انجام شوند. تجزیه و تحلیل در سطوح جغرافیایی و تکاملی [ 39]. ژئوکدینگ و سایر قابلیت‌های موقتی می‌توانند جزئیات مهم را برجسته کنند، حرکت ذره‌بین جغرافیایی در مناطق مختلف و کاربردهای مشتق‌شده برای تعریف اقدامات و سلسله مراتب اولویت‌ها بسیار مفید خواهد بود. در موقعیت‌های مشابه، یک ژئوکدینگ دقیق و تولید نقشه‌های نقطه‌ای دیجیتالی مرتبط می‌تواند به شناسایی مناطق با تمرکز موارد مرتبط و تجمیع داده‌ها کمک کند، به عنوان مثال، برای بخش‌های سرشماری، مناطق سرشماری و مناطق زیرشهری، یا استفاده از توابع به عنوان چگالی هسته، تشخیص الگوها، خوشه‌ها و روندها (حفظ محرمانگی) را ممکن می‌سازد و ورودی‌های اساسی برای تحقیقات اپیدمیولوژیک فراهم می‌کند [ 40]] (ص 202). پروژه ای از یک سیستم مکان یابی و اطلاعات اپیدمی (ELIS)، که اخیراً برای نظارت بر گسترش COVID-19 راه اندازی شده است، بر اساس عملکردهای مربوط به تجزیه و تحلیل داده ها و مدل سازی ایجاد شده است. ژئوکدینگ و نقشه برداری موارد آزمایش شده و تایید شده با استفاده از مدل های آدرس مناسب. تجسم انتشار عفونت در طول زمان؛ شناسایی مناطق بحرانی (یعنی دارای گروه های سنی آسیب پذیر) و مناطق دارای ظرفیت ها و منابع پزشکی برای مقابله موثر با بحران همه گیر. پیش بینی اپیدمی و ارتباطات داده [ 41 ] (ص. 2).

ژئوکدینگ و تحلیل فضایی مجموعه گسترده ای از ارزش های افزوده ممکن را در کاربردهای مختلف جغرافیای پزشکی و تحقیقات بهداشتی-اپیدمیولوژیک ارائه می دهد. در کار حاضر، ما از طریق غربالگری منطقه‌ای که با استفاده از داده‌های Policlinico Umberto I در رم برای یک مطالعه آزمایشی انجام شد، توجه ویژه‌ای را بر روی احتمالات با هدف کاهش ازدحام بیش از حد اتاق اورژانس، به دلیل حضور سفید کد، متمرکز کرده‌ایم. برای اینکه پتانسیل‌های واقعی در شعاع وسیعی آشکار شوند، لازم است یک سیستم جمع‌آوری داده‌های یکنواخت در دسترس داشته باشیم که اطلاعات مناسب را ارائه دهد، از آدرس کامل اقامتگاه و محل سکونت و محل منشأ در لحظه بروز مشکل شروع شود. شروع با پردازش و بسط داده‌های زمین‌شناسی و شناسایی صحیح ساختمان از طریق کدگذاری جغرافیایی و تحلیل فضایی در موقعیت‌های متعدد، می‌توان مدل‌سازی GIS و تحقیقات بین‌رشته‌ای را تولید کرد که به‌طور قابل‌توجهی برای حمایت از حاکمیت مبتنی بر داده‌ها و نقشه‌ها و پیشنهاد شیوه‌های خوب مفید است. اقدامات موقت، به منظور: کاهش مشکلات بزرگ؛ نجات جان انسانها؛ تشخیص دهد که در چه مناطقی مشکلات و پدیده های خاص به شدت متمرکز شده اند و نیاز به مداخلات سریع و سنگین دارند. نجات جان انسانها؛ تشخیص دهد که در چه مناطقی مشکلات و پدیده های خاص به شدت متمرکز شده اند و نیاز به مداخلات سریع و سنگین دارند. نجات جان انسانها؛ تشخیص دهد که در چه مناطقی مشکلات و پدیده های خاص به شدت متمرکز شده اند و نیاز به مداخلات سریع و سنگین دارند.

