Materials and MethodsData acquisiti

Materials and Methods
Data acquisition
GIS mapping of malaria covers the period 2001-2006 and the 2,070 villages of Chiang Mai province.
Data on patients with malaria and the number of population in village level were obtained from Chiang Mai Provincial Public Health Office (CMPHO), Thailand. These records included the malaria cases referred from other hospitals and the number of population from Ministry of Interior, Thailand. The spatial data were the village location points in Shape file format which were collected from Geo-Informatics and Space Technology Centre(Northern Region), Thailand.
Data Preparation
This section explains the approach adopted to adjust the malaria incidence rate (MIR) data. Theproposed method starts by calculating MIR followed by data smoothing, which was done by Empirical Bayes Smoothing (EBS) method for successive years.
The malaria incidence rate (MIR) was defined as the ratio of the number of observed malaria cases tothe population at risk. Let n¡ and o¡(i = 1,...,2,070) denote the midyear population and the corresponding observed number of malaria cases for each village. More explicitly,
MIRi= oi / ni ( 1)
Calculating the MIR could lead to spurious spatial feature. Villages of small populations could appear highly variable and may contain a disproportionate number of high (or low) parameter estimates. To overcome this problem, Empirical Bayes Smoothing (EBS) method based on the idea of pooling information across villages has been developed . In this study, the Bayesian principles were used to guide the adjustment of the raw MIR estimate by taking into account information in the rest of the sample. The principle was referred to as shrinkage, in the sense that the raw MIR was moved towards an overall mean, as an inverse function of the variance . In formula below, the concept presented earlier relating to the control of instability of the MIRs by EBS method. The method considered the relative risks as independent and identically distributed, following Poisson distribution with these parameters
Oi / δi ~ Poisson (ni δ i )
Under this assumption, it could be obtained as the estimator of the relative risk for
i-th village ( ),the following expression:
δ δi = Ci MIRi+(1-Ci)vmδi (2)


where Ci was the ratio of prior variance to data variance, was the prior mean (weighted sample mean), and MIRi was the value of the malaria incidence rate for each village. The malaria incidence rate (MIR) were spatially smoothed by equation 2 in such a way that when the village had a small population its relative risk would tend towards the mean value of all the relative risks. In contrast, if the village had large population the estimate of the relative risk would be close to the MIR for that village . These MIR values were converted to the malaria morbidity rate (MMBR) by multiplying with 1,000 populations.
Data Interpolation
Interpolation of the regional data, i.e. the MMBR, onto a regular grid for mapping purposes could be done by kernel method. The kernel density interpolation was used to create a continuous surface representing the density of malaria distributed across the study area. This interpolation method involved placing a symmetrical surface over each point (i.e. village), evaluating the distance from the point to a reference location based on a mathematical function, and summing the value of all the surfaces for that reference location. This procedure was repeated for all reference locations . In this study, the kernel was generated using ArcGIS spatial analyst extension. A uniform cell size of 100 meter was used to generate all kernels, giving a basis for comparison. The selection of radius was the mean disperse distance of village (5.2 km.), which was calculated using nearest neighbor analysis.

ผลลัพธ์ (ไทย) 1:

