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.
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.
การแปล กรุณารอสักครู่..