علاوه بر این، برای این مطالعه آزمایشی، ما از داده‌های گذشته‌نگر استفاده کرده‌ایم و به دنبال بهینه‌سازی و به حداکثر رساندن نتایج قابل حصول با بررسی‌های قبلی هستیم. در مورد داده‌های چشم‌انداز، که با روش‌های خاص ابداع شده شناسایی می‌شوند، می‌توان به طور فعالانه به فرآیندهای برنامه‌ریزی استراتژیک شهری کمک کرد، بر اساس داده‌هایی که به طور موقت به راحتی جمع‌آوری، فهرست‌نویسی، و سپس توضیح داده و تحلیل می‌شوند. برخی از انتخاب‌های مشترک برای استانداردسازی و ثبت داده‌های بهداشتی، در دیدگاه یک رویکرد اطلاعات جغرافیایی مبتنی بر دیدگاه بین‌رشته‌ای و کاربردهای GIS، می‌توانند به شکل مطلوبی به توسعه بافت‌های هوشمند و به تعادل مجدد تفاوت‌های سرزمینی کمک کنند.

تحقیقات آتی باید بر امکان پیاده‌سازی یک سیستم تحلیل فضایی متمرکز شود که امکان تجزیه و تحلیل تقریباً واقعی دسترسی به اتاق اورژانس را فراهم می‌کند. این سیستم امکان شناسایی مناطقی از حوضه آبریز اتاق اورژانس را که موارد نامناسب از آن‌ها می‌آید شناسایی می‌کند تا در اسرع وقت به خدمات منطقه‌ای و پزشکان عمومی آن منطقه هشدار داده شود. با این حال، این نظارت مستمر باید منجر به شناسایی کاستی‌هایی شود که می‌تواند سیاست‌های بهداشتی را به سمت مدیریت بهتر خدمات منطقه‌ای و کاهش ازدحام بیش از حد در اورژانس هدایت کند.

کار حاضر یک مطالعه آزمایشی مبتنی بر یک مورد منحصر به فرد اما مرتبط برای مقدار داده‌ها، جریان‌ها و مشکلات مدیریتی – لجستیکی و ادراکی – عاطفی است که می‌تواند بینش مفیدی را نیز در مورد چشم‌انداز فرآیندها، روش‌ها، ابزارهای آزمایش ارائه کند. و کارکردهایی که باید در سایر زمینه های اورژانس بهداشتی-اپیدمیولوژیک باز اقتباس شوند، در بُعد تحقیقات و کاربردهای مطالعه موردی، که در سال 1984 نظریه پردازی شد و اخیراً در طراحی و پتانسیل های عملیاتی اجرا شده است، زیرا رویکردی مشابه در جغرافیای پزشکی و اجتماعی مورد توجه قرار گرفته است. علم [ 42 ، 43 ].

