Epidemiyolojide CBS Uygulamaları: Konumsal Kümeleme Yöntemlerinin Karşılaştırılması-Menenjit Örneği

Transkript

1 Harta Teknololer Elektronk Dergs Clt:, o:, 010 (3-31 Electronc Journal of Map Technologes Vol:, o:, 010 (3-31 TEKOLOJİK ARAŞTRMALAR e-ss: Makale (Artcle Epdemyolode CBS Uygulamaları: Konumsal Kümeleme Yöntemlernn Karşılaştırılması-Menent Örneğ Saffet ERDOĞA Afyon Kocatepe Ünverstes Mühendslk Fak. Harta Müh. Böl., 0300 Afyonkarahsar/TÜRKİYE 1. GİRİŞ Özet Günümüzde coğraf blg sstemler epdemyolok uygulamalarda, hastalık verlernn görselleştrlmesnde ve analznde oldukça popüler br araç olmuştur. Coğraf blg sstemler bünyesnde kullanılan konumsal ve zamansal analzler toplum sağlığı ve çevresel uygulamalarda, hastalıkların yoğunlaştıkları yerlern tesptnde kullanılmaktadır. Bu çalışma, kamu sağlığı açısından gerekl koruyucu önlemlern alınması çn coğraf blg sstemler destekl konumsal analzlerle menent hastalığının yoğunlaştığı yerlern belrlenmesn hedeflemektedr. Sonuçlar ülkemzde bu hastalığın dağılımının tesadüfî olmadığını ve kümelenme özellğ gösterdğn belrlemştr. Bu çalışma le konumsal analz uygulamalarının hastalıkların epdemyolosn anlamada öneml olduğu gösterlmştr. Yne bu analzlern kullanımıyla hastalıklar açısından yüksek rsk taşıyan yerlern belrlenmes ve uygun koruyucu önlemlern alımında etknlk sağlanacağı açıktır. Anahtar Kelmeler: Coğraf Blg Sstemler (CBS, Konumsal Analz, Konumsal Oto-Korelasyon, Menent GS Applcatons n Epdemology: A Comparson of Spatal Clusterng Methods-Example of Menngococcal Abstract Geographcal nformaton system technology has been a popular tool for vsualzaton and analyss of dsease data n epdemology. Geographcal nformaton systems aded spatal and temporal analyss can be used to detect dsease clusterng n publc and envronmental health researches. Ths study amed to explore geographcal nformaton systems aded spatal analyss of dstrbuton of menngococcal between provnces of Turkey to mplement precautonary measures and provsons by health agences for publc health. Results of analyses ndcated that ths dsease s not spatally random and form clusters n the country. Spatal analyses and statstc sgnfcantly contrbute to the understandng the epdemology of dseases. Wth the ad of these analyses, t wll be effectve to montor and dentfy hgh rate dsease locatons or regons, and to mplement precautonary measures and provsons. Keywords: Geographcal İnformaton System (GS, Spatal Analyss, Spatal Autocorrelaton, Menngococcal Blgsayar kullanımındak gelşmelere paralel olarak coğraf blg sstemler (CBS kavramı da dğer brçok ülkeler gb ülkemzde de sıklıkla kullanılmaya başlanmıştır. Günümüzde CBS, genş uygulama alanları bulmuş ve coğraf vernn analzn gerektren problemlern çözümünde anahtar br rol oynamaktadır. Konuma dayalı statstksel metotların CBS bünyesnde artması da CBS nn farklı dsplnlerce kullanımını artırarak dsplnler arası şbrlklernn yaygınlaşmasına olanak sağlamıştır [1]. Bu makaleye atıf yapmak çn Erdoğan, S., Epdemyolode CBS Uygulamaları: Konumsal Kümeleme Yöntemlernn Karşılaştırılması-Menent Örneğ Harta Teknololer Elektronk Dergs 010, ( 3-31 How to cte ths artcle Erdoğan, S., GS Applcatons n Epdemology: A Comparson of Spatal Clusterng Methods-Example of Menngococcal Electronc Journal of Technologes, 010, ( 3-31 Map

