دريافت فايل ارائه - دانشگاه علوم پزشکی گلستان
Download
Report
Transcript دريافت فايل ارائه - دانشگاه علوم پزشکی گلستان
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