منابع

Pineault، R. رابرژ، دی. بویل، پی. پلچت، ی. Sicotte, C. Évaluation de l’efficacité et de l’efficience des Mesures Gouvernementales Visant à Réduire l’engorgement des Salles d’urgence, Rapport Final ; Université de Montréal: Montreal, QC, Canada, 1989; R8. [ Google Scholar ]
رابرژ، دی. Pineault، R. لاروش، دی. پویر، ال.- آر. حماسه ادامه دار ازدحام بیش از حد اتاق اورژانس: آیا هدف درستی را هدف قرار می دهیم؟ بهداشت و درمان سیاست 2010 ، 5 ، 27-39. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
یارمحمدیان، محمدحسن; رضایی، ف. حق شناس، ع. توکلی، ن. ازدحام بیش از حد در بخش های اورژانس: مروری بر راهکارهای کاهش چالش های آینده. J. Res. پزشکی علمی 2017 ، 22 ، 1-9. [ Google Scholar ]
یون، پی. اشتاینر، آی. Reinhardt, G. تجزیه و تحلیل عوامل موثر بر طول مدت اقامت در بخش اورژانس. می توان. J. Emerg. پزشکی 2003 ، 5 ، 155-161. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
کاپورالتی، پی. ماراگنو، م. کوزی، ام. کوتولی، او. اینگراسیا، اس. کوکوروکیو، ا. Settembrini، LO; دوناتی، وی. گوارینو، ام. Ruggieri، ازدحام بیش از حد نمایندگان در بخش اورژانس ایتالیا: نظرسنجی “Settimana Nazionale del Pronto Soccorso 2017” SIMEU. ایتالیایی J. Emerg. پزشکی 2018 ، 1-6. [ Google Scholar ]
ریچاردسون، DB افزایش مرگ و میر بیماران در 10 روز مرتبط با ازدحام بیش از حد بخش اورژانس. پزشکی جی. اوست. 2006 ، 184 ، 213-216. [ Google Scholar ] [ CrossRef ] [ PubMed ]
ترزیاک، اس. ریورز، ازدحام بیش از حد بخش اورژانس EP در ایالات متحده: تهدیدی نوظهور برای ایمنی بیمار و سلامت عمومی ظهور. پزشکی J. 2003 , 20 , 402-405. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Derlet، RW; ریچاردز، جی آر ازدحام بیش از حد در بخش های اورژانس کشور: علل پیچیده و اثرات ناراحت کننده. ان ظهور. پزشکی 2000 ، 35 ، 63-68. [ Google Scholar ] [ CrossRef ]
Chung، CH بخش اورژانس ازدحام بیش از حد. هنگ کنگ J. Emerg. پزشکی 2005 ، 12 ، 131-132. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Eitel، DR; رودکین، SE; Malvehy، MA; کیلین، جی پی؛ Pines, JM بهبود کیفیت خدمات با درک جریان بخش اورژانس: مقاله سفید و بیانیه موضع تهیه شده برای آکادمی پزشکی اورژانس آمریکا. J. Emerg. پزشکی 2010 ، 38 ، 70-79. [ Google Scholar ] [ CrossRef ]
دی سوما، اس. پالادینو، ال. وان، ال. لاله، آی. ماگرینی، ال. Magnanti، M. ازدحام بیش از حد در بخش اورژانس: یک مسئله بین المللی. کارآموز ظهور. پزشکی 2015 ، 10 ، 171-175. [ Google Scholar ] [ CrossRef ]
چوی، اس. هان، سی. لی، جی. کیم، اس.-آی. آزمایش های غربالگری نوآورانه کیم، آی بی برای COVID-19 در کره جنوبی. کلین. انقضا ظهور. پزشکی 2020 ، 7 ، 73-77. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
کورستجنز، اس. ون در هورست، ا. هرپرس، آر. Geerits، MW; Kluiters-de Hingh، YC; گوتگنز، EL; Kusters, R. شناسایی سریع بیماران مبتلا به SARS-CoV-2 در بخش اورژانس با استفاده از آزمایشات معمول. کلین. شیمی. آزمایشگاه. پزشکی 2020 . قبل از چاپ. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Derlet، RW; ریچاردز، جی آر ده راه حل برای ازدحام بخش اورژانس. غرب. J. Emerg. پزشکی 2008 ، 1 ، 24-27. [ Google Scholar ]