วัสดุและวิธีการข้อมูลการGIS การแม็ปของมาลาเรียครอบคลุมระยะเวลาค.ศ. 2001-2006 และ 2,070 หมู่บ้านจังหวัดเชียงใหม่ข้อมูลผู้ป่วยที่มีโรคมาลาเรียและจำนวนประชากรในระดับหมู่บ้านได้รับจากจังหวัดเชียงใหม่จังหวัดสาธารณสุขสำนักงาน (CMPHO), ประเทศไทย เรกคอร์ดเหล่านี้รวมกรณีมาลาเรียที่อ้างอิงจากโรงพยาบาลอื่น ๆ และจำนวนประชากรจากกระทรวงมหาดไทย ไทย ข้อมูลปริภูมิมีจุดที่ตั้งหมู่บ้านในรูปแบบแฟ้มรูปซึ่งถูกเก็บรวบรวมสารสนเทศ และพื้นที่ Centre(Northern Region) เทคโนโลยี ไทย จัดเตรียมข้อมูล ส่วนนี้อธิบายวิธีการนำมาใช้ปรับปรุงข้อมูล (มีร์) อัตราอุบัติการณ์โรคมาลาเรีย Theproposed วิธีเริ่มจากการคำนวณมีร์ตามข้อมูลปรับให้เรียบ ซึ่งทำ โดยวิธีปรับให้เรียบ Bayes ของประจักษ์ (EBS) ปีต่อเนื่องอัตราอุบัติการณ์ของโรคมาลาเรีย (มีร์) ถูกกำหนดเป็นอัตราส่วนของจำนวนกรณีมาลาเรียพบกับประชากรที่มีความเสี่ยง ปล่อยให้ n¡ และ o¡ (i = 1,..., 2, 070) แสดงประชากร midyear และสอดคล้องกับการสังเกตจำนวนของกรณีโรคมาลาเรียในแต่ละหมู่บ้าน มากขึ้นอย่างชัดเจนมิ =อ้อย / ni (1) คำนวณมีร์อาจทำให้คุณลักษณะเก๊ปริภูมิ หมู่บ้านขนาดเล็กประชากรไม่สามารถปรากฏตัวแปรสูง และอาจประกอบด้วยจำนวนประมาณพารามิเตอร์สูง (หรือต่ำ) ซึ่งนำ เพื่อเอาชนะปัญหานี้ วิธีปรับให้เรียบ Bayes ของประจักษ์ (EBS) ตามแนวคิดของข้อมูลร่วมกันทั้งหมู่บ้านมีการพัฒนา ในการศึกษานี้ หลักการทฤษฎีที่เคยแนะนำการปรับปรุงของการประเมินมีร์ดิบ โดยพิจารณาข้อมูลบัญชีในส่วนเหลือของตัวอย่าง หลักการถูกเรียกว่าการหดตัว ในแง่ที่ว่า เป็นย้ายมีร์ดิบต่อหมายถึงการรวม เป็นฟังก์ชันตัวผกผันของความแปรปรวน สูตรด้านล่าง แนวคิดนำเสนอก่อนหน้านี้เกี่ยวข้องกับการควบคุมของความไม่แน่นอนของการ MIRs โดยวิธี EBS วิธีการพิจารณาความเสี่ยงสัมพัทธ์เป็นอิสระ และ กระจายเหมือนกัน การแจกแจงปัวซองกับพารามิเตอร์เหล่านี้ต่อไปนี้อ้อย / δi ~ ปัว (ni δฉัน)ภายใต้สมมติฐานนี้ มันไม่ได้เป็นประมาณการความเสี่ยงสัมพัทธ์สำหรับ i-th วิลเลจ() นิพจน์ต่อไปนี้:Δ δi =มิ Ci + vmδi (1-Ci) (2) where Ci was the ratio of prior variance to data variance, was the prior mean (weighted sample mean), and MIRi was the value of the malaria incidence rate for each village. The malaria incidence rate (MIR) were spatially smoothed by equation 2 in such a way that when the village had a small population its relative risk would tend towards the mean value of all the relative risks. In contrast, if the village had large population the estimate of the relative risk would be close to the MIR for that village . These MIR values were converted to the malaria morbidity rate (MMBR) by multiplying with 1,000 populations.Data Interpolation Interpolation of the regional data, i.e. the MMBR, onto a regular grid for mapping purposes could be done by kernel method. The kernel density interpolation was used to create a continuous surface representing the density of malaria distributed across the study area. This interpolation method involved placing a symmetrical surface over each point (i.e. village), evaluating the distance from the point to a reference location based on a mathematical function, and summing the value of all the surfaces for that reference location. This procedure was repeated for all reference locations . In this study, the kernel was generated using ArcGIS spatial analyst extension. A uniform cell size of 100 meter was used to generate all kernels, giving a basis for comparison. The selection of radius was the mean disperse distance of village (5.2 km.), which was calculated using nearest neighbor analysis.

