نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

چکیده

مفهوم “رویداد اوج” به طور گسترده برای توصیف اپیدمی های آنفولانزا مورد استفاده قرار گرفته است. با این حال، تعاریف کنونی نمی‌توانند مقدار اطلاعات مربوطه را در مورد احتمالات اوج رویدادها که می‌توان از سوابق به طور کلی محدود در دسترس استخراج کرد، به حداکثر برساند. این مطالعه روش جدیدی را برای تعریف رویدادهای اوج و توصیف آماری ویژگی‌های آنها، از جمله: چگالی رویداد سالانه، زمان‌بندی آنها، بزرگی بیش از آستانه‌های تعیین‌شده و مدت زمان پیشنهاد می‌کند. این ویژگی‌های رویدادهای اوج در پنج شهرستان فلوریدا با استفاده از سوابق شبکه نظارت بر بیماری‌های شبه آنفلوانزا (ILINet) تجزیه و تحلیل می‌شوند. علاوه بر این، ویژگی‌های شناسایی‌شده رویدادهای اوج بین شهرستان‌ها مقایسه می‌شوند تا تنوع جغرافیایی فعالیت پیک آنفلوانزا را آشکار کنند.
کلید واژه ها: 

بیماری شبه آنفولانزا (ILI) ؛ رویداد اوج ; ویژگی های رویدادهای اوج ; تئوری تقاطع ; توزیع پارتو تعمیم یافته (GPD)

 

1. مقدمه

آنفولانزا که به طور گسترده با نام آنفولانزا شناخته می شود، یک بیماری تنفسی بسیار مسری و حاد است. برای یک فصل معمولی، فعالیت آنفلوانزا اغلب در یک یا چند هفته به اوج خود می رسد، زمانی که تعداد موارد مشاهده شده به طور قابل توجهی بیشتر از هفته های دیگر باشد. این هفته‌های اوج، نسبت بالایی از موارد آنفولانزا را در طول کل اپیدمی در بر می‌گیرد و به‌طور متفاوتی به‌عنوان «رویدادهای اوج» یا «هفته‌های اوج» شناخته می‌شوند. ویژگی‌های رویدادهای اوج آنفولانزا، مانند زمان، بزرگی و مدت زمان، پیامدهای مهمی در نظارت بر بیماری، پویایی و سیاست‌های کنترل ارائه می‌کنند [ 1 ، 2 ]. به عنوان مثال، بزرگی بالقوه رویدادهای اوج، اطلاعات مهمی را در مورد مقیاس شیوع فراهم می کند و میزان منابع بهداشتی را در پاسخ به بیماری نشان می دهد [ 3 ]]. فراوانی، زمان و مدت زمان اوج رویدادها مبنایی آماری را برای شرکت‌های بیمه سلامت و برنامه‌ریزی بلندمدت سلامت عمومی [ 4 ] ارائه می‌کند، به عنوان مثال، خطر بیش از یک رویداد در یک سال و مدت زمانی که هر کدام ممکن است ادامه داشته باشند. . به دلیل اهمیت آنها در اپیدمیولوژی و برنامه ریزی، مطالعه چنین رویدادهایی در سال های اخیر مورد توجه فزاینده ای قرار گرفته است [ 5 ، 6 ، 7 ].
اگرچه مفهوم رویدادهای اوج به طور گسترده در مطالعات مرتبط با آنفولانزا مورد استفاده قرار می گیرد، تعریف قابل اجرا آنها هنوز مورد مطالعه قرار نگرفته است. تعریف سنتی “رویداد اوج” حداکثر سالانه است. اسمیت [ 8 ] “رویداد اوج” را هفته ای با بیشترین تعداد موارد آنفلوانزای هفتگی در طول فصل آنفولانزا تعریف کرد. این تعریف پرکاربرد ساده است. با این حال، این پتانسیل را دارد که سایر رویدادهای با اهمیت اپیدمیولوژیک را که ممکن است در یک سال رخ داده باشند حذف کند و حداکثر سالانه را در نمونه لحاظ کند، که واقعاً یک رویداد با اهمیت اپیدمیولوژیک نیست. با این تعریف نمی توان اطلاعات ارزشمندی در مورد اپیدمی ها، مانند تغییرات مکانی، پویایی و تناوب، از سوابق تاریخی به طور کلی کوتاه استخراج کرد. ساکایو همکاران [ 9 ] این رویکرد را با شناسایی حداکثر سالانه داده های هموار شده اندکی اصلاح کرد. آنها اطلاعات هفته‌های قبل و بعد از اوج رویداد را با هموارسازی داده‌ها با میانگین متحرک وزن‌نشده پنج هفته‌ای موارد گزارش شده هفتگی ترکیب کردند. خطر این رویکرد این است که ویژگی‌های مهم بیشترین تعداد موارد بیماری شبه آنفولانزا (ILI) را در یک هفته پنهان می‌کند و ممکن است رفتار دوره‌ای آشکاری را القا کند که در واقعیت می‌تواند یک فرآیند تصادفی باشد. مهمتر از آن، این تعاریف موجود از رویدادهای اوج توجه کمی به ناهمگونی فضایی، به عنوان مثال، تفاوت در جمعیت، ارائه می دهد، و بنابراین، رویدادهای اوج به تنهایی بین مناطق جغرافیایی قابل مقایسه نیستند.
محدودیت‌های تعاریف موجود، نیازمند رویکرد پیچیده‌تر با استفاده از داده‌های متمایز مکانی است که فعالیت هفتگی آنفلوانزا را مشخص می‌کند و اطلاعات مربوطه را که ممکن است از سوابق محدود موجود استخراج شود، به حداکثر برساند. به عنوان اولین گام در یک مطالعه در حال انجام که به دنبال ایجاد ارتباط بین رویدادهای اوج ILI و عوامل بالقوه است، این مطالعه با هدف تعریف رویدادهای اوج ILI و توصیف آماری ویژگی‌های آنها: تراکم رویداد سالانه، زمان‌بندی آنها، بزرگی بیش از آستانه‌های تعیین‌شده و مدت زمان انجام می‌شود. .