2 Teknolok Araştırmalar: HTED 010 ( 3-31 Epdemyolode CBS Uygulamaları Bu dsplnlere örnek olarak; coğrafya, kartografya, uzaktan algılama, matematk, statstk, yönetm, nşaat mühendslğ, meteorolo, kıyı coğrafyası, şehr ve bölge planlama, ormancılık, ölçme ve yer blmler gösterleblr. Son zamanlarda da sağlık coğrafyası, epdemyolo, hzmet yönetm, arkeolo, hukuk ve eğtm konuları yen CBS uygulama alanları olarak ortaya çıkmıştır []. CBS nn son zamanlarda sıklıkla kullanılmaya başlandığı sağlık coğrafyasında, konumsal analzler temelde k farklı alt dsplnde kullanılmaktadır. Bunlardan hastalık coğrafyası ya da epdemyolo olarak adlandırableceğmz brncs, hastalıkların coğraf dağılımının, yayılma hızının ve görülme sıklığının ve de ekolok lşklernn ncelendğ br dsplnken, sağlık hzmetler coğrafyası da dyebleceğmz kncs se sağlık planlaması ve sağlık hzmetlernn yönetmne mekânsal br bakış açısıyla olanak sağlayan dğer dspln dalıdır. İlk kategorde yer alan halk sağlığı le lgl epdemyolok çalışmalarda sıklıkla kullanılan CBS ve konumsal analzler, hastalıkların coğraf dağılımının ve zamansal-konumsal kümelenmelernn belrlenmesnde, hastalıkların görüldüğü lokasyonların tesptnde, hastalık görülme sıklığı ve rsk altındak popülasyonları hartalandırmada ve rsk faktörlern belrlemede büyük kolaylıklar sağlamaktadır [, 3]. CBS bünyesnde yapılan hastalık hartaları hastalıkların nasıl br coğraf dağılım gösterdğn, yoğunluk bölgelernn nereler olduğu göstermede görsel açıdan oldukça kuvvetldr. Bununla beraber görselleştrme CBS uygulamalarının sadece lk adımıdır. İknc adımda, CBS bünyesndek konumsal statstksel yöntemlern kullanımı, hastalıkların zamansal ve konumsal kümelenmelern tespt ederek öncelkl alanların belrlenmesnde, hastalığın zlenmes ve hastalık etyololernn anlaşılmasında araştırıcı-keşfç br rol oynamaktadır. Bu aşamada kullanılan araştırıcı konumsal statstksel yöntemler hastalığa lşkn verlern yapısını ve dağılımının belrlenmesnde, çevreyle olan etkleşmlern, sıcak ya da soğuk nokta olarak ntelendrdğmz hastalıkların yoğun ya da düşük olarak belrdğ yerlern tesptnde ve hastalıklara yönelk modellern tespt edlmesnde oldukça etkldrler. Bu yöntemler, konumsal hastalık verlerndek tesadüf olmayan kümelenmeler belrlemede oldukça etkl olmasına rağmen, bu kümelenmeye neden olan mekanzmaları açıklamadan uzaktır. İşte üçüncü adım olan konumsal modelleme sürecde, hastalık verler le dağılımına etk edecek ekolok etkenlernn modellenmesn hedeflemektedr. Konumsal modelleme yöntemler kullanılarak hastalığa ve dağılımına etk eden ekolok nedenlere lşkn hpotezler test edleblmektedr [4]. Bu çalışmada, konumsal modelleme yöntemler başka br makaleye bırakılarak, farklı dsplnlerde de kullanılan konumsal kümelenme yöntemler tanıtılmış ve Türkye Sağlık Bakanlığından elde edlen menent vakaları verler kullanılarak konumsal kümeleme yöntemlernn br karşılaştırması yapılmış, CBS ve konumsal analz teknkler kullanılarak hastalığın yoğun olarak görüldüğü yerlern tespt edlmesne yen br