Hoot، NR; Aronsky، D. بررسی سیستماتیک ازدحام بخش اورژانس: علل، اثرات، و راه حل. ان ظهور. پزشکی 2008 ، 52 ، 126-136. [ Google Scholar ] [ CrossRef ] [ PubMed ]
هولدن، RJ تفکر ناب در بخش های اورژانس: یک بررسی انتقادی. ان ظهور. پزشکی 2011 ، 57 ، 265-278. [ Google Scholar ] [ CrossRef ]
سالوی، RJ; والنزوئلا، آر. شونبرگر، جی.ام. مالون، WK; Viccellio، A. ازدحام بیش از حد بخش اورژانس (ED): پاسخ های مبتنی بر شواهد به سوالات متداول. Rev. Med. کلین. Las Condes 2017 ، 28 ، 213-219. [ Google Scholar ] [ CrossRef ]
فاتوویچ، دی.م. نگری، ی. بلوک دسترسی Sprivulis، P. باعث ازدحام بیش از حد بخش اورژانس و انحراف آمبولانس در پرث، استرالیای غربی می شود. ظهور. پزشکی J. 2005 ، 22 ، 351-354. [ Google Scholar ] [ CrossRef ]
ماتالونی، اف. پینارلی، ال. پروچی، کالیفرنیا؛ داوولی، م. فوسکو، دی. ویژگی های ازدحام ED در منطقه لاتزیو (ایتالیا) و پیامدهای سلامت کوتاه مدت. کارآموز ظهور. پزشکی 2019 ، 14 ، 109-117. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کروچمال، پ. Riley، TA هزینه های مراقبت های بهداشتی مرتبط با ازدحام بیش از حد ED را افزایش داد. صبح. J. Emerg. پزشکی 1994 ، 12 ، 265-266. [ Google Scholar ] [ CrossRef ]
کرمونزی، پ. دی بلا، ای. مونتفیوری، م. Persico, L. استحکام و اثربخشی سیستم تریاژ در مواقع شلوغی و هزینه های اضافی ناشی از استفاده نامناسب از بخش های اورژانس. Appl. اقتصاد سلامت سیاست سلامت 2015 ، 13 ، 507-514. [ Google Scholar ] [ CrossRef ]
Ruggiano، G. L’Overcrowding e il Boerding. Dave iniziare per affrontare il problema più grave per il PS. سلام. تریت 2016 ، 210 ، 918-921. [ Google Scholar ]
منطقه لاتزیو Decreto del Commissario ad Acta 30 ottobre 2019, n. U00453، تاییدیه‌ای که در سند «Piano regionale per la gestione del sovraffollamento in Pronto-Soccorso» در کنفرانس Stato-Regioni nella seduta del 1° agosto 2019/4tonCSR. بول. اوف دلا رگ. لاتزیو 2019 , 92 (Suppl. Sn. 2). [ Google Scholar ]
منطقه لاتزیو L’attività di Ricovero per Acuti Negli Istituti del Lazio, Schede per Istituto, Anno 2018. 2019. موجود به صورت آنلاین: https://www.regione.lazio.it/binary/rl_main/tbl_documenti/SAN_Rapporto_ricstitutioper . 2020).
کالج آمریکایی پزشکان اورژانس، ازدحام بخش اورژانس: راه حل های با تاثیر بالا، گزارش کارگروه ACEP در مورد شبانه روزی. 2008. در دسترس آنلاین: https://www.edbenchmarking.org/assets/docs/hottopics/2008boardingreportcme%201.pdf (در 29 ژوئیه 2020 قابل دسترسی است).
رسولی، HR; اصفهانی، ع.ا. فرج زاده، کارشناسی ارشد چالش ها، پیامدها و درس هایی برای راه های خروج از اورژانس در بیمارستان ها: مطالعه مروری سیستماتیک. BMC Emerg. پزشکی 2019 ، 19 ، 10. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
مورلی، سی. آنوین، ام. پترسون، جنرال موتورز؛ استانکوویچ، جی. Kinsman، L. ازدحام بخش اورژانس: بررسی سیستماتیک علل، پیامدها و راه حل. PLoS ONE 2018 , 13 , e0203316. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Corbin, T. Learning ArcGIS Pro. ایجاد، تجزیه و تحلیل، نگهداری و اشتراک گذاری نقشه های دو بعدی و سه بعدی با ابزار قدرتمند ArcGIS Pro . Packt Publishing: Birmingham-Mumbai, UK, 2015. [ Google Scholar ]
قانون، م. Collins, A. آشنایی با ArcGIS Pro . Esri Press: Redlands، CA، USA، 2016. [ Google Scholar ]
اسمیت، دی. استراوت، ن. هاردر، سی. مور، اس. اورمزبی، تی. Balstrøm، T. درک GIS. یک کتاب کار پروژه ArcGIS ; Esri Press: Redlands، CA، USA، 2017. [ Google Scholar ]
Zandbergen، PA Python Scripting برای ArcGIS Pro . Esri Press: Redlands، CA، USA، 2020. [ Google Scholar ]
Istat, Descrizione dei Dati Geografici e Delle Variabili Censuarie Delle Basi Territoriali per i Censimenti: Anni 1991, 2011. 2016. موجود آنلاین: https://www.istat.it/it/files//2013/11/Descrizione-dati Pubblicazione-2016.03.09.pdf (دسترسی در 29 ژوئیه 2020).
کراملی، EK; مک لافرتی، SL GIS و بهداشت عمومی ؛ گیلفورد پرس: نیویورک، نیویورک، ایالات متحده آمریکا؛ لندن، بریتانیا، 2012. [ Google Scholar ]
سابل، CE; Löytönen، M. خوشه بندی بیماری. در GIS در عمل بهداشت عمومی ; Craglia, M., Maheswaran, R., Eds. CRC Press: Boca Raton، FL، USA، 2004; صص 51-67. [ Google Scholar ]
بالدوین، تی. زنگراندو، دی. Casale، P. Ferrarese، F. برتونچلو، سی. بوجا، ع. مارکولونگو، ا. بالدو، وی. ژئوکدینگ داده‌های سلامت با سیستم‌های اطلاعات جغرافیایی: یک مطالعه آزمایشی در شمال شرقی ایتالیا برای توسعه یک قالب استاندارد شده برای جمع‌آوری داده‌ها. J. قبلی پزشکی هیگ 2015 ، 56 ، 88-94. [ Google Scholar ]
گلدبرگ، دی. ژاکز، جنرال موتورز مولان، N. ژئوکدینگ و سلامت. در داده های سلامت جغرافیایی: تکنیک های اساسی برای تجزیه و تحلیل . Boscoe، FP، Ed. CAB International: لندن، انگلستان، 2013; صص 51-71. [ Google Scholar ]
Bhunia، GS; Shit, PK تجزیه و تحلیل جغرافیایی بهداشت عمومی ; Springer: برلین/هایدلبرگ، آلمان، 2019. [ Google Scholar ]
گوو، بی. هارستال، سی. استراتژی های کاهش ازدحام بیش از حد بخش اورژانس . بنیاد میراث آلبرتا برای تحقیقات پزشکی: ادمونتون، AB، کانادا، 2006. [ Google Scholar ]
پسری، سی. پاویا، دی. د ویتو، سی. سه پیشنهاد ژئوتکنولوژیکی برای مقابله با شرایط اضطراری بهداشتی و نظارت بر بیماری‌های عفونی. ورودی‌های همه‌گیری COVID-19 برای آمادگی آینده، ارسال شده است.
دنجرموند، جی. دی ویتو، سی. Pesaresi, C. استفاده از GIS در زمان بحران COVID-19، نگاهی به آینده. یک بحث مشترک J. Res. آموزش داد. Geogr. 2020 ، 1 ، 195-205. [ Google Scholar ]
پونیاویچ، م. کارابگوویچ، ا. فراتبیگوویچ، ای. طاهیروویچ، ای. اوزونوویچ، اس. تراوار، م. پیلاو، ا. مولیک، م. کاراکاس، اس. آودیچ، ن. و همکاران تجسم داده‌های مکانی-زمانی برای نظارت بر اقدامات کنترلی در پیشگیری از گسترش COVID-19 در بوسنی و هرزگوین. پزشکی شیشه. 2020 ، 17 ، 10. [ Google Scholar ]
یین، تحقیق موردی RK. طراحی و روش ها سیج: بورلی هیلز، لس آنجلس، ایالات متحده آمریکا، 1984. [ Google Scholar ]
یین، RK مطالعه موردی تحقیق و برنامه های کاربردی. طراحی و روش ها سیج: بورلی هیلز، لس آنجلس، ایالات متحده آمریکا، 2018. [ Google Scholar ]