2. مواد و روشها

2.1. حوزه و داده های مطالعه

فلوریدا طی دهه گذشته به طور متوسط ​​2900 مرگ و میر بر اثر آنفولانزا در سال را تجربه کرده است [ 10 ]. به عنوان مثال، در سال 2004، آنفولانزا و ذات الریه با هم هشتمین علت مرگ و میر گزارش شده توسط وزارت بهداشت فلوریدا (DOH) [ 11 ] بود. DOH فلوریدا تخمین می زند که یک بیماری همه گیر آنفولانزا می تواند تا 10 میلیون نفر را مبتلا کند [ 12]. عوامل متعددی انتقال سریع آنفولانزا در این ایالت را تشویق می کند: صنعت گردشگری توسعه یافته، مهاجرت بالای داخلی و داخلی و نسبت بالای جمعیت سالمند و سبک زندگی آنها. علیرغم موقعیت نیمه گرمسیری و طبیعت شبه جزیره ای، بیشتر فلوریدا دوره هایی از دماهای نسبتاً پایین و رطوبت کم در زمستان را تجربه می کند. نزدیک به یک سوم جمعیت، از جمله بخش بزرگی از مهاجران، در مناطق شهری یا حومه‌ای سه شهرستان جنوب شرقی ساکن هستند. چندین ایالت بین ایالتی و 13 فرودگاه بین المللی، از جمله اورلاندو و میامی، سالانه ده ها هزار گردشگر را به خود جذب می کنند (تنها در سال 2000، 38 میلیون نفر از سفر هوایی استفاده کردند).
داده های به کار گرفته شده در این مطالعه از شبکه نظارت بر بیماری های شبه آنفلوانزا (ILINet) به دست آمده است که نظارت هفتگی موارد سرپایی ILI را انجام می دهد [ 13 ]. مورد ILI به عنوان هر ترکیبی از تب (≥38 درجه سانتیگراد) و سرفه یا گلودرد تعریف می‌شود که ممکن است آنفولانزا را همراه با سایر شرایط مانند سرماخوردگی و ذات‌الریه ایجاد کند. فعالیت ILI جمع آوری شده از طریق نظارت بر بیماری سرپایی اطلاعات اپیدمیولوژیک مهمی را برای نظارت بر فعالیت آنفولانزا فراهم می کند و از نظارت بر آنفولانزا پشتیبانی می کند [ 14 , 15 ]]. گزارش های هفتگی از ILINet در برخی از شهرستان ها به سال 2001 در دسترس است. با این حال، اکثر شهرستان‌ها تداوم گزارش‌دهی لازم را در مراحل اولیه نداشتند. به عنوان نمایندگان شرایط محیطی، جمعیتی و اجتماعی در فلوریدا، پنج شهرستان برای مطالعه گسترده انتخاب شده اند ( شکل 1 ): داده های تاریخی طولانی (2001-2012) از بروارد (فورت لادردیل)، دووال (جکسونویل) و میامی داد. شهرستان‌های (میامی)، و همچنین رکوردهای کوتاه‌تر (2006–2012) برای شهرستان‌های اورنج (اورلاندو) و هیلبورو (تامپا).
Ijgi 03 00764 g001 1024
شکل 1. پنج شهرستان انتخاب شده در فلوریدا.

2.2. روش شناسی

تئوری تقاطع بیان می کند که تعداد عبور از یک آستانه توسط یک فرآیند گاوسی تبدیل به پواسون می شود هر چه آستانه از میانگین فرآیند فاصله داشته باشد [ 16 ، 17 ]. نتایج همچنین به فرآیندهای غیر گاوسی [ 18 ] تعمیم داده شده اند و می توانند برای تخمین ویژگی های رویدادهای ILI اعمال شوند. بزرگی رویدادها در آستانه و مدت زمان آنها را می توان با یک توزیع نمایی مانند تقریب زد، مانند توزیع پارتو تعمیم یافته (GPD) [ 19 ، 20 ]، که می تواند چنین داده هایی را نشان دهد که هم انحراف بیشتر و هم کمتر از خود نمایی را نشان می دهد. . در ترکیب با فرض پواسون، نشان می‌دهد که حداکثر سالانه یا «هفته اوج» [8 ] از توزیع مقدار شدید (GEV) تعمیم یافته پیروی می کند [ 19 ]، که در صورت تمایل می توان خواص آن را از این رویکرد تخمین زد. به طور کلی، معیارهای اتخاذ یک توزیع خاص عبارتند از: مناسب بودن، پایه نظری قوی و سهولت نسبی محاسبه و تفسیر. اگرچه مطالعات کمی مرتبط با آنفولانزا بر روی ویژگی‌های آماری رویدادهای اوج متمرکز شده‌اند، رویکرد پیشنهادی به‌طور گسترده در مطالعات مدل‌سازی افراط در زمینه‌های مختلف، از جمله سیل، بازده بازار سهام و حداکثر دمای روزانه مورد استفاده قرار گرفته است [ 19 ، 20 ، 21 ].
ویژگی های آماری رویدادهای آنفولانزا ممکن است همه با تجویز یک آستانه خاص تعریف شوند. برای تسهیل مقایسه‌های فضایی، این مطالعه آستانه را بر حسب صدک‌های مشترک موارد ILI هفتگی تاریخی (به عنوان مثال.، تعریف شده در حوزه فرکانس)؛ اگرچه برای اهداف اپیدمیولوژیک یا برنامه ریزی، آستانه را می توان در حوزه بزرگی، بر حسب تعداد کل موارد ILI مورد علاقه خاص، تعریف کرد. نتایج استخراج شده بالاتر از سطح صدک 80 (احتمال وقوع 0.20 در هر هفته) به سطوح کم تجربه تر معادل 90 (احتمال 0.10) و صدک 95 (احتمال 0.05) تعمیم داده می شود و با نمونه کوچک موجود رویدادهای تاریخی مقایسه می شود. از این سطوح بالاتر فراتر رود. به این ترتیب، نسبت بیشتری از سوابق تاریخی محدود موجود می‌تواند برای توصیف ویژگی‌های رویدادهای ILI بالاتر از سطوحی که معمولاً مشاهده می‌شود، استفاده شود.
ابتدا تعاریف رویدادها و سال آنفولانزا مشخص می شود. سپس، متغیرهای مورد علاقه شناسایی می شوند: (1) تراکم رویداد سالانه (رویدادها در سال). (2) زمان ( t ) هر رویداد. (3) بزرگی رویداد اوج ( τ = x – q 0 ) در طول یک رویداد که تعداد مشاهده شده موارد هفتگی ( x ) از آستانه ( q 0 ) فراتر می رود. و (4) مدت وقایع.

