دريافت فايل ارائه - دانشگاه علوم پزشکی گلستان

Report
‫به نام آنکه هرچه دارم و هرچه هستم از اوست‬
‫وزارت بهداشت درمان و آموزش پزشکی‬
‫دکتر جالل کرمی ‪ ،‬رضا رئیس ی‬
‫مهر ‪92‬‬
‫‪ ‬تعریف‪:‬‬
‫‪‬مکان که می توان آن را مجموعه ای از محیط‪ ،‬روش زندگی و احتمال عوامل ژنتیکی دانست‪.‬‬
‫‪‬مکان بیشتر اوقات از طریق الگوی جغرافیایی بیماری یا توزیع فضایی رخداد توصیف می شود‪.‬‬
‫‪‬نوع توزیع بیماری ‪ ،‬ممکن است سرنخی از علل بیماری ارائه دهد‪.‬‬
‫‪‬مهمترین سوال مطرح در ارتباط با متغیر مکان و اپیدمیولوژی بیماری‬
‫میزان بروز و شیوع بیماری در چه مکان های کمترین و درچه مکان های بیشترین مقدار را دارد؟‬
‫‪ ‬اثرات مکان در اپیدمیولوژی بیماری‬
‫‪‬میزان بالی فراوانی بیماری در یک منطقه نسبت منطقه دیگر‪.‬‬
‫‪‬میزان بالی شیوع بیماری در اشخاص متعلق به آن منطقه‪.‬‬
‫‪‬افراد ساملی که وارد آن منطقه می شوند بیمار شوند یا احتمال بیماریشان زیاد شود‪.‬‬
‫‪‬در میان افرادی که در مکان های مشابه زندگی می کنند نیز میزان شیوع بیماری نسبتا بال باشد‪.‬‬
‫بیماری مالتیپل اسکلروزیس‬
‫‪ .1‬بیماری مالتیپل اسکلروزیس که به اختصار آن را ‪ MS‬می نامند‪.‬‬
‫‪ .2‬یک بیماری مزمن دستگاه عصبی است که بخشهای از مغز ونخاع را گرفتار می کند‪.‬‬
‫‪ .3‬این بیماری شایع ترین بیماری التهابی اعصاب مرکزی و نورولوژیک در انسان است‪.‬‬
‫‪ .4‬این بیماری با تخریب پوشش میلین اعصاب مرکزی بصورت ظهور پالک های کوچک و بزرگ‪ ،‬منفرد یا‬
‫متعدد مشخص می گردد‪.‬‬
‫تصاوير ‪ MRI‬از مغز و نخاع فرد مبتال به مالتيپل اسکلروزيس‬
‫بیماری مالتیپل اسکلروزیس‬
‫از بین رفتن میلین و اختالل در سیستم عصبی‬
‫‪‬‬
‫انتشار جغرافیایی بیماری مالتیپل اسکلروزیس‬
‫‪‬‬
‫تا كنون در حدود ‪ 2-5/2‬ميليون نفر در سراسر جهان به بيماري مالتيپل اسکلروزيس مبتال شده اند‪.‬‬
‫‪‬‬
‫مناطق شیوع بال ( ‪ < 30‬در ‪ 100‬هزار نفر ) شامل اروپا‪ ،‬شمال ایالت متحده آمریکا و کانادا‪ ،‬جنوب استرالیا و‬
‫نیوزلند هستند‪ .‬مناطق شیوع متوسط ( ‪ 30-5‬در هر ‪ 100‬هزار نفر ) عبارتند از جنوب اروپا ‪ ،‬جنوب آمریکا و‬
‫شمال استرالیا و مناطق شیوع پائین ( ‪ > 5‬در ‪ 100‬هزار نفر ) عبارتنداز ‪ :‬آسیا و امریکای جنوبی‪.‬‬
‫‪‬‬
‫بطور کلی با افزایش فاصله از خط استوا‪ ،‬میزان شیوع مالتیپل اسکلروزیس افزايش می یابد و در عرض هاي‬
