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 [5] 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 วิธีเริ่มจากการคำนวณตามข้อมูลที่ปรับให้เรียบ ซึ่งโดยวิธีการปรับให้เรียบ Bayes ของประจักษ์ (EBS) [5] มีร์ปีต่อ ๆ มาอัตราอุบัติการณ์ของโรคมาลาเรีย (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) Ci มีอัตราส่วนของผลต่างผลต่างข้อมูลก่อนหน้า ก่อนมัชฌิม (ค่าเฉลี่ยถ่วงน้ำหนักอย่าง), และมิได้ค่าอัตราการเกิดโรคมาลาเรียในแต่ละหมู่บ้าน อัตราอุบัติการณ์ของโรคมาลาเรีย (มีร์) ถูก spatially โค้งตามสมการที่ 2 ในลักษณะว่า เมื่อหมู่บ้านมีประชากรขนาดเล็ก ของความเสี่ยงสัมพัทธ์จะเอียงหมายถึงค่าความเสี่ยงสัมพัทธ์ทั้งหมด ในทางตรงกันข้าม ถ้าหมู่บ้านขนาดใหญ่ประชากร การประเมินความเสี่ยงสัมพัทธ์จะเป็นใกล้กับมีร์ในหมู่บ้านนั้น มีร์ค่าเหล่านี้ได้ถูกแปลงอัตรา morbidity มาลาเรีย (MMBR) โดยการคูณด้วย 1000 ประชากรแทรกข้อความข้อมูล สอดแทรกข้อมูลภูมิภาค เช่นการ MMBR บนตารางทั่วไปสำหรับการแม็ปอาจทำ โดยวิธีเคอร์เนล แทรกแทรงความหนาแน่นของเคอร์เนลที่ใช้สร้างผิวอย่างต่อเนื่องที่แสดงถึงความหนาแน่นของเชื้อมาลาเรียที่กระจายในพื้นที่ศึกษา วิธีแทรกข้อความนี้เกี่ยวข้องกับการวางพื้นผิวสมมาตรผ่านแต่ละจุด (เช่นหมู่บ้าน), ประเมินระยะห่างจากจุดอ้างอิงตำแหน่งโดยใช้ฟังก์ชันทางคณิตศาสตร์ และรวมค่าของพื้นผิวทั้งหมดสำหรับที่ตั้งอ้างอิง ขั้นตอนนี้ถูกทำซ้ำสำหรับสถานอ้างอิงทั้งหมด ในการศึกษานี้ kernel ถูกสร้างโดยใช้ส่วนขยาย ArcGIS นักวิเคราะห์ปริภูมิ ขนาด 100 เมตรเซลล์รูปถูกใช้ในการสร้างเมล็ดทั้งหมด ให้ข้อมูลพื้นฐานสำหรับการเปรียบเทียบ การเลือกของรัศมี disperse หมายถึงระยะห่างของหมู่บ้าน (5.2 กม.), ซึ่งถูกคำนวณโดยใช้ใกล้บ้านวิเคราะห์ได้
การแปล กรุณารอสักครู่..
วัสดุและวิธีการเก็บข้อมูล
GIS แผนที่มาลาเรียครอบคลุมระยะเวลาปี 2001-2006 และ 2070 หมู่บ้านของจังหวัดเชียงใหม่ .
ข้อมูลผู้ป่วยโรคมาลาเรียและจำนวนประชากรในระดับหมู่บ้านได้จากสำนักงานสาธารณสุขจังหวัดเชียงใหม่ ( cmpho ) , ประเทศไทยระเบียนเหล่านี้รวมเรียกว่าโรคมาลาเรียรายจากโรงพยาบาลอื่น และจำนวนประชากร จากกระทรวงมหาดไทย ประเทศไทย ข้อมูลเชิงพื้นที่เป็นหมู่บ้านที่ตั้งจุดในรูปแบบไฟล์รูปร่าง ซึ่งรวบรวมจากศูนย์เทคโนโลยีและสารสนเทศทางภูมิศาสตร์ พื้นที่ ( ภาคเหนือ ) , ประเทศไทย การเตรียมข้อมูล
ส่วนนี้จะอธิบายถึงวิธีการที่ใช้เพื่อปรับอัตราอุบัติการณ์โรคมาลาเรีย ( Mir ) ข้อมูล วิธีการเริ่มต้นโดยการคำนวณโครงการตามข้อมูลที่ได้จากการปรับให้เรียบ เรียบ ( เดียว ) วิธีเชิงเบส์ [ 5 ] สำหรับปีต่อเนื่อง
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 ที่หมู่บ้านค่าโครงการเหล่านี้ซึ่งเป็นอัตราป่วยมาลาเรีย ( mmbr ) คูณด้วย 1 , 000 ประชากร .
ข้อมูลการสอดแทรกข้อมูลระดับภูมิภาค เช่น mmbr , ลงตารางปกติเพื่อวัตถุประสงค์แผนที่สามารถทำได้โดยวิธีเคอร์เนล เมล็ดพันธุ์ความหนาแน่นการใช้สร้างผิวอย่างต่อเนื่องเพื่อกระจายความหนาแน่นของเชื้อมาลาเรียในพื้นที่ศึกษาวิธีนี้เกี่ยวข้องกับการวางพื้นผิวสมมาตรผ่านแต่ละจุด ( เช่นหมู่บ้าน ) ประเมินระยะห่างจากจุดอ้างอิงตำแหน่งบนพื้นฐานของฟังก์ชันทางคณิตศาสตร์ และการสรุปค่าของพื้นผิวทั้งหมดที่อ้างอิงตำแหน่ง ขั้นตอนนี้ซ้ำสำหรับสถานที่อ้างอิงทั้งหมด ในการศึกษานี้เคอร์เนลที่ถูกสร้างขึ้น ด้วยการขยายงาน . ขนาดเซลล์ชุด 100 เมตรถูกใช้เพื่อสร้างทุกเมล็ดให้พื้นฐานสำหรับการเปรียบเทียบ การกระจายรัศมีเป็นหมายถึงระยะห่างของหมู่บ้าน ( 5.2 km . ) ซึ่งคำนวณโดยใช้การวิเคราะห์เพื่อนบ้านใกล้ที่สุด .
การแปล กรุณารอสักครู่..