2.2.1. تعاریف رویدادها

اگرچه آستانه ( q 0 ) بر حسب صدک موارد ILI هفتگی تاریخی در سراسر مطالعه در نظر گرفته می شود، دو تعریف از بزرگی رویدادها بررسی می شود. اولین مورد شامل تمام هفته‌هایی است که تعداد ILI هفتگی مطلق آنها بیشتر از آستانه از پیش تعیین‌شده است. به عنوان مثال، در شکل 2 a، تمام هشت مشاهدات ILI بزرگتر از آستانه تعریف شده در نظر گرفته می شوند (یک یا چند مشاهده از بزرگی در هر رویداد). تعریف دوم تنها هفته‌ای را در نظر می‌گیرد که بیشترین تعداد ILI بالاتر از آستانه را در دوره بین عبورهای متوالی بالا و پایین از سطح آستانه (یک مشاهده از بزرگی در هر رویداد) – یک حداکثر محلی – در نظر می‌گیرد. در شکل 2ب، تنها سه مشاهده ماکزیمم محلی در نظر گرفته می شود. ویژگی‌های رویدادهای اوج ILI بالاتر از یک سطح صدک 80 که معمولاً شاهد آن بودیم مورد بررسی قرار می‌گیرند، اگرچه این رویکرد برای هر آستانه نسبتاً بالا دیگری قابل استفاده است.

2.2.2. تعریف سال آنفولانزا

از آنجایی که همه موارد ILI احتمالاً در طول فصل زمستان ثبت می شوند، استفاده از تعریف سال تقویمی به طور خودسرانه یک فصل آنفولانزا را تقسیم می کند و یک تجمع گمراه کننده از رویدادها از دو نیمه فصل متوالی و متمایز ایجاد می کند. برای تعیین زمان کمترین احتمال وقوع آنفولانزا در رکورد تاریخی (نقطه مناسب برای شروع و پایان “سال آنفولانزا”)، وقوع رویدادهای ILI در سراسر فلوریدا با استفاده از میانگین ( µ ) و کسری تعریف شده از انحرافات استاندارد تجزیه و تحلیل می‌شود. (0.25 σ ، 0.32 σ و 0.5 σ ) از تمام موارد ILI هفتگی. از نظر میانگین وقوع هفتگی در همه شهرستان‌های فلوریدا ( شکل 3هفته 29 (از 15 جولای شروع می شود) هفته ای است که در آن موارد ILI کمترین احتمال را با این معیار دارند و بنابراین به عنوان آغاز “سال آنفولانزا” تعریف می شود که از این پس به عنوان “هفته 1” یاد می شود.
Ijgi 03 00764 g002 1024
شکل 2. تعاریف قدر بالای آستانه. ( الف ) تعریف 1. ( ب ) تعریف 2. منحنی آبی نشان دهنده موارد هفتگی بیماری شبه آنفلوانزا (ILI) است. دایره قرمز نشان دهنده قله انتخاب شده است. و خط نارنجی نشان دهنده آستانه ( q 0 ) است.
Ijgi 03 00764 g003 1024
شکل 3. میانگین وقوع هفتگی رویدادهای ILI در همه شهرستانها بر اساس انحرافات استاندارد تعریف شده (0.25 σ ، 0.32 σ و 0.5 σ ).

2.2.3. تراکم رویداد سالانه

تراکم رویداد سالانه به عنوان تعداد رویدادها در سال آنفولانزا تعریف می شود. تابع جرم احتمال توزیع پواسون به صورت زیر است:

P ( M ) = e -Λ × Λ M / M !

که در آن M تعداد وقایع در یک سال آنفولانزا است و Λ با استفاده از روش لحظه ها به عنوان میانگین تعداد رویدادها در سال آنفولانزا تخمین زده می شود:

Λ = K / N

K تعداد کل رویدادها در سال های آنفولانزای N با داده های سالانه کامل در سوابق تاریخی است.

2.2.4. زمان بندی رویدادها در یک سال آنفولانزا

به دلیل ماهیت فصلی قوی موارد ILI، توزیع پواسون برای نشان دادن نرخ وقوع رویداد وابسته به زمان، λ ( t ) اصلاح می‌شود:

P ( m ( t ) = n ) = e − λ ( t ) × λ ( t ) n / n !

که در آن P ( m ( t ) = n ) احتمال تجربه n رویداد تا و شامل هفته t و λ ( t ) میانگین تعداد رویدادهای مورد انتظار تا آن زمان است. از آنجایی که شیوع آنفولانزا به طور کلی در یک فصل خاص با مقداری تنوع بین سالانه رخ می‌دهد، زمان‌بندی رویدادها با یک توزیع گاوسی مدل‌سازی می‌شود و λ ( t ) به صورت تخمین زده می‌شود:

λ ( t ) = G ( t : μ , σ ) × Λ

که در آن G ( t: μ، σ ) یک توزیع گاوسی است که با زمان‌بندی مشاهده‌شده رویدادهای ILI مطابقت دارد، با μ میانگین هفته وقوع و σ انحراف معیار آنها است.

2.2.5. بزرگی رویداد

توزیع بزرگی رویداد با یک GPD [ 19 ، 20 ] متناسب است:

Ijgi 03 00764 i001

که در آن X بزرگی رویداد بیش از آستانه از پیش تعیین شده علاقه است. به طور کامل با پارامتر مقیاس، α ، و پارامتر شکل، k مشخص می شود، GPD تعمیم هر دو توزیع نمایی ( k = 0) و پارتو ( k < 0) است، که انعطاف پذیری بیشتری را در تطبیق سنگین تر ( k < ) فراهم می کند. 0) و نازک تر ( k > 0) دم بالایی توزیع. پارامترها از طریق روش گشتاورها از میانگین نمونه ، و واریانس به صورت معادلات (6) و (7) برآورد می شوند: Ijgi 03 00764 i005 Ijgi 03 00764 i006

Ijgi 03 00764 i002
Ijgi 03 00764 i003

2.2.6. مدت زمان رویداد

مدت زمان رویدادها نیز با GPD نشان داده می شود [ 20 ]:

Ijgi 03 00764 i004

که در آن D مدت زمان رویداد است که مجموع هفته های مربوط به یک رویداد اوج را نشان می دهد. به همین ترتیب α’ و k’ پارامترهای مقیاس و شکل هستند که با استفاده از میانگین و واریانس مناسب با استفاده از روش گشتاورها با معادلات (6) و (7) تخمین زده می‌شوند.

2.2.7. استقلال رویدادها

یک دوره دو هفته ای متوالی که در آن موارد هفتگی ILI زیر سطح آستانه قرار می گیرند به عنوان معیاری برای جداسازی رویدادهای اوج مستقل استفاده می شود. مواردی که موارد هفتگی به طور جزئی به زیر سطح آستانه کاهش یافتند و در هفته بعد دوباره از آن فراتر رفتند، احتمالاً نتیجه همان رویداد هستند. ملاحظات موازی در تعریف رویدادهای سیل و موج گرما را می توان در Rosbjerg و همکاران یافت. [ 19 ] و Kellings و Waylen [ 20 ]. «رویدادهایی» که این معیار استقلال را برآورده نمی‌کنند، ترکیب می‌شوند و در تحلیل‌های بعدی به‌گونه‌ای گنجانده می‌شوند که انگار یک رویداد واحد را تشکیل می‌دهند.