‫جغرافیایی بالتر‪ ،‬خطر ابتال به ‪MS‬بیشتر است‪.‬‬
‫•‬
‫•‬
‫•‬
‫•‬
‫•‬
‫•‬
‫‪ -1‬تعداد روزهای یخبندان‬
‫‪ -2‬متوسط دمای منطقه‬
‫‪ -3‬مجموع ساعات آفتابی‬
‫‪ -4‬ارتفاع منطقه‬
‫‪ -5‬جمعیت شهری‬
‫‪ -6‬جمعیت روستائی‬
‫داده های مکانی‬
‫نقشه شهر ها و روستا ها‬
‫نقشه های ‪1 /25000‬سازمان نقشه برداری کشور‬
‫محدوده جغرافیایی‬
‫سیستم تصویر ‪ UTM‬و بیضوی مرجع ‪WGS84‬‬
‫نقشه محدوده بخش ها و شهرستان های استان‬
‫سیستم تصویر ‪ UTM‬و بیضوی مرجع ‪WGS84‬‬
‫منبع تهیه‬
‫سازمان نقشه برداری کشور ‪ ،‬مرکز تقسیمات سیاس ی استانداری استان‬
‫داده های بیماری‬
‫( آمار مربوط به ابتالء و شخص بیمار )‬
‫پرونده های بیماران‬
‫‪ (1‬شخص ی (جنس ‪ ،‬تاریخ تولد و ‪)...‬‬
‫‪)2‬آدرس (شهر‪ ،‬روستا‪ ،‬ساختمان و ‪)...‬‬
‫‪)3‬تاریخ تشخیص بیماری‬
‫‪ )4‬عالئم بیماری به همراه نتیجه ‪MRI‬‬
‫‪ )5‬نوع داروی مصرفی ‪.‬‬
‫منبع تهیه‬
‫مرکز درمان دانشگاه علوم پزشکی شهرکرد‬
‫داده های جمعیتی‬
‫(آمار جمعيتي)‬
‫آمار جمعیت مربوط به استان به تفکیک هر بخش و شهرستان‬
‫منبع تهیه‬
‫واحد آمار و اطالعات استانداری استان‬
‫داده های اقلیمی و جوی‬
‫ايستگاه های سينوپتيک‬
‫مشاهدات سالنه ی مربوط به‬
‫پارامترهای جوی‬
‫به همراه مختصات ‪ UTM‬ایستگاه های فوق‬
‫منبع تهیه‬
‫ايستگاه های اقليم شناس ي‬
‫سازمان آب و هواشناس ی استان‬
‫نقشه سازی بیماری ‪MS‬‬
‫محاسبه شیوع بیماری در هر ‪ 100‬هزار نفر‬
‫‪Prevalence Rate=N/P *100000‬‬
‫• ‪ Prevalence Rate‬میزان شیوع بیماری‬
‫• ‪ N‬تعداد موارد موجود بیماری ‪ MS‬در مقطع زمانی‬
‫• ‪ P‬کل جمعیت در همان مقطع زمانی‬
‫‪ -1‬نقشه های متوسط دما‬
‫‪ -2‬نقشه های تعداد روزهای یخبندان‬
‫‪ -3‬نقشه های مجموع ساعات آفتابی‬
‫‪ -1‬متوسط سالیانه مشاهده شده برای هر ایستگاه محاسبه شد‪.‬‬
‫‪ -2‬یک لیه نقطه ای که نشان دهنده موقعیت ایستگاه ها است تولید شد‪.‬‬
‫‪-3‬اطالعات مربوط به مقادیر شرایط اقلیمی در محیط نرم افزار ‪ GIS‬با موقعیت ایستگاه ها به هم مرتبط‬
‫شد‪.‬‬
‫‪ -4‬برای هر عامل با روش ‪ IDW‬نقشه پهنه بندی عامل اقلیمی تهیه شد‪.‬‬
‫نقشه های متوسط دما‬
‫نقشه های تعداد روزهای یخبندان‬
‫نقشه های مجموع ساعات آفتابی‬
‫مدل رقومی ارتفاعی‬
‫تحلیل الگوی مکانی بیماری‬
‫• تابع رایپلی ‪ K‬و شبیه سازی مونت کارلو‬
‫تحلیل‬
‫خوشه ای‬