yaklaşım getrlmştr.. KOUMSAL KÜMELEME YÖTEMLERİ Kümeleme analz, gruplandırılacak verler, benzerlklerne göre alt sınıflara ayırarak açıklayan ve son yıllarda popüler olan, çok değşkenl statstksel yöntemlerden brdr. Br çalışmada yer alan değşkenler tbar le olgular ya da nesneler arasındak benzerlkler ya da farklılıkları esas almak suretyle, benzer breylern aynı gruplarda-kümelerde toplanması ve yen br breyn hang gruba dahl olduğunun tahmn edlmes kümeleme analzlernn temeln oluşturmaktadır. Hastalıklar açısından kümeler se yüksek nsdans odaklarıdır. ABD Hastalık Kontrol Merkez se hastalık kümesn yer ve zamanda brlkte gruplanan ve sağlık örgütüne bldrlmş olan sağlık olaylarının, gerçek ya da gözle görülür şeklde sıra dışı yığılması şeklnde tanımlamıştır []. Kümeleme yöntemler üç alt başlık altında nceleneblr. Bunlar, hastalıkların zamansal kümelenmelern ortaya çıkarmaya yönelk yöntemler, hastalıkların konumsal kümelenmelern ortaya çıkarmaya yönelk yöntemler ve hastalıkların konum-zaman kümelenmelern ortaya çıkarmaya yönelk yöntemlerdr. Bu yöntemlern ortak amacı araştırmacıya araştırdığı küme hakkında gerek görsel gerek se sayısal blg 4

3 Erdoğan, S. Teknolok Araştırmalar: HTED 010 ( 3-31 vermektr. Br coğrafk bölgede hastalıkların konum, zaman ya da konum -zaman dlmnde kümelenme yapıp yapmadığının blnmes hastalığın epdemyolok kalıplarının çıkarılması ve alınacak sağlık ve sosyal tedbrler bakımından son derece önemldr. Bu çalışmada sadece konumsal kümeleme yöntemler hakkında blg verlecektr. Herhang br t zaman peryodunda br bölgedek veya bölgenn alt yerleşm yerlernde görülen hastalıkların gözlenen yapısının sadece şans eser m oluştuğu yoksa statstksel yöntemlerle bölgede görülen hastalığın kümelenmesnn anlamlı mı olduğu, eğer anlamlı se bu kümelenme yerlernn görsel olarak hartalarda gösterlmes ve tespt edlmes gb yapılan genel çalışmalar hastalıkların kümelenmelern ortaya çıkarmaya yönelk konumsal kümeleme yöntemler le gerçekleştrlmektedr. Konumsal kümeleme yöntemler kend aralarında üç grupta toplanablr. Bunlardan lk global testlerdr. Global testler ncelenen ver kümesnde herhang br kümelenme olup olmadığını rdeleyen statstksel ndslerden oluşmaktadır. Bu testler sadece sayısal büyüklüklerden baret olup kümelenmelern yern göstermezler. Eğer kümelenmelern yer hakkında blg ednmek styorsak knc grup olan lokal testlere başvurmamız gerekr. Global testler br bölgede hastalığın genel yapısı le lglenrken, lokal testler hastalıkla lgl br kümelenme olup olmadığını ve de varsa yern göstermeye yardımcı olan statstksel ndslerden oluşur. Üçüncü grup testler se odaklanmış testlerdr. Bu testler hastalıklarla lgl ön blgler varsa ve ekolok etkleşmler hakkında blg sahb olunduğu durumlarda hastalık rsknn yüksek olableceğ yerlere lşkn kümelenme olup olmadığını test eden ndslerdr. Bu üç ana konumsal kümeleme metotlarının uygulanışı da ver tplerne göre de üç kategorye ayrılır. okta ver, alan ver ve eostatksel sürekl verlerde kullanılan kümeleme testler de farklılaşmaktadır [5]. Bu çalışmada sadece alan verlerle kullanılan konumsal kümeleme metotları anlatılacaktır. 