2.2.8. برون یابی خواص به آستانه های بالاتر

توانایی استخراج ویژگی‌های تصادفی رویدادهای ILI بالاتر از سطوح بالاتر و کمتر تجربه شده، از اندازه‌های نمونه بزرگ‌تر موجود در آستانه‌های پایین‌تر و از نظر اپیدمیولوژیک کمتر، مفید خواهد بود. هر بخشی از یک GPD به خودی خود توسط GPD توزیع شده است. بنابراین، روند افزایش آستانه عملاً انتهای پایینی GPD را «قطع» می کند و تنها بخشی را باقی می گذارد که بالاتر از سطح جدید است. تخمین میانگین ( μ 1 ) و واریانس ( σ 1 ) قسمت باقیمانده از توزیع، برآوردهای تجدید نظر شده α 1 و k 1 را به همراه دارد.(معادلات (6) و (7)). نسبت رویدادهایی که انتظار می‌رود از آستانه بالاتر نشان‌داده‌شده توسط ناحیه تحت توزیع اصلی بزرگی فراتر رود، که فراتر از سطح جدید است، پارامتر Λ 1 ، توزیع پواسون را به دست می‌دهد. احتمال تعداد سالانه عبور از آستانه یا رویدادهای مربوطه را می توان تخمین زد. با فرض اینکه زمان و بزرگی رویدادهای ILI مستقل هستند، توزیع زمان‌بندی رویدادهای سانسور شده باید بدون تغییر باقی بماند.

3. نتایج

3.1. تعداد سالانه رویدادها، زمان و مدت آنها

آزمون تک نمونه ای کولموگروف-اسمیرنوف برای بررسی خوب بودن برازش همه مدل ها اعمال می شود. همه نتایج تفاوت معنی داری بین توزیع برازش شده و مشاهده شده در سطح معنی داری 0.05 در هیچ یک از پنج شهرستان مورد مطالعه نشان نمی دهد. فرض نرمال بودن زمان بندی رویدادهای اوج از نظر گرافیکی و آماری معقول است. داده‌های مربوط به سابقه طولانی‌مدت شهرستان دووال به عنوان نمونه مورد بررسی قرار می‌گیرد.
Ijgi 03 00764 g004 1024
شکل 4. تراکم، زمان و مدت رویداد سالانه در سطح صدک 80 در شهرستان دووال. ( الف ) تراکم رویداد سالانه. ( ب ) نمودارهای زمان بندی. احتمال وقوع صفر، یک، دو، سه و چهار رویداد در شهرستان دووال تا هر هفته در طول سال آنفولانزا وجود دارد. ( ج ) مدت زمان اوج رویدادها. GPD، توزیع پارتو تعمیم یافته.
رویدادهای تاریخی ILI به احتمال زیاد در اواخر پاییز و اوایل بهار (هفته‌های 20 تا 32 سال آنفولانزا) همزمان با شرایط جوی مساعد و هفته‌های ابتدایی ترم بهار مدرسه رخ می‌دهند. تابع احتمال پواسون به تعداد رویدادهای بیش از سطح صدک 80 در سال برازش داده می شود ( شکل 4 الف) و تابع پواسون غیر همگن به منظور تخمین احتمالات تجربه صفر، یک، دو، سه و چهار رویداد به بالا اعمال می شود. تا هر هفته از سال آنفولانزا ( شکل 4 ب). این به خوبی الگوهای مشاهده شده وقوع را در اواخر پاییز و اوایل بهار بازتولید می کند. با در نظر گرفتن هفته 26 در سال آنفولانزا (هفته دوم ژانویه) به عنوان مثال، احتمال تجربه هیچ رویداد اوج تا آن زمان (m ( t ) = 0) 0.43 است. احتمال دقیقا یک رویداد اوج 0.36 و غیره است. احتمال وقوع یک رویداد ILI در یک هفته خاص، t را می توان به صورت {[ P ( m ( t – 1) = 0)] – [ P ( m ( t ) = 0)]} محاسبه کرد. توزیع پارتو تعمیم یافته تقریبی معقول برای توزیع مدت زمان احتمالی رویدادها در سطح صدک 80 ارائه می دهد ( شکل 4 ج).

3.2. بزرگی وقایع و مقایسه تعاریف

شکل 5 توانایی GPD را برای مدل سازی تابع توزیع تجمعی مشاهده شده (CDF) بر اساس هر یک از دو تعریف بزرگی نشان می دهد. پارامتر مکان، α ، اطلاعاتی را در مورد بزرگی نسبی موارد بالاتر از آستانه در هر شهرستان می‌رساند و می‌تواند برای برخی از پایه‌ها، مانند برآورد جمعیت کل شهرستان، استاندارد شود، در حالی که مقادیر k را می‌توان مستقیماً بین شهرستان‌ها مقایسه کرد. همانطور که انتظار می رود، اندازه های نمونه به دست آمده با استفاده از تعریف 1 ( شکل 5 ب) بسیار بزرگتر از اندازه استفاده از تعریف 2 است ( شکل 5 ج). مقادیر منفی پارامتر شکل، kبه این معنی است که در این آستانه نسبتاً پایین، دم بالایی در مقایسه با انبوه مشاهدات «سنگین» است (نقاط پرت بزرگتر در دم سمت راست توزیع).
Ijgi 03 00764 g005 1024
شکل 5. توابع توزیع تجمعی (CDFs) بزرگی های مشاهده شده در سطح صدک 80 بر اساس سه تعریف در شهرستان دووال. ( الف ) تعریف سنتی. ( ب ) تعریف 1. ( ج ) تعریف 2. توجه: q 0 نشان دهنده موارد آستانه ILI برای هر سطح، و K نشان دهنده تعداد کل رویدادهای اوج در تمام سال های آنفولانزا است.