‫آنالیز های گرافیک مبنا‬
‫مرکز میانگین بیض ی انحراف استاندارد‬
‫•بیض ی انحراف استاندارد‪ ،‬با استفاده از‬
‫انحراف معیار فاصله مکان هر بیماری تا مرکز‬
‫میانیگن‪ ،‬پراکندگی ‪ ،‬جهت و موقعیت انتشار‬
‫بیماری را مشخص میکند‪.‬‬
‫•در واقع بیض ی انحراف استاندارد هشداری در‬
‫مورد جهت ومیزان انتشار بیماری است‪.‬‬
‫بررس ی خوشه ای بودن بوسیله تابع ‪Ripley’s K‬‬
‫مبنای محاسبه تابع ‪K‬‬
‫کالس های فاصله از قبل تعیین شده و بصورت حریم های در اطراف هر یک از نقاط ترسیم‬
‫شده است‪.‬‬
‫شمارش تعداد نقاطي كه در هريك از حريم ها قرار مي گیرد‪ ،‬مبناي محاسبة تابع ‪Ripley’s‬‬
‫‪ K‬خواهد بود ‪.‬‬
‫شبیه سازی مونت کارلو‬
‫در هنگام استفاده از تابع ‪ ، K‬در مناطق نزدیک مرز استان ‪ ،‬بخش ی از دایره ها با شعاع ‪ d‬خارج از مرز‬
‫استان قرار می گیرند و در نتیجه تعداد کمتری از موارد بیماری در داخل محدوده دایره ها واقع خواهند‬
‫شد‪ ،‬و باعث کاهش شدید مقدار تابع ‪ K‬خواهد شد‪ .‬و این یکی از معایب تابع ‪ K‬می باشد‪ ،‬که می‬
‫بایست روش ی را برای حذف تاثیرات لبه ای در نظر گرفت و به تابع ‪ K‬اعمال نمود‪.‬‬
‫مطمئن ترین روش برای حذف تاثیرات لبه ای شبیه سازی توزیع تصادفی نقاط نمونه ومقایسه نتایج‬
‫حاصل از آن با توزیع نقاط به صورت فعلی است‪.‬‬
‫روش مونت کارلو یک الگوریتم محاسباتی است که از نمونه گیری تصادفی برای محاسبه نتایج استفاده‬
‫میکند‪.‬‬
‫در روش مونت کارلو تعداد اجراهای شبیه سازی تعیین می گردند که تعداد آنها بسته به پیچیدگی و ابعاد‬
‫پروژه و اهمیت مورد بررس ی دارد‪.‬‬
‫با توجه به سطح اطمینان های ‪ ./99 ، ./9‬و ‪ ./999‬به ترتیب می توان تعداد اجراهای ‪ 99، 9‬و ‪ 999‬برای‬
‫شبیه سازی مونت کارلو انتخاب نمود‪.‬‬
‫تابع ‪ Ripley’s K‬تبدیل یافته برای موارد بیماری بین سال های ‪13 71‬تا پایان سال‬
‫‪ 1390‬برای محدوده ی مرز استان چهار محال و بختیاری اجرا گردید ‪ .‬برای رسیدن به‬
‫ضریب اطمینان ‪%90‬به تعداد ‪ 9‬بار شبیه سازی صورت گرفت‪ .‬و تابع ‪ K‬به ازای هر‬
‫شبیه سازی تصادفی اجرا شد و برای هر فاصله (‪ ، )d‬مقدار ماکزیمم تابع ‪ K‬انتخاب شد‪.‬‬
‫نمودار تابع ‪ L‬و حدود مونت کارلو‬
‫‪ExpectedK‬‬
‫‪ObservedK‬‬
‫‪LwConfEnv‬‬
‫‪HiConfEnv‬‬
‫مدل سازی بیماری ‪ MS‬با روش‬
‫‪Weight Of Evidence‬‬
‫‪ .1‬روش وزن دهی به شواهد یک روش مبتنی بر داده است‪.‬‬