3. ALASAL VERİLER İÇİ KOUMSAL AALİZLER Alansal verler çn söz konusu konumsal analzler genellkle dar, coğraf ya da poltk sınırlar çersnde gözlemlenen olguların bütünleştrlmesyle kullanılan analzlerdr. Alansal verler çn konumsal analzler genellkle alansal vernn dağılımını ve dağılımındak kümelenme ve trendler belrlemede kullanılmaktadır. Alansal verlern analznde kullanılan konumsal analzler brnc dereceden analzler ve knc dereceden analzler olarak k farklı grupta kategorze edleblrler. Bunlardan brnc dereceden analzler, verlern mekandak değşmn ncelerken knc dereceden analzler se verler arasındak konumsal kovaryansları ncelemektedr. Bu nedenle brnc dereceden analzler (kernel yoğunluk analz, kayan alanlar teknkler gb verlerdek değşm le global ve bölgesel trendler bulmayı hedeflerken knc dereceden analzler verler arasındak konumsal bağımlılığı ve konumsal bağımlılığın değşmn bulmayı hedefler. Bunun çnde knc dereceden analzler konumsal oto-korelasyon ve sem-varogram değerlern kullanır. Konumsal oto-korelayon br noktada gözlemlenen değşkenn komşu lokasyonlarda gözlemlenen değşkenlerden bağımsız olup olmadığını test etmek çn kullanılır. Konumsal otokorelasyon poztf ya da negatf değerler alır. Poztf değerler komşu lokasyonlarda gözlemlenen değşkenlern doğrusal olarak brbrlern etkledğn şaret ederken (brbrne benzer değerlern toplanması-küme negatf değerler se komşu lokasyonlarda gözlemlenen değşkenlern ters olarak brbrlern etkledğne şaret eder (brbrne benzemeyen değerlern br arada bulunması-aykırılıklar. Sık kullanılan knc dereceden analzlerden bazıları Jon Count Analz, Turnbull nds, Rpley s K, Geary s c, Moran s ndsler olarak sayılablr [4]. 4. MATERYAL VE METOT Çalışmada Sağlık Bakanlığından elde edlen yıllarına at llere göre menent vakaları verler analz edlmştr. Türkye İstatstk Kurumundan yıllık nüfus artışı ve yıl ortaları çn nüfus popülasyonu tahmnler elde edlmştr. Verlern analznde ve görselleştrlmelernde farklı yazılımlar kullanılmıştır. Bunlar, ESR tarafından gelştrlen ArcGS 9.3, llnos Ünverstes Sosyal Blmler Merkeznden Luc Anseln tarafından gelştrlen GeoDa ve Terraseer şrket tarafından gelştrlen Clusterseer..8.1 ve Martn Kulldorf tarafından gelştrlen SaTScan yazılımlarıdır [6, 7]. 5

4 Teknolok Araştırmalar: HTED 010 ( 3-31 Epdemyolode CBS Uygulamaları İllere göre vaka sayıları ve yıl ortası popülasyon tahmn verler kullanılarak yılları çn toplam 11 yıllık l bazında menent morbdte oranları hesaplanmıştır. İller arasındak konumsal lşky modellemek çn farlı ağırlık matrsler kullanılarak denemeler yapılmıştır. Ağırlık matrsler alansal brmler arasındak konumsal bağıntıyı modellemede kullanılan ve analz sonuçlarına drek etks olan en öneml unsurdur. Her alansal brmn dğer brmlerle olan konumsal komşulukları ağırlık matrsler aracılığıyla anlamlandırılmaktadır. Bu bağlamda ağırlık matrsn oluşturmak çn farklı metotlar bulunmaktadır. Bunların başlıcaları, komşuluk krter kullanılarak oluşturulan matrslerdr k bast sınır paylaşımından başlayıp brnc, knc ve üçüncü derece komşulukları da göz önüne alan metotlardır. Dğer bazı teknkler se mesafe ve sınır paylaşımları krterlerne dayalı teknklerdr [4]. Bu çalışmada ağırlık matrsn