واکاوی و مدل‌سازی توزیع مکانی بیماری‌های تنفسی مرتبط با عوامل محیطی (مطالعه موردی: استان کردستان)

محورهای موضوعی : ارزیابی پی آمدهای محیط زیستی

عبدالله فرجی ¹ , محمد کمانگر ² , فیروزه قادری ³

1 - استادیار آب و هواشناسی، دانشکده انسانی، دانشگاه زنجان، زنجان
2 - دانشجو دکتری آب و هواشناسی، دانشکده انسانی، دانشگاه زنجان، زنجان
3 - کارشناس پژوهش جهاد دانشگاهی، کردستان

تاریخ دریافت : 1398/01/13 تاریخ پذیرش : 1398/04/12 تاریخ انتشار : 1399/07/01

کلید واژه: شاخص موران, بیماری تنفسی, تحلیل مکانی, گردوغبار, کردستان,

چکیده مقاله :

زمینه و هدف: سلامت جسمی و روحی انسان تا حد زیادی به شرایط آب و هوایی مکان زیست او بستگی دارد. شناسایی عوامل محیطی ایجاد یا تشدیدکننده بیماری‌ها در بهینه کردن تصمیم‌گیری برای پیشگیری و کنترل می‌تواند مفید باشد. هدف از این تحقیق تحلیل مکانی بیماری‌های تنفسی و ارتباط آن با عوامل محیطی به‌منظور شناخت توزیع مکانی، کشف خوشه‌ها و مدل‌سازی پیش‌بینی مکانی است. روش بررسی: جمعیت موردمطالعه افراد دارای بیماری‌های تنفسی مراجعه‌کننده بین بازه زمانی1386 تا1396به مراکز درمانی و محدوده موردمطالعه استان کردستان است. با توجه به پراکندگی بیماران از آماره بیضوی انحراف استاندارد مکانی، میانه مکانی و شاخص موران جهت بررسی و برای مدل‌سازی با استفاده از متغیرهای مستقل گردوغبار، ارتفاع، جهت شیب و دما از روش رگرسیون مکانی استفاده شد. یافته‌ها: یافته‌ها نشان داد که جهت بیضوی مکانی سه برابر انحراف استاندارد شمال غربی جنوب شرقی است که نشان می‌دهد بیش از 99 درصد این بیماری‌ها در این راستا گسترش دارد. شاخص 82/0 موران نیز نشان‌دهنده وجود خودهمبستگی مکانی و تعداد بیماری در سطح معناداری 99 درصداست. در مدل‌سازی مکانی جهت پیش‌بینی پراکندگی مکانی بیماری علامت مثبت ضرایب به‌دست‌آمده برای گردوغبار و دما با بیماری نشان‌دهنده ارتباط مستقیم و ضرایب منفی بین ارتفاع و شیب نشان‌دهنده رابطه غیرمستقیم با بیماری است. همچنین مدل‌سازی نشان داد که گردوغبار مهم‌ترین پارامتر در پیش‌بینی بیماری است. بحث و نتیجه‌گیری: مقدار 82/0 R2= بیانگر این است که مدل استخراج‌شده قادر است به‌طور کامل متغیر وابسته یعنی بیماری تنفسی در استان کردستان را با در نظر گرفتن متغیرهای مستقل محیطی پیش‌بینی کند. با استفاده از نقشه پیش‌بینی به‌دست‌آمده می‌توان مناطق در معرض ابتلا به بیماری تنفسی را در راستای بهبود فرآیند تصمیم‌گیری تخصیص و توزیع مکانی خدمات بهتر شناسایی کرد.

چکیده انگلیسی:

Background and Objective: Human physical and mental health greatly depends on the climatic conditions of its bio-location. Identifying environmental factors creating or exacerbating diseases can be useful in optimizing decision making for prevention and control. The purpose of this study is to determine the spatial resolution of respiratory diseases and its relation with environmental factors in order to understand spatial distribution, cluster discovery and spatial prediction modeling. Method: The population of patients with respiratory diseases referred to the medical centers and the study area of ​​Kurdistan province between 2007 and 1396. Regarding the dispersion of patients from spatial and moron standard deviations, we used spatial regression method to determine the spatial and morphometric variability of the samples using independent variables of dust, height, direction of inclination and temperature. Findings: The results showed that the area of ​​the ellipsoid is three times the standard deviation of the northwest of the southeast, indicating that more than 99% of these diseases are spreading in this direction. Moran index 0.82 also indicates spatial autocorrelation and disease numbers at a significant level of 99%. In spatial modeling to predict the spatial dispersion of a positive symptom disease, the coefficients obtained for dust and temperature with the disease indicate a direct relationship and the negative coefficients between elevation and slope indicate an indirect relationship with the disease. Modeling also showed that dust is the most important parameter in predicting the disease. Discussion and Conclusion: The value of R2 = 0.88 indicates that the extracted model is able to fully predict the dependent variable, respiratory disease, in Kurdistan province, taking into account independent environmental variables. Using the prediction map, the regions with respiratory disease can be better identified in order to improve the decision-making process for allocating and distributing spatial services.