‫‪ .2‬در این روش از قانون احتمالت شرطی استفاده می شود و احتمال وقوع یک پدیده به شرط وقوع پدیده‬
‫دیگر بیان می شود‪.‬‬
‫‪ .3‬در این روش فرض بر این است که وقوع بیماری در آینده تحت شرایط مشابه یا برابر با وقوع بیماری اتفاق‬
‫افتاده در گذشته خواهد بود‪.‬‬
‫مراحل کار مدل سازی‬
‫‪ .1‬در اولین قدم لیه های اطالعاتی ‪ GIS Ready‬شده و وارد نرم افزار می گردد‪.‬‬
‫‪ .2‬کلیه نقشه های موجودچند کالسه به نقشه های باینری تبدیل شده‪(.‬براساس شاخص کنتراست و وزن‬
‫های منفی و مثبت)‬
‫‪ .3‬هدف از تبدیل به باینری ‪ ،‬تهیه لیه های اطالعاتی می باشد که با احتمال صفر و یک ‪ ،‬تاثیر یا عدم تاثیر‬
‫اطالعات را در احتمال وقوع بیماری نشان دهد‪.‬‬
‫‪ .4‬در این مرحله تمامی نقشه های باینری طبق روشهای آماری در محیط ‪ GIS‬وزن دهی و ارزش گذاری می‬
‫شوند‪.‬‬
‫‪ .5‬در نهایت نقشه احتمال وقوع بیماری ‪ MS‬برای متغیرهای مستقل ذکر شده بدست آمد‪.‬‬
Weight Of Evidence
‫ با روش‬MS ‫مدل سازی بیماری‬
‫مدل سازی بیماری ‪ MS‬با روش‬
‫انحراف معیار‬
‫وزن منفی‬
‫وزن منفی‬
‫‪Weight Of Evidence‬‬
‫انحراف معیار‬
‫وزن مثبت‬
‫وزن مثبت‬
‫‪NO_POINTS‬‬
‫مساحت به کیلومتر‬
‫مربع‬
‫کالس‬
‫‪-1.7358‬‬
‫‪0.0469‬‬
‫‪0.0842‬‬
‫‪0.3343‬‬
‫‪-1.6516‬‬
‫‪9‬‬
‫‪1569.45‬‬
‫‪91‬‬
‫‪-1.6827‬‬
‫‪0.0471‬‬
‫‪0.1123‬‬
‫‪0.2782‬‬
‫‪-1.5703‬‬
‫‪13‬‬
‫‪2091.03‬‬
‫‪93‬‬
‫‪-2.0649‬‬
‫‪0.0471‬‬
‫‪0.1713‬‬
‫‪0.278‬‬
‫‪-1.8936‬‬
‫‪13‬‬
‫‪2883.96‬‬
‫‪98‬‬
‫‪-1.2429‬‬
‫‪0.0486‬‬
‫‪0.1915‬‬
‫‪0.157‬‬
‫‪-1.0514‬‬
‫‪41‬‬
‫‪3941.45‬‬
‫‪100‬‬
‫‪-1.4575‬‬
‫‪0.0492‬‬
‫‪0.2956‬‬
‫‪0.1421‬‬
‫‪-1.1619‬‬
‫‪50‬‬
‫‪5362.39‬‬
‫‪106‬‬
‫‪-1.7059‬‬
‫‪0.0503‬‬
‫‪0.4713‬‬
‫‪0.1255‬‬
‫‪-1.2346‬‬
‫‪64‬‬
‫‪7376.72‬‬
‫‪110‬‬
‫‪-1.5938‬‬
‫‪0.0513‬‬
‫‪0.5039‬‬
‫‪0.1124‬‬
‫‪-1.0899‬‬
‫‪80‬‬
‫‪7989.7‬‬
‫‪112‬‬
‫‪0.8987‬‬
‫‪0.0975‬‬
‫‪-0.617‬‬
‫‪0.0529‬‬
‫‪0.2817‬‬
‫‪372‬‬
‫‪9703.14‬‬
‫‪113‬‬
‫‪0.7127‬‬
‫‪0.0999‬‬
‫‪-0.5127‬‬
‫‪0.0524‬‬
‫‪0.2‬‬
‫‪377‬‬
‫‪10638.57‬‬
‫‪114‬‬
‫‪0.1134‬‬
‫‪0.1014‬‬
‫‪-0.0886‬‬
‫‪0.0522‬‬
‫‪0.0248‬‬
‫‪379‬‬
‫‪12670.38‬‬
‫‪117‬‬
‫‪-0.9261‬‬
‫‪0‬‬
‫‪0.1336‬‬
‫‪0‬‬
‫‪0.8474‬‬
‫‪0‬‬
‫‪0.0495‬‬
‫‪0‬‬
‫‪-0.0787‬‬
‫‪0‬‬
‫‪419‬‬
‫‪15488.16‬‬
‫‪118‬‬
