analisis spasial

Pemetaan retrospektif terbatas Dzivaresekwa dan Kuwadzana pinggiran kota. Dilatih asisten kesehatan masyarakat digunakan genggam global positioning system (GPS) perangkat (Garmin eTrex HC) untuk merekam koordinat tempat tinggal dari Kasus-pasien yang terdaftar dalam register individu. Lokasi dari sample sumber air (termasuk lubang bor, keran dan sumur) yang diperoleh dari Pusat Pengendalian dan Pencegahan Penyakit dalam penelitian yang dilakukan selama epidemi. Setiap kasus-pasien dalam daftar baris ini disebabkan satu titik, dengan beberapa kasus pasien dalam rumah tangga yang ditugaskan satu poin masing-masing.

Untuk titik kontrol kami menulis R [23] kode untuk menghasilkan acak poin GPS di setiap Dzivaresekwa dan Kuwadzana pinggiran kota, batas-batas geografis yang dibatasi oleh shapefile. Kode ini yang dihasilkan poin berurutan pada lokasi secara acak dalam batas-batas shapefile. Kami dihasilkan satu titik kontrol acak untuk setiap kasus pasien dalam daftar baris yang alamatnya berhasil ditelusuri dan dicatat. Jumlah akhir dari poin yang dihasilkan dalam setiap pinggiran sebanding dengan ukuran populasi relatif (949 di Dzivaresekwa dan 1263 di Kuwadzana) untuk memastikan distribusi yang relatif homogen dari titik kontrol dalam wilayah pemukiman. Kami dihasilkan poin berurutan sampai kami mencapai ini ukuran sampel yang diinginkan (949 dan 1263), hanya pada titik-titik yang bertepatan dengan lokasi struktur perumahan ketika divisualisasikan di Google Earth (Google 2013). Kontrol ini digunakan untuk mengatur perkiraan spasial risiko demam tifoid untuk distribusi spasial heterogen tinggal di daerah penelitian (by K fungsi perbedaan, pelabelan acak, dan spasial statistik pemindaian Kulldorff itu), menurut metode rinci di bawah ini.

Kami menggunakan pendekatan 'cases-control' untuk mendeteksi pengelompokan spasial (daerah di mana ada pengelompokan spasial yang signifikan peristiwa), di mana 'kasus' (case-pasien) mewakili risiko spasial penyakit dan 'kontrol' (yang dihasilkan komputer) mewakili distribusi geografis penduduk didaerah penelitian. Kami membangun titik dataset pola spasial yang terdiri dari lokasi kasus-pasien dan titik kontrol, yang kami mewakili pada peta. Itu intensitas kasus dan kontrol (jumlah kejadian per kilometer persegi) adalah dihitung oleh Kernel teknik smoothing; mean square error dari Kerneldigunakan untuk memilih parameter bandwidth. Secara singkat, Kernel Teknik smoothing melibatkan fungsi tiga dimensi (kernel), yang scan pada daerah tertentu, memperkirakan intensitas kejadian dalam 'lingkup pengaruh'(ukuran yang didefinisikan oleh 'bandwith') di setiap lokasi, dan pembobotan ini menurut jarak dari titik yang diperkirakan. Hasilnya adalah permukaan merapikan, ketinggian yang pada suatu titik tertentu adalah estimasi intensitas acara.

Skala dan pentingnya pengelompokan geografis dieksplorasi dengan Ripley K fungsi, dalam metode yang dijelaskan secara rinci di tempat lain. Secara singkat, fungsi K menggambarkan ketergantungan spasial dalam penataan peristiwa dari jenis yang sama; di mana ada pengelompokan peristiwa, kelebihan Peristiwa pada jarak pendek diamati. Fungsi K dapat diplot sedemikian rupa sehingga K (s) muncul pada sumbu y terhadap jarak pada sumbu x. Variasi spasial distribusi penduduk, bagaimanapun, cenderung menyebabkan semua didasarkan populasi-peristiwa, termasuk kasus-kasus penyakit, untuk cluster independen dari setiap proses lainnya, seperti dinamika penularan penyakit. Untuk mengoreksi tata ruang distribusi tinggal di daerah penelitian, kami membangun sebuah model untuk menyimpulkan Risiko spasial infeksi S. Typhi dengan membandingkan fungsi K dihitung untuk kasus-pasien dengan fungsi K dihitung untuk kontrol secara acak. Perbedaan antara dua fungsi, Dhat (s), merupakan ukuranagregasi tambahan satu fungsi K atas yang lain. Kami melakukan 1000 Monte-Carlo simulasi untuk menghasilkan tingkat kepercayaan 95% untuk Dhat (s); pengelompokan dinilai telah terjadi lebih dari jarak yang Dhat (s) melebihi tingkat simulasi ini, di ambang signifikansi p50.05.