شکل 1. دسترسی ها بر اساس علت با کد سفید که در سال 2011 توسط اورژانس Policlinico Umberto I ثبت شده است. منبع: شرح نویسندگان.

شکل 2. نقشه نقطه ای – که توسط کدگذاری جغرافیایی توضیح داده شده است – مربوط به دسترسی ها به رنگ سفید است که در سال 2011 توسط اورژانس Policlinico Umberto I ثبت شده است. منبع: شرح نویسندگان.

شکل 3. دسترسی ها با کد سفید ثبت شده توسط اورژانس Policlinico Umberto I با داده های جمع آوری شده بر اساس بخش های سرشماری. منبع: شرح نویسندگان.

شکل 4. دسترسی ها با کد سفید ثبت شده توسط اورژانس Policlinico Umberto I با داده های جمع آوری شده بر اساس مناطق سرشماری. منبع: شرح نویسندگان.

شکل 5. دسترسی ها با کد سفید ثبت شده توسط اورژانس Policlinico Umberto I با داده های جمع آوری شده بر اساس مناطق فرعی. منبع: شرح نویسندگان.

شکل 6. دسترسی ها با کد سفید ثبت شده توسط اورژانس Policlinico Umberto I در رابطه با تعداد ساکنان، با داده های جمع آوری شده بر اساس بخش های سرشماری. منبع: شرح نویسندگان.

شکل 7. دسترسی ها با کد سفید ثبت شده توسط اورژانس Policlinico Umberto I در رابطه با تعداد ساکنان، با داده های جمع آوری شده بر اساس مناطق سرشماری. منبع: شرح نویسندگان.

شکل 8. دسترسی ها با کد سفید ثبت شده توسط اورژانس Policlinico Umberto I در رابطه با تعداد ساکنان، با داده های جمع آوری شده بر اساس مناطق فرعی. منبع: شرح نویسندگان.

شکل 9. دسترسی ها با کد سفید ثبت شده توسط اورژانس Policlinico Umberto I در رابطه با سطح، با داده های جمع آوری شده بر اساس بخش های سرشماری. منبع: شرح نویسندگان.

شکل 10. دسترسی ها با کد سفید ثبت شده توسط اورژانس Policlinico Umberto I در رابطه با سطح، با داده های جمع آوری شده بر اساس مناطق سرشماری. منبع: شرح نویسندگان.

شکل 11. دسترسی ها با کد سفید ثبت شده توسط اورژانس Policlinico Umberto I در رابطه با سطح، با داده های جمع آوری شده بر اساس مناطق فرعی. منبع: شرح نویسندگان.

شکل 12. دسترسی ها بر اساس علت با کد قرمز ثبت شده در سال 2011 توسط اورژانس Policlinico Umberto I. منبع: شرح نویسندگان.

شکل 13. نقشه نقطه ای، که با کدگذاری جغرافیایی توضیح داده شده است، در مورد دسترسی ها با کد قرمز ثبت شده در سال 2011 توسط اورژانس Policlinico Umberto I. منبع: شرح نویسندگان.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

خلاصه

کلید واژه ها:

1. معرفی

2. چارچوب بهداشت عمومی