‫‪479‬‬
‫‪16402.92‬‬
‫‪119‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0‬‬
‫‪0.03‬‬
‫‪-99‬‬
‫کنتراست‬
Weight Of Evidence
‫ با روش‬MS ‫مدل سازی بیماری‬
Weight Of Evidence
‫ با روش‬MS ‫مدل سازی بیماری‬
‫مدل سازی بیماری ‪ MS‬با روش‬
‫متغیر پاسخ(وابسته)‬
‫رابطه خطی‬
‫‪Logistic Regression‬‬
‫متغیر پیشگو(مستقل)‬
‫مدل سازی بیماری ‪ MS‬با روش‬
‫‪Logistic Regression‬‬
‫‪.1‬‬
‫به جای ‪Y‬ازاحتمال ‪ y‬استفاده می کنیم‪ .‬در این صورت اگر ‪ p‬احتمال ‪ y=1‬باشد‪ 1-p ،‬احتمال‬
‫‪ y=0‬است‪(.‬پس مقادیر سمت چپ تساوی بین صفر تا یک خواهند بود‪.‬‬
‫‪.2‬‬
‫به جای استفاده مستقیم از احتمال ‪ ،‬از نسبت بخت(‪)Odds Ratio‬که به صورت‬
‫‪ OR=p/1-p‬استفاده میکنیم‪( .‬در این حالت‪ ،‬مقدار ‪ OR‬از صفر تا مثبت بی نهایت خواهد‬
‫بود‪).‬‬
‫‪.3‬‬
‫از متغییر جدید ‪ ، OR‬لگاریتم طبیعی می گیریم )‪ Ln(OR=p/1-p‬تا مقادیر آن مانند سمت‬
‫راست تساوی‪ ،‬بین منهای بی نهایت تا مثبت بی نهایت واقع شود‪(.‬الزم به ذکر است که‬
‫)‪ Ln(OR=p/1-p‬به طور خالصه )‪ Logit(p‬می گویند)‬
‫مدل سازی بیماری ‪ MS‬با روش‬
‫‪Logistic Regression‬‬
‫ضرایب حاصل از مدل رگرسیون لجستیک‬
‫ضرایب‬
‫متغیرهای مستقل‬
‫‪-76.5233.159‬‬
‫عدد ثابت‬
‫‪X0‬‬
‫‪+2.525540‬‬
‫متوسط دما‬
‫‪X1‬‬
‫‪+0.259305‬‬
‫تعداد روزهای یخبندان‬
‫‪X2‬‬
‫‪0.001001‬‬
‫مجموع ساعات آفتابی‬
‫‪X3‬‬
‫‪+0.002619‬‬
‫ارتفاع‬
‫‪X4‬‬
‫‪+0.000009‬‬
‫شهر‬
‫‪X5‬‬
‫‪-0.000067‬‬
‫روستا‬
‫‪X6‬‬
Logistic Regression
‫ با روش‬MS ‫مدل سازی بیماری‬
‫معادله رگرسیون لجستیک‬
logit(Disease MS) = -76.5233 + 0.000009*city +
0.002619*DEM + 0.259305*Freezing + 0.001001*Sunlight +
2.525540*Temp - 0.000067*Village
‫شاخص های آماری‬
‫متغیر‬
‫میانگین‬
‫انحراف استاندارد‬
‫متوسط دما‬
‫‪5.867940‬‬
‫‪6.071802‬‬
‫تعداد روزهای‬
‫یخبندان‬
‫مجموع ساعات‬
‫آفتابی‬
‫ارتفاع‬
‫‪53.457388‬‬
‫‪55.237542‬‬
‫‪1513.600206‬‬
‫‪1555.011678‬‬
‫‪1110.527458‬‬
‫‪1149.772806‬‬
‫شهر‬
‫‪11773.091172‬‬
‫‪34473.335758‬‬
‫روستا‬
‫‪6623.779415‬‬
‫‪10105.781783‬‬
‫بیماری ‪MS‬‬
‫‪0.000142‬‬
‫‪0.011898‬‬
‫‪‬مطالعات بیشتر در زمینه تواناییهای ‪ GIS‬و روشهای تصمیم گیری مکانی‬
‫‪ ‬فراگیر شدن تحلیل بعد مکانی بیماری ها‬

similar documents