elde etmek çn farklı denemeler yapılmıştır. Brnc ve knc matrsler en yakın 6-1 komşu le yakınlık krterne dayalı olarak bçmlendrlmştr. Yakınlık krter olarak da alansal brmlern ağırlık merkezlernn brbrlerne olan uzaklıkları kullanılmıştır. Üçüncü matrs se alansal brmler arasındak mesafenn ters olarak ağırlıklandırılmasıyla oluşturulmuştur. Bütünleştrlmş verler kullanılarak yapılan hastalık hartalandırılması çalışmalarında seyrek nüfusa sahp olan alansal brmlerde ya da vaka sayısının az olduğu alansal brmlerde hesaplanan morbdte değerlernde, küçük sayı problem de denlen varyans kararsızlığına bağlı olarak yanlış yorumlamalar mümkün olablmektedr. Bu nedenle mod ya da medyana dayalı teknklerle, ya da son zamanlarda sıklıkla kullanılan Bayesan statstklerne dayalı yumuşatma-düzeltme yöntemler kullanılarak oranlardan varyans dengeszlğne dayalı rasgele bleşenn etksn uzaklaştırmak çn kullanılmaktadır. Bu çalışmada da morbdte oranlarının hartalanmasında amprk Bayes yumuşatma teknğ kullanıldı ve ham morbdte oranları çn düzeltlmş değerler hesaplandı. Yumuşatmanın ardında yatan ana fkr dğer seyrek nüfusa sahp ya da vaka sayısının az olduğu alansal brmler de göz önünde bulundurarak gerektğnde onların morbdte değerlern de hesaplamalara katmak suretyle varyans kararsızlığını ortadan kaldırmaktır. Metodolok detaylar ve amprk Bayes metodunun daha fazla açıklaması çn [8] e bakılablr. Amprk Bayes metodu kullanılarak düzeltlen morbdte oranlarına lşkn tematk harta Şekl 1 de gösterlmektedr. Şekl 1: Düzeltlmş Morbdte Hartası Sonrak aşamada morbdte değerler kullanılarak kayan alanlar teknğne dayalı br konumsal yumuşatma analz yapılmıştır [8]. Konumsal yumuşatma analz her br alansal brm çn bağımsız br oran hesaplamak yerne her br alansal brm çn ağırlık matrsyle anlamlandırılmış komşuluk lşksne göre tanımlanmış dğer alansal brmlern etklern de göz önünde bulundurarak morbdte verlern yenden hesaplamakta bu da morbdte değerlerndek global değşm ve eğlmlern belrlemeye yönelk olarak kullanılmaktadır. Konumsal yumuşatma analz le oluşturulan tematk harta Şekl de görülmektedr. 6

5 Erdoğan, S. Teknolok Araştırmalar: HTED 010 ( 3-31 Şekl : Konumsal Oran Hartası Oransal analzlerde sıklıkla kullanılan dğer br kavram olan standardze edlmş morbdte oranları, gözlemlenen morbdte oranlarının ulusal br standarda dönüştürülmes şlemdr. Aşan rsk oranı se alansal brmlerde gözlemlenen oranların standart orana olan oranıdır. Bu rsk ortalaması ortalama alansal brm oranı olmamakla beraber toplam vakaların toplam rsk altındak nsanlara oranıdır. Morbdte değerler çn aşan rsk oranlarını gösteren tematk hartalar Şekl 3 de gösterlmektedr. Her br harta dağılımı en y şeklde yansıtması çn Jenks n doğal sınıflandırma metoduna göre sınıflandırılmıştır. Şekl 3: Rsk hartası Sonrak aşamada da alansal brmlerdek konumsal bağımlılığa dayanarak kümelenmey belrlemek üzere farklı ağırlık matrslern de kullanarak sık kullanılan üç genel konumsal kümeleme metodu kullanılmıştır. Bunlardan lk ks Moran ve Geary c metotlarıdır. Moran ın ndeksnn olası değerlernn aralığı -1 le +1 arasında değşr. Poztf değerler benzer değerlern konumsal kümelenmesn