3.3. تعمیم موارد هفتگی ILI به سطوح بالاتر

پارامترهای توزیع های فوق به سادگی با استفاده از برآوردگرهای لحظه ای برای داده های استخراج شده در سطح صدک 80 برآورد می شوند. روش پیشنهادی این ظرفیت را دارد که توزیع رویدادهای فراتر از سطوح بالاتر و به ندرت تجربه شده (به عنوان مثال، در اینجا، سطوح صدک 90 و 95) را از اندازه نمونه بزرگتر مشاهدات جمع آوری شده در سطح برش پایین (سطح صدک 80) به دست آورد. ( شکل 6 ).
Ijgi 03 00764 g006 1024
شکل 6. بزرگی پیش بینی شده در سطح صدک 90 و 95 از سطح صدک 80 در شهرستان دووال.
هنگامی که آستانه بحرانی برای شهرستان دووال از 10 مورد (سطح صدک 80) به 23 (سطح صدک 90) افزایش می یابد، میانگین سالانه تعداد رویدادهای مشاهده شده از 1.55 در سال آنفولانزا به 0.91 کاهش می یابد ( جدول 1).). GPD متناسب با حداکثر محلی رویدادها نشان می دهد که 58.5٪ از 17 رویداد اصلی باید از آستانه افزایش یافته فراتر رود و میانگین سالانه پیش بینی شده تعداد رویدادها 0.90 باشد. اگر آستانه بحرانی به 41 مورد (سطح صدک 95) افزایش یابد، و میانگین سالانه مشاهده شده تعداد رویدادها به 0.45 کاهش یابد، در حالی که 30.8٪ از 17 رویداد اصلی (0.48 رویداد در سال) پیش بینی می شود که از این آستانه افزایش یافته فراتر رود. استفاده از سطوح آستانه بالاتر منجر به حذف بخش عمده ای از رویدادهای قدر پایین تر، کاهش “سنگینی” دنباله رویدادهای باقی مانده و افزایش مقادیر k می شود.

4. بحث و گفتگو

بر اساس تئوری، این رویکرد توانایی توصیف ویژگی‌های آماری مهم چنین رویدادهایی را دارد و درجه انعطاف‌پذیری لازم را در تعریف رویدادهای ILI فراهم می‌کند، در حالی که امکان مقایسه فضایی و مدیریت سناریوهای مختلف برنامه‌ریزی را فراهم می‌کند. هنگامی که توزیع‌های احتمال مناسب شناسایی شدند، احتمال وقوع رویدادهای ILI و ویژگی‌های آن‌ها را می‌توان برای اهداف مشخص‌تر به‌دست آورد.

4.1. مقایسه تعاریف

تعریف سنتی رویدادهای اوج فقط یک حداکثر سالانه (قدرت) را در هر سال آنفولانزا نشان می‌دهد، اما سایر ویژگی‌های مهم تراکم و مدت رویداد سالانه را نادیده می‌گیرد و خطر شامل شدن رویدادهای “اوج” بدون اهمیت اپیدمیولوژیک را دارد. رویکرد پیشنهادی فقط شامل رویدادهای ILI است که سطح علاقه عملی را برآورده می‌کنند، در حالی که حجم نمونه بالقوه بزرگ‌تری را از سوابق کوتاه موجود در حال حاضر گنجانده است. تعریف سنتی “هفته اوج” اعمال شده در شهرستان دووال 11 مشاهده به دست می دهد، در حالی که استفاده از آستانه صدک 80 حجم نمونه موجود را افزایش می دهد که بر اساس آن می توان خطر را با استفاده از تعریف 1 و 17 برای تعریف 2 به 103 تخمین زد ( شکل 5).). هنگامی که تخمین زده شد، پارامترهای GPD مبنایی را برای تخمین خواص بالاتر از سطوح متوالی بالاتر، کمتر مشاهده شده، بروز ILI فراهم می کند. آستانه علاقه را می توان برحسب ریسک قابل قبول (حوزه فرکانس) برای مقایسه های فضایی، یا اعداد موردی (حوزه بزرگی) برای اهداف برنامه ریزی بیان کرد.
جدول
جدول 1. خلاصه پارامترهای مشاهده شده و مورد انتظار رویدادهای پیک ILI پس از افزایش آستانه به سطوح صدک 90 و 95 (تعریف 2).
جدول
جدول 2. پارامترهای قدر مشاهده شده و مورد انتظار با افزایش آستانه به سطوح صدک 90 و 95 (تعریف 1). توجه: q 0 ، آستانه; α ، پارامتر مقیاس GPD. k ، پارامتر شکل GPD; K ، تعداد کل رویدادهای اوج در تمام سال های آنفولانزا.
جدول
جدول 3. پارامترهای قدر مشاهده شده و مورد انتظار با افزایش آستانه به سطوح صدک 90 و 95 (تعریف 2). توجه: q 0 ، آستانه; α ، پارامتر مقیاس GPD. k ، پارامتر شکل GPD; K ، تعداد کل رویدادهای اوج در تمام سال های آنفولانزا.
اگرچه تعریف 1 بزرگی حجم نمونه بزرگ‌تری را به دست می‌دهد، اما همبستگی خودکار سریالی آشکار آنها منجر به تخمین‌های کمتر قابل اعتمادی از نسبت مشاهدات باقی‌مانده از سانسور تا سطوح آستانه بالاتر می‌شود. وظیفه ای که با استفاده از بزرگی های به دست آمده از تعریف 2 بسیار بهتر انجام می شود. جدول 2 و جدول 3 مقادیر پارامترهای مشاهده شده و پیش بینی شده را نشان می دهد که توزیع بزرگی را در هر دو تعریف بالاتر از سطوح برش افزایش یافته توصیف می کند.