ผลลัพธ์ (ไทย) 2:

วัสดุและวิธีการเก็บข้อมูลการทำแผนที่GIS ของโรคมาลาเรียครอบคลุมระยะเวลา 2001-2006 และ 2,070 หมู่บ้านของจังหวัดเชียงใหม่. ข้อมูลเกี่ยวกับผู้ป่วยที่มีโรคมาลาเรียและจำนวนของประชากรในระดับหมู่บ้านที่ได้รับจากเชียงใหม่สำนักงานสาธารณสุขจังหวัด (CMPHO) ประเทศไทย. บันทึกเหล่านี้รวมถึงกรณีโรคมาลาเรียอ้างอิงจากโรงพยาบาลอื่น ๆ และจำนวนของประชากรจากกระทรวงมหาดไทยประเทศไทย ข้อมูลเชิงพื้นที่เป็นจุดที่ตั้งของหมู่บ้านในรูปแบบไฟล์รูปที่ถูกรวบรวมมาจากภูมิสารสนเทศและเทคโนโลยีศูนย์อวกาศ (ภาคเหนือ), ไทย. ข้อมูลการเตรียมการในส่วนนี้จะอธิบายถึงวิธีการที่นำมาใช้ในการปรับอัตราการเกิดโรคมาลาเรียอัตรา (MIR) ข้อมูล วิธี Theproposed เริ่มต้นโดยการคำนวณ MIR ตามด้วยการปรับให้เรียบข้อมูลซึ่งทำโดยเชิงประจักษ์เบส์สมูท (EBS) วิธีการสำหรับปีต่อเนื่อง. อัตราอุบัติการณ์โรคมาลาเรีย (MIR) ถูกกำหนดเป็นอัตราส่วนของจำนวนผู้ป่วยโรคมาลาเรียสังเกต tothe ประชากรที่มีความเสี่ยง ให้n¡และo¡ (i = 1, ... , 2070) แสดงว่าประชากรกลางปีและจำนวนข้อสังเกตกรณีที่สอดคล้องกันของโรคมาลาเรียสำหรับแต่ละหมู่บ้าน อื่น ๆ อย่างชัดเจนMiri = อ้อย / พรรณี (1) การคำนวณ MIR อาจนำไปสู่คุณลักษณะเชิงพื้นที่ปลอม หมู่บ้านประชากรขนาดเล็กจะปรากฏตัวแปรและอาจมีสัดส่วนจำนวนสูง (หรือต่ำ) ประมาณการพารามิเตอร์ ที่จะเอาชนะปัญหานี้เชิงประจักษ์เบส์สมูท (EBS) วิธีการขึ้นอยู่กับความคิดของการข้อมูลร่วมกันทั่วทั้งหมู่บ้านได้รับการพัฒนา ในการศึกษานี้หลักการแบบเบย์ถูกนำมาใช้เพื่อเป็นแนวทางในการปรับประมาณการ MIR ดิบโดยคำนึงถึงข้อมูลบัญชีในส่วนที่เหลือของกลุ่มตัวอย่าง หลักการก็จะเรียกว่าการหดตัวในแง่ที่ว่า MIR ดิบถูกย้ายไปสู่ค่าเฉลี่ยโดยรวมเป็นฟังก์ชันผกผันของความแปรปรวน ในสูตรด้านล่างแนวความคิดที่นำเสนอก่อนหน้านี้ที่เกี่ยวข้องกับการควบคุมของความไม่แน่นอนของ Mirs ด้วยวิธี EBS วิธีพิจารณาความเสี่ยงสัมพัทธ์เป็นอิสระและกระจายกันดังต่อไปนี้การกระจาย Poisson กับพารามิเตอร์เหล่านี้เฮ้ย/ δi ~ Poisson ni (δ i) ภายใต้สมมติฐานนี้ก็อาจจะได้รับเป็นประมาณการของความเสี่ยงสำหรับหมู่บ้านที่ i () การแสดงออกต่อไปนี้: δδi = Ci รี + (1 Ci) vmδi (2) ที่ Ci เป็นอัตราส่วนของความแปรปรวนก่อนที่จะมีความแปรปรวนข้อมูลที่เป็นค่าเฉลี่ยก่อน (ตัวอย่างถ่วงน้ำหนักหมายถึง) และรีเป็นค่าของอัตราการเกิดโรคมาลาเรียที่ อัตราสำหรับแต่ละหมู่บ้าน อัตราอุบัติการณ์โรคมาลาเรีย (MIR) ได้รับการสันนิฐานเรียบ 2 สมการในลักษณะที่เมื่อหมู่บ้านมีประชากรขนาดเล็กมีความเสี่ยงญาติจะมีแนวโน้มที่มีต่อค่าเฉลี่ยของทุกความเสี่ยงสัมพัทธ์ ในทางตรงกันข้ามหากหมู่บ้านมีประชากรขนาดใหญ่ประมาณความเสี่ยงจะใกล้กับ MIR สำหรับหมู่บ้านที่ เหล่านี้ค่า MIR ถูกแปลงเป็นอัตราป่วยโรคมาลาเรีย (MMBR) โดยคูณด้วย 1,000 ประชากร. ข้อมูลการแก้ไขการแก้ไขข้อมูลในระดับภูมิภาคคือ MMBR บนตารางปกติเพื่อวัตถุประสงค์ในการทำแผนที่สามารถทำได้ด้วยวิธีเคอร์เนล แก้ไขความหนาแน่นของเคอร์เนลถูกใช้ในการสร้างพื้นผิวอย่างต่อเนื่องที่เป็นตัวแทนของความหนาแน่นของโรคมาลาเรียกระจายทั่วพื้นที่การศึกษา วิธีการแก้ไขเรื่องนี้เกี่ยวข้องกับการวางพื้นผิวสมมาตรแต่ละจุด (หมู่บ้าน IE) ประเมินระยะทางจากจุดไปยังตำแหน่งที่อ้างอิงอยู่บนพื้นฐานของฟังก์ชั่นทางคณิตศาสตร์และข้อสรุปค่าของทุกพื้นผิวสำหรับสถานที่การอ้างอิงว่า ขั้นตอนนี้ซ้ำสำหรับสถานที่การอ้างอิงทั้งหมด ในการศึกษานี้เคอร์เนลที่ถูกสร้างขึ้นโดยใช้นามสกุลของนักวิเคราะห์เชิงพื้นที่ ArcGIS ขนาดมือถือชุด 100 เมตรถูกใช้ในการสร้างเมล็ดทั้งหมดให้พื้นฐานสำหรับการเปรียบเทียบ การเลือกรัศมีเป็นค่าเฉลี่ยแยกย้ายกันไประยะทางของหมู่บ้าน (5.2 กม.) ซึ่งได้รับการคำนวณโดยใช้การวิเคราะห์เพื่อนบ้านที่ใกล้ที่สุด