Kami memperkirakan rasio risiko log variasi spasial untuk demam tifoid, mewakili kekuatan pengelompokan kasus-pasien relatif terhadap titik kontrol. Kami menggunakan metode cross-validasi untuk memilih parameter bandwidth yang umum dari Kernel ketika membandingkan kasus-pasien dan titik kontrol. Teknik ini adalah diterapkan untuk semua minggu dan juga dengan timbulnya gejala untuk memberikan gambaran epidemi dipisahkan oleh waktu. Data mingguan digunakan untuk membangun file film menunjukkan evolusi rasio risiko log selama satu epidemi. Kami menilai pentingnya clustering dengan random Teknik pelabelan, menggunakan 1.000 Monte-Carlo simulasi untuk mendapatkan batas atas dan batas keyakinan yang lebih rendah. Statistik memindai spasial Kulldorff itu, tes eksplisitkeberadaan kelompok, digunakan untuk mengkonfirmasi pengelompokan. Secara singkat,menghitung tingkat lokal penyakit dalam lingkaran pemindaian berbagai ukuran dengan menempatkanlingkaran pada setiap kasus dan kontrol titik dan menghitung uji rasio kemungkinanpotensial cluster dengan membandingkan hipotesis nol (bahwa risiko penyakit sama dalam dan di luar lingkaran) dengan hipotesis alternatif (yang ada risiko penyakit tinggi di dalam lingkaran); lingkaran dengan kemungkinan maksimum adalah sebagian kelompok mungkin. Semua analisa dilakukan dengan R versi 2.15.0

HasilDeskriptif Epidemiologi Pertama kasus pasien demam tifoid terdeteksi selama epidemi ini dilaporkan pada tanggal 10 Oktober (minggu 41) 2011. Pada 17 Maret 2012, total 3.795 kasus demam tifoid telah dilaporkan, yang 62 (1,2%) yang dikonfirmasi oleh diagnosis laboratorium. Dua kematian dilaporkan, sesuai dengan kasus kematian rasio 0,05%. Dzivaresekwa dan Kuwadzana menyumbang 2.570 (67,7%). Di kota satelit ini, dua tahap epidemi yang dibedakan: the pertama terjadi di Dzivaresekwa dan mencapai puncaknya pada akhir November 2011, sedangkan kedua terjadi di Kuwadzana dan mencapai puncaknya pada awal Februari 2012 (Gambar. 1). Tingkat serangan Dzivaresekwa dan Kuwadzana adalah 0,66 dan 1,13%, masing-masing, dan 0,93 keseluruhan (Tabel 1). Usia rata-rata dari 2570 kasus pasien di Dzivaresekwa dan Kuwadzana adalah 15 tahun (kisaran interkuartil: 4-29 tahun). Ada kecenderungan penurunan tingkat serangan usia tertentu dengan bertambahnya usia. Wanita mengalami tingkat serangan lebih tinggi dari laki-laki dan menyumbang 1428 (55,6%) pasien. Kebanyakan kasus-pasien dimasukkan dalam analisis adalah yang pertama terdeteksi di alamat tempat tinggal mereka, sementara 135 (5,3%) kasus pasien yang dilibatkan dalam Analisis itu kasus-pasien berikutnya terdeteksi pada alamat tempat tinggal mereka.Analisis Spasial

Antara 7 dan 17 Maret 2012, kami ditelusuri dan mencatat koordinat GPS dari alamat tempat tinggal dari 2212 (86,1%) dari kasus-pasien yang tercatat dalam daftar line: 697 (31,5%) di Dzivaresekwa dan 1515 (68,5%) di Kuwadzana. Hanya casepatients ini dimasukkan dalam analisis spasial. Gambar. 2 menunjukkan distribusi geografis baku kontrol poin ('Kontrol') dan kasus-pasien ('Kasus'), sementara Gambar. 3 menunjukkan pemetaan utama intensitas titik kontrol (Gambar. 3a) dan kasus-pasien (Gambar. 3b). Gambar. 3a mengungkapkan distribusi heterogen tinggal seluruh Dzivaresekwa dan Kuwadzana, dengan intensitas titik kontrol dari 0-780 km per poin. Casepatients terkonsentrasi di dua daerah (satu di masing-masing dua pinggiran kota), dengan intensitas antara 0 dan sekitar 2500 kasus pasien per km. Perbedaan antara fungsi K untuk kasus-pasien dan titik kontrol pada berbagai jarak (Gambar. 4) mengungkapkan secara signifikan lebih pengelompokan kasus-pasien untuk jarak hingga sekitar 4,5 km dibandingkan populasi yang mendasari (p, 0,001). Dua perbedaan puncak terjadi, sekitar 1,5 dan 3,5 km. Gambar. 5 menunjukkan log risiko relatif untuk demam tifoid di seluruh epidemi, dengan bandwidth yang berbeda yang digunakan untuk menghitung fungsi kernel. Rangkaian peta menunjukkan bahwa lokasi cluster umumnya tidak terpengaruh oleh pilihan bandwidth. Metode cross validasi mengungkapkan bandwidth optimal untuk 429 m. Lokasi dari lubang bor yang diidentifikasi oleh CDC ditandai dengan silang. Gambar. 6a menunjukkan log risiko relatif untuk menemukan kasus-pasien dibandingkan dengan menemukan titik kontrol seluruh epidemi, dengan bandwidth optimal dipilih dengan metode cross-validasi, dengan kontur yang menunjukkan log penyakit risiko relatif. Pelabelan acak mengidentifikasi dua kelompok risiko penyakit: masing-masing di Dzivaresekwa dan Kuwadzana (Gambar. 6b). Kuwadzana klaster memiliki lebih besar puncak log risiko relatif, sebuah 1,8 kali lipat peningkatan (risiko relatif 56,1), dari puncak 0,6 (risiko relatif 51,8) di Dzivaresekwa.

Cluster diidentifikasi dalam jangkauan geografis yang sama oleh kedua Kulldorff itu statistik memindai spasial dan pelabelan acak (Gambar. 6c).

S1 Video adalah file video yang menunjukkan evolusi mingguan log risiko relatif demam tifoid. Ini menegaskan bahwa grafis epidemi terkonsentrasi di minggu pertama sekitar lubang bor tertentu dalam Dzivaresekwa dan kemudian bergeser ke daerah sekitar lubang bor di Kuwadzana.