منابع و مأخذ:

1. Bigdeli, A. 2001. Climate impact and air pollution in Tehran on myocardial infarction. Geographic research, Vol. 9, pp.14-24. (In Persian)


2. Kimberly, A. 2017. Climate Change, Health, and the Role of Nurses. Nursing for Women's Health, Vol. 21(2), pp.79-83.


3. Hamdamjo, M., Rashki, A., Jafari, R. and Mehrabi, SH. 2014. Investigation of the number of days with dust in Shahdad, third national conference on wind erosion and dust storms. Iran_Kerman.(In Persian)


4. Peters, A. 2005. Particulate matter and heart disease: Evidence from epidemiological studies. Toxicol Appl Pharmacol, Vol. 207(1), pp.477-480.


5. Gregory, P.2006. Long-term exposure to air pollution is associated with survival following acute coronary syndrome. Eur Heart, Vol. 19, pp.307-319.


6. Rivero, A., Bolufe, J., Ortiz, P.L., Rodriguez, Y. and Reyes, MC. 2015. Influence of climate variability on acute myocardial infarction mortality in Havana. Medicc review, Vol. 17(2), pp.9-14.


7. Garavandi, S., Godarzi, GH. Bitmashal, S. and Mohamadi, M. 2015. Estimation of the number of cardiovascular deaths and hospital visits due to exposure to respiratory tract due to suspended particles of less than 10 microns in Ahvaz city in 2011-2012. Journal of Rafsanjan University of Medical Sciences, Vol. 14, pp.853-864. (In Persian)


8. Mohamad, B., Karimi, sh. 2017. The Relationship between Thermal Feeling and Hospital Acceptance of Cardiovascular Patients in Kermanshah. Natural Geography Research, Vol. 49(2), pp.355-379. (In Persian)


9. Hidari, H., Moradi, H. and Talebi, R. 2018. Investigation and Comparison of Climatic Elements Effective on the Development of Respiratory Diseases in Mountainous and Plain Areas (Case Study: Ilam Province). Journal of Environmental Risks, Vol. 15(7), pp.125-140. (In Persian)


10. Rahimpor, Z., Nadrian, P., Abri, M., Hosini, K. and Afkari. 2017. Identification of Kurdestan Province. Iran Printing & Publishing Company, Vol1, pp.30-31.
    
    
    1. Mitchell, A. 2005. The ESRI Guide to GIS Analysis, Volume 2. ESRI Press.
    
    


11. Asakereh, H. and Shadman, H. 2015. Statistical analysis of the abundance and temperature of warm days in Iran. Sepehr, Vol. 25(100), pp.147-156. (In Persian)           


12. Gail, M., Krickeberg, K., Samet, J., Tsiatis, A. and Wong, W. 2007.Statistics for Biology and Health. USA. Springer


13. Fotheringham, A., Brunsdon, C.  And Charlton, M. 2003. Geographically weighted regression: the analysis of spatially varying relationships:Wiley Chichester.


14. Ahangarani, M., Farnoghi, M. and Shirzadi, M. 2016. Spatial prediction of high risk areas of leptospirosis disease using geographic weight regression methods and multilayer perceptron neural network, Journal of Surveying Science and Technologies, Vol. 2, pp.79-98. (In Persian)


15. Gunathilakaabc, R., Smart, J., and Flemingd, M. 2018. Adaptation to climate change in perennial cropping systems: Options, barriers and policy implications, Environmental Science & Policy, Vol. 82, pp.108-116.


16. Askari, A. 2012. Spatial Statistics Analysis with ARCGIS. Information and Communication Technology Organization of Tehran Municipality, Vol. 1, pp.128. (In Persian).


17. Mansouri, N., Esmaeelzadeh, J. 2011. Investigating suspended particles resulted from Tehran`s highways traffic. Journal of Traffic Engineering,Vol. 44, pp.15-44. (In Persian)


18. Ataii, H., Hidari, M. 2016. Investigation of the effect of climate change and dust on respiratory diseases. Life sciences and biotechnology studies. Vol. 3, pp.1-10. (In Persian)