ผลลัพธ์ (ไทย) 3:

วัสดุและวิธีการเก็บข้อมูล

GIS แผนที่มาลาเรียครอบคลุมระยะเวลาปี 2001-2006 และ 2070 หมู่บ้านของจังหวัดเชียงใหม่ .
ข้อมูลผู้ป่วยโรคมาลาเรียและจำนวนประชากรในระดับหมู่บ้านได้จากสำนักงานสาธารณสุขจังหวัดเชียงใหม่ ( cmpho ) , ประเทศไทยระเบียนเหล่านี้รวมเรียกว่าโรคมาลาเรียรายจากโรงพยาบาลอื่น และจำนวนประชากร จากกระทรวงมหาดไทย ประเทศไทย ข้อมูลเชิงพื้นที่เป็นหมู่บ้านที่ตั้งจุดในรูปแบบไฟล์รูปร่าง ซึ่งรวบรวมจากศูนย์เทคโนโลยีและสารสนเทศทางภูมิศาสตร์ พื้นที่ ( ภาคเหนือ ) , ประเทศไทย การเตรียมข้อมูล

ส่วนนี้จะอธิบายถึงวิธีการที่ใช้เพื่อปรับอัตราอุบัติการณ์โรคมาลาเรีย ( Mir ) ข้อมูล วิธีการเริ่มต้นโดยการคำนวณอวกาศตามข้อมูลให้เรียบ ซึ่งทำได้โดยประจักษ์ Bayes เรียบ ( เดียว ) วิธีการสำหรับปีต่อเนื่อง
มาลาเรียอัตราอุบัติการณ์ ( Mir ) หมายถึง อัตราส่วนของจำนวนผู้ป่วยโรคมาลาเรียพบว่ามีประชากรกลุ่มเสี่ยง ให้ n ¡และ O ¡ ( i = 1 , . . . 2��� ) แสดงถึง กลางปี ประชากร และที่สังเกตจำนวนของกรณีมาลาเรียของแต่ละหมู่บ้าน ขายมิริ = โอ้ย /
,
ฉัน ( 1 ) คํานวณ Mir สามารถนำไปสู่คุณลักษณะการปลอม หมู่บ้านประชากรขนาดเล็กจะปรากฏเป็นตัวแปรอย่างมาก และอาจประกอบด้วยตัวเลขสัดส่วนสูง ( หรือต่ำ ) และประมาณการ เพื่อเอาชนะปัญหานี้เชิงประจักษ์ Bayes เรียบ ( เดียว ) ตามความคิดของการรับข้อมูลผ่านหมู่บ้านที่ได้รับการพัฒนา ในการศึกษานี้ ใช้หลักการแบบแนวทางในการปรับตัวของราคาวัตถุดิบ โดยการเข้าโครงการบัญชีข้อมูลในส่วนที่เหลือของตัวอย่าง หลักการที่ถูกเรียกว่าการหดตัวในความรู้สึกว่า เมอดิบได้ย้ายไปสู่หมายถึงโดยรวมเป็นฟังก์ชันผกผันของความแปรปรวน ในสูตรด้านล่าง แนวคิดที่นำเสนอก่อนหน้านี้ เกี่ยวกับการควบคุมเสถียรภาพของเมอร์สโดยได้รับวิธีการ วิธีพิจารณาความเสี่ยงสัมพัทธ์เป็นอิสระและกันกระจายตามการแจกแจงปัวซงกับพารามิเตอร์เหล่านี้นี่ / ฉัน ~
δปัวซง ( ผมδ I )
ภายใต้สมมติฐานนี้มันอาจจะได้รับเป็นประมาณการของความเสี่ยงสัมพัทธ์
i-th หมู่บ้าน ( ) , การแสดงออกดังต่อไปนี้ :
δδ = CI มิริ ( 1-ci ) VM δฉัน ( 2 )


ที่ CI คืออัตราส่วนของความแปรปรวนก่อนให้ข้อมูล คือ ค่าเฉลี่ยก่อน ( ตัวอย่างหนักหมายถึง ) มิริเป็นค่าของอัตราการเกิดโรคมาลาเรียของแต่ละหมู่บ้านมาลาเรียอัตราอุบัติการณ์ ( Mir ) ถูกเปลี่ยนไปเรียบ โดยสมการ 2 ในลักษณะดังกล่าวว่า เมื่อหมู่บ้านมีประชากรขนาดเล็กมีความเสี่ยงสัมพัทธ์จะมีแนวโน้มต่อค่าเฉลี่ยของญาติทั้งหมดความเสี่ยง ในทางตรงกันข้าม ถ้าหมู่บ้านมีประชากรขนาดใหญ่ประมาณการความเสี่ยงสัมพัทธ์จะใกล้ Mir ที่หมู่บ้าน