4.2. تنوع جغرافیایی و تأثیرات بالقوه

این مطالعه مدل‌های انعطاف‌پذیری را ارائه می‌کند که تخمین‌های احتمالی متغیرهای مرتبط با رویدادهای ILI را ارائه می‌کند که می‌توانند با شرایط مختلف سازگار شوند. روش آماری قوی ممکن است در هر مکانی، بدون توجه به پایه (به عنوان مثال، جمعیت) و آستانه های بحرانی تعیین شده، اجرا شود. تنوع جغرافیایی در پارامترها نشان دهنده تفاوت در تأثیرات بالقوه در وقوع رویدادهای اوج ILI است. به عنوان مثال، الگوی فضایی مشاهده شده پارامتر شکل، k در سطوح صدک 80، 90 و 95 در شکل 7 نشان می دهد که در آستانه های بالاتر، شهرستان های بیشتری بدون توجه به تعریف، مقادیر مثبت را نشان می دهند. از آنجایی که کدر تئوری مستقل از آستانه و با توجه به جابه‌جایی‌های آستانه [ 22 ] پایدار است، می‌توان آن را مستقیماً در مکان‌های متمایز فضایی مقایسه کرد. مقادیر منفی k نشان دهنده نقاط پرت بزرگ در دم سمت راست توزیع نسبت به بخش عمده مشاهدات است. مقادیر kدر آستانه های بالاتر کمتر منفی می شوند، زیرا با افزایش آستانه ها با سانسور تدریجی، مقادیر مقایسه ای نقاط پرت کاهش می یابد. این امر به ویژه در هنگام استفاده از تعریف 1 قابل توجه است. به دلیل محدود بودن داده ها، به ویژه تعداد اندک مشاهدات در آستانه بالاتر، احتمالاً بیش از حد تفسیر می شود. با افزایش در دسترس بودن داده ها در آینده، دوره زمانی طولانی تر و حجم نمونه بزرگتر می تواند به نمایش بهتر این ویژگی های رویدادهای ILI کمک کند.
Ijgi 03 00764 g007 1024
شکل 7. توزیع های فضایی مشاهده شده پارامتر، k ، بر اساس دو تعریف، در سه آستانه ارزش گذاری می شود. ( الف ) تعریف 1، آستانه 80٪ – k . ( ب ) تعریف 1، آستانه 90٪ – k . ( ج ) تعریف 1، آستانه 95٪ – k . ( د ) تعریف 2، آستانه 80٪ – k . ( ه ) تعریف 2، آستانه 90٪ – k . ( f ) تعریف 2، آستانه 95٪ – k .
به عنوان یک بیماری تنفسی بسیار مسری و حاد، وقوع و ویژگی‌های پیک ILI ممکن است تحت تأثیر عوامل محیطی (آب و هوا و غیره )، جمعیتی و اجتماعی (شهری، روستایی، حمل‌ونقل و غیره ) باشد. این رویکرد میانگین هفته وقوع را اواخر پاییز تا اوایل بهار مشخص می‌کند (هفته‌های 22 تا 30، از 10 دسامبر تا 6 فوریه با انحرافات استاندارد نسبتاً بزرگ از 8 تا 12 هفته). این مشاهدات از نظر فیزیکی توسط مطالعاتی پشتیبانی می‌شوند که شیوع آنفولانزا به میانگین هفتگی یا دو هفته‌ای دما و رطوبت [ 5 ، 23 ]، به ویژه دمای پایین (بهینه: 8 درجه سانتیگراد) و رطوبت نسبی حساس است [ 23 ، 24 ،25]. میانگین دما در طول سردترین ماه فلوریدا در سراسر شهرستان های مورد بررسی از 10 درجه سانتیگراد تا 16 درجه سانتیگراد متغیر است، که نشان می دهد شرایط آب و هوایی ممکن است بر الگوهای فضایی رویدادهای اوج تأثیر بگذارد. با این حال، هیچ الگوی فضایی واضحی مربوط به عرض جغرافیایی و دمای زمستان ظاهر نمی شود. با افزایش سطح بحرانی موارد مورد علاقه ILI، میانگین هفته زمان‌بندی رویدادها (در اواخر سال) تقریباً در همه شهرستان‌ها به جز بروارد افزایش می‌یابد، که به این معنی است که اوج رویدادها با موارد ILI بیشتر در هفته در اواخر زمستان و اوایل زمستان رخ می‌دهند. بهار. علاوه بر شرایط آب و هوایی، هر شهرستان دارای ویژگی هایی است که انتقال آنفولانزا را تشویق می کند: تراکم جمعیت بالا، نسبت بالای جمعیت آن ها در گروه های سنی حساس، فرودگاه های بین المللی و دسترسی آماده به ایالت های بزرگ،26 ، 27 ، 28 ، 29 ]. به طور مشابه استفاده نسبی از حمل و نقل عمومی و رفتار ایمن سازی ممکن است باعث تفاوت در سیر اپیدمی ها شود و گسترش فضا-زمان آنها را اصلاح کند [ 30 ، 31 ]. به عنوان مثال، اورنج کانتی مقادیر نسبتاً بالایی از آستانه ( q 0 ) و تعداد کل رویدادهای اوج ( K ) را نشان می دهد.) در مقایسه با چهار شهرستان دیگر. این را می توان با ویژگی های خاص آن در قرار گرفتن در مرکز ایالت با دمای نسبتاً پایین و رطوبت نسبی نسبت به دو شهرستان جنوبی (Miami-Dade و Broward) توضیح داد. شهر بزرگ در اورنج کانتی، اورلاندو، سالانه پذیرای ده ها هزار گردشگر است، به ویژه در تعطیلات در اواخر پاییز و زمستان، که احتمال انتقال آنفولانزا را افزایش می دهد، برای مثال در مقایسه با شهرستان شمالی (دووال). برای درک بهتر الگوهای فضایی ویژگی های مشتق شده از رویدادها، تأثیرات عوامل فوق شایسته بررسی بیشتر است.

4.3. کاربرد

تجسم‌های مکانی-زمانی این ویژگی‌های آماری این پتانسیل را دارد که اطلاعات را به شیوه‌ای کارآمد ارائه دهد و به تصمیم‌گیری در سلامت عمومی کمک کند، مانند هشدار اولیه در مورد اوج فعالیت آنفلوانزا، تعیین مکان و زمان مداخله، افزایش دسترسی به سلامت. امکانات و غیره به عنوان مثال، شکل 8الگوهای مکانی و زمانی زمان‌بندی رویدادهای اوج را تجسم می‌کند، که نشان‌دهنده احتمال داشتن دو رویداد اوج ILI تا هفته 25، هفته 26 و هفته 27 است. این هفته‌ها سه هفته اول ژانویه هستند. افزایش احتمال وقوع دو رویداد اوج در هفته 26 و هفته 27 ممکن است به دلیل تأثیرات احتمالی هوای سرد در ژانویه و ترم جدید مدرسه بر فعالیت ILI باشد. این تجسم ها را می توان در آینده به کل فلوریدا گسترش داد.
Ijgi 03 00764 g008 1024
شکل 8. کاربرد زمان بندی در 18 شهرستان منتخب در فلوریدا. ( الف ) احتمال تجربه دو رویداد تا هفته 25. ( ب ) احتمال تجربه دو رویداد تا هفته 26. ( ج ) احتمال تجربه دو رویداد تا هفته 27.

5. نتیجه گیری ها

این مطالعه به طور مبتکرانه از یک روش تثبیت شده در هیدرولوژی و اقلیم شناسی در زمینه اپیدمیولوژی برای توصیف ویژگی های آماری دوره هایی استفاده می کند که در طی آن موارد هفتگی ILI از آستانه های بحرانی فراتر می روند. تعریف جدید رویدادهای مورد علاقه فراتر از “رویدادهای اوج” تنها، و همه، شیوع علایق اپیدمیولوژیک را در نظر می گیرد و امکان تخمین پارامترهای توزیع ها را فراهم می کند. مبنای نظری قوی در تئوری متقاطع امکان محاسبه ویژگی‌های رویدادهای ILI را بالاتر از آستانه‌های مختلف منافع فراهم می‌کند. یکی دیگر از مزایای این رویکرد این است که می توان آن را برای داده های متمایز فضایی برای تعیین و مقایسه خطرات مرتبط با رویدادهای اوج اعمال کرد که با تعداد موارد رایج تعریف نشده است، اما با فراوانی مشترک شیوع بدون توجه به جمعیت پایه منطقه ( به عنوان مثال
این روش دارای انعطاف‌پذیری اضافه‌ای است که اجازه برون‌یابی ویژگی‌های رویداد ILI، به‌ویژه تعداد رویدادها و بزرگی، به آستانه‌های بحرانی دیگر را دارد که در فضا متفاوت هستند و تحت تأثیر عوامل محیطی، جمعیتی و اجتماعی هستند. در عین حال، اطلاعات بالقوه محدود موجود در تعریف استاندارد ILI “پیک رویداد” (حداکثر سالانه) متخصصان بهداشت عمومی را در اجرای موثر استراتژی‌های مداخله زمان‌بندی، مانند واکسیناسیون و قرنطینه، باز می‌دارد، بنابراین منجر به هزینه‌های غیرضروری اجتماعی-اقتصادی می‌شود. این مطالعه می‌تواند به مقامات بهداشت عمومی در حمایت از مراقبت و مداخله آنفولانزا با گنجاندن ویژگی‌های متغیرها، تراکم رویداد سالانه، زمان، بزرگی و مدت کمک کند. توسعه و آزمایش این مدل‌های انعطاف‌پذیر اولین گام در یک مطالعه در حال انجام است که به دنبال ایجاد ارتباط بین ویژگی‌های آماری رویدادهای ILI و عوامل محیطی بالقوه است. سپس می‌توان این ارتباطات را با واکسیناسیون و تحرک انسان ترکیب کرد تا پیش‌بینی انتقال آنفولانزا و تعیین دوره‌های بهینه برای اجرای برنامه‌های واکسیناسیون آنفولانزا در میان مناطق اولویت‌دار انجام شود. نکته مهم این است که مدل‌های موجود در این مطالعه می‌توانند به راحتی به سایر بیماری‌های عفونی در یک اصلاح بیشتر تعمیم داده شوند. سپس می‌توان این ارتباطات را با واکسیناسیون و تحرک انسان ترکیب کرد تا پیش‌بینی انتقال آنفولانزا و تعیین دوره‌های بهینه برای اجرای برنامه‌های واکسیناسیون آنفولانزا در میان مناطق اولویت‌دار انجام شود. نکته مهم این است که مدل‌های موجود در این مطالعه می‌توانند به راحتی به سایر بیماری‌های عفونی در یک اصلاح بیشتر تعمیم داده شوند. سپس می‌توان این ارتباطات را با واکسیناسیون و تحرک انسان ترکیب کرد تا پیش‌بینی انتقال آنفولانزا و تعیین دوره‌های بهینه برای اجرای برنامه‌های واکسیناسیون آنفولانزا در میان مناطق اولویت‌دار انجام شود. نکته مهم این است که مدل‌های موجود در این مطالعه می‌توانند به راحتی به سایر بیماری‌های عفونی در یک اصلاح بیشتر تعمیم داده شوند.

منابع

  1. فلمینگ، دی.ام. زامبون، م. بارتلدز، AIM; de Jong, JC مدت و میزان اپیدمی های آنفولانزا: مطالعه داده های نظارتی از شیوه های عمومی نگهبان در انگلستان، ولز و هلند. یورو J. Epidemiol. 1999 ، 15 ، 467-473. [ Google Scholar ] [ CrossRef ]
  2. بوک، دی. اندرسون، ای. Frisén، M. نظارت آماری اپیدمی ها: اوج تشخیص آنفولانزا در سوئد. بیوم. J. 2008 ، 50 ، 71-85. [ Google Scholar ] [ CrossRef ]
  3. کوپر، دی ال. Verlander، NQ; الیوت، ای جی؛ جوزف، کالیفرنیا؛ اسمیت، جنرال الکتریک آیا آستانه های سندرمی می توانند هشدار اولیه شیوع آنفولانزای ملی را ارائه دهند؟ J. بهداشت عمومی 2009 ، 31 ، 17-25. [ Google Scholar ]
  4. Cowling، BJ; وانگ، IO; هو، ال ام. رایلی، اس. روش‌های Leung، GM برای نظارت بر داده‌های نظارت آنفلوآنزا. بین المللی J. Epidemiol. 2006 ، 35 ، 1314-1321. [ Google Scholar ]
  5. چارلند، KML؛ باکریج، دی ال. استورتوان، جی ال. ملتون، اف. Brownstein, JS آیا آب و هوا زمان اوج فعالیت آنفلوانزا را در ایالات متحده پیش بینی می کند؟ Adv. دیس نظارت. 2008 ، 5 ، 169. [ Google Scholar ]
  6. گرین، SK; یونیدها، EL; ویلسون، ML الگوهای مرگ و میر مرتبط با آنفولانزا در میان سالمندان ایالات متحده بر اساس منطقه جغرافیایی و زیرگروه ویروس، 1968-1998. صبح. J. Epidemiol. 2006 ، 163 ، 313-326. [ Google Scholar ]
  7. پاجت، جی. مارکت، آر. مایجر، ع. van Der Velden، K. فعالیت آنفلوانزا در اروپا در طول هشت فصل (1999-2007): ارزیابی شاخص های مورد استفاده برای اندازه گیری فعالیت و ارزیابی زمان، طول و دوره اوج فعالیت (گسترش) در سراسر اروپا. BMC Infect دیس 2007 ، 7 . [ Google Scholar ] [ CrossRef ]
  8. اسمیت، LP پیش بینی عددی اپیدمی های آنفولانزا در بریتانیای کبیر و ایرلند شمالی. کشیش اپیدمیول. Sante Publique 1982 ، 30 ، 413-422. [ Google Scholar ]
  9. ساکائی، ت. سوزوکی، اچ. ساساکی، ا. سایتو، آر. تنابه، ن. تانیگوچی، ک. روندهای جغرافیایی و زمانی در بیماری آنفولانزا، ژاپن، 1992-1999. ظهور. آلوده کردن دیس 2004 ، 10 ، 1822-1826. [ Google Scholar ] [ CrossRef ]
  10. پایگاه داده آنلاین CDC WONDER. علت اصلی مرگ 1999-2009. در دسترس آنلاین: http://wonder.cdc.gov/ucd-icd10.html (در 11 نوامبر 2012 قابل دسترسی است).
  11. وزارت بهداشت فلوریدا در دسترس آنلاین: http://www.doh.state.fl.us/disease_ctrl/epi/htopics/flu/FSPISN/influenza_sentinels.html (دسترسی در 18 نوامبر 2012).
  12. وزارت بهداشت فلوریدا در دسترس آنلاین: http://www.doh.state.fl.us/disease_ctrl/epi/htopics/flu/panflu.htm (دسترسی در 15 نوامبر 2012).
  13. وزارت بهداشت فلوریدا در دسترس آنلاین: http://www.doh.state.fl.us/floridaflu/FSPISN/influenza_sentinels.html (در 19 نوامبر 2012 قابل دسترسی است).
  14. مراکز کنترل و پیشگیری از بیماری. در دسترس آنلاین: http://www.cdc.gov/flu/weekly/overview.htm (در 10 ژانویه 2013 قابل دسترسی است).
  15. کولی، پی. گاناپاتی، ال. غنیم، گ. هولمبرگ، اس. ویتون، دبلیو. Hollingsworth، CR استفاده از داده‌های بیماری آنفولانزا مانند برای بازسازی یک شیوع آنفولانزا. ریاضی. محاسبه کنید. مدل. 2008 ، 48 ، 929-939. [ Google Scholar ] [ CrossRef ]
  16. کرامر، اچ. Leadbetter، MR ثابت و فرآیندهای تصادفی مرتبط . Wiley: نیویورک، نیویورک، ایالات متحده آمریکا، 1967. [ Google Scholar ]
  17. Rice, SO تجزیه و تحلیل ریاضی نویز تصادفی. بل سیست. فنی J. 1945 , 24 , 46-156. [ Google Scholar ] [ CrossRef ]
  18. دزموند، اف. گای، نظریه تقاطع BT برای فرآیندهای غیر گاوسی با کاربرد در هیدرولوژی. منبع آب Res. 1991 ، 279 ، 2791-2797. [ Google Scholar ] [ CrossRef ]
  19. روزبیرگ، دی. مدسن، اچ. راسموسن، پیش‌بینی PF در سری‌های مدت جزئی با مازاد بر توزیع پارتو تعمیم یافته. وات منبع. Res. 1992 ، 28 ، 3001-3010. [ Google Scholar ] [ CrossRef ]
  20. کیلینگز، دی. Waylen، PR ویژگی‌های تصادفی دمای حداکثر روزانه بالا با استفاده از نظریه تلاقی برای مدل‌سازی متغیرهای رویداد در دمای بالا. نظریه. Appl. کلیماتول. 2012 ، 108 ، 579-590. [ Google Scholar ] [ CrossRef ]
  21. Straetmans، STM; Verschoor، WFC; Wolff، CCP نوسانات شدید بازار سهام ایالات متحده در پی 11 سپتامبر. J. Appl. اقتصاد. 2008 ، 23 ، 17-42. [ Google Scholar ]
  22. بیزل، سی جی; Rokyta، DR. ویچمن، HA; جویس، پی. آزمایش دامنه ارزش شدید جذب برای توزیع اثرات تناسب اندام مفید. ژنتیک 2007 ، 176 ، 2441-2449. [ Google Scholar ] [ CrossRef ]
  23. Lowen، AC; مبارکه، س. فولاد، ج. انتقال ویروس آنفلوانزای P. Palese به رطوبت نسبی و دما بستگی دارد. PLoS Pathog. 2007 ، 3 ، e151. [ Google Scholar ] [ CrossRef ]
  24. شمن، ج. Kohn, M. رطوبت مطلق بقا، انتقال و فصلی بودن آنفولانزا را تعدیل می کند. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2009 ، 106 ، 3243-3248. [ Google Scholar ] [ CrossRef ]
  25. سوچی هاشی، ی. یوریفوجی، تی. تاکائو، اس. سوزوکی، ای. موری، س. دوی، اچ. Tsuda، T. عوامل محیطی و شروع آنفلوانزای فصلی در شهر اوکایاما، ژاپن: مطالعه موردی متقاطع. Acta Med. اوکایاما 2011 ، 65 ، 97-103. [ Google Scholar ]
  26. ارتک، م. دورماز، ر. گلدمیر، دی. آلتاس، AB; آلبایراک، ن. Korukluoglu، G. ویژگی های اپیدمیولوژیک، جمعیت شناختی، و مولکولی عفونت ویروسی آنفولانزای A (H1N1) تایید شده آزمایشگاهی در ترکیه. Jpn. ج. عفونی کردن. دیس 2010 ، 63 ، 239-245. [ Google Scholar ]
  27. اولسون، DR. هفرنان، RT; پالادینی، م. کونتی، ک. ویس، دی. مستشاری، F. نظارت بر تأثیر آنفولانزا بر اساس سن: تب بخش اورژانس و نظارت بر شکایات تنفسی در شهر نیویورک. PLoS Med. 2007 ، 4 ، e247. [ Google Scholar ] [ CrossRef ]
  28. ویبود، سی. بوئل، پی. کوچمز، اس. لاونو، ا. والرون، ای جی؛ فلاهولت، ا. Carrat, F. عوامل خطر انتقال آنفلوانزا در خانوارها. برادر J. Gen. Pract. 2004 ، 54 ، 684-689. [ Google Scholar ]
  29. ریواس، آل. چاول، جی. شواگر، اس جی; Fasina, FO; Hoogesteijn، AL; اسمیت، SD; Bisschop، SP; اندرسون، KL; Hyman, JM Lessons from Nigeria: نقش جاده‌ها در پیشرفت جغرافیایی-زمانی ویروس آنفلوانزای مرغی (H5N1). اپیدمیول. آلوده کردن 2009 ، 138 ، 192-198. [ Google Scholar ]
  30. لیم، W.-Y.; چن، سی.-اچ. ممکن است.؛ چن، M.-I.; لی، وی.-جی. کوک، A.-R. قهوهای مایل به زرد، LW; فلورس تابو، ن.، جونیور؛ بار، آی. کوی، ال. و همکاران عوامل خطر برای همه گیر (H1N1) 2009 تبدیل سرمی در میان بزرگسالان، سنگاپور، 2009. ظهور. آلوده کردن دیس 2011 ، 17 ، 1455-1462. [ Google Scholar ]
  31. یانگ، ی. سوگیموتو، جی دی. هالوران، من؛ باستا، NE; Chao، DL; ماتراجت، ال. پاتر، جی. کنا، ای. Longini، IM، Jr. انتقال و کنترل ویروس آنفلوانزای همه گیر A (H1N1). علوم 2009 ، 326 ، 729-733. [ Google Scholar ] [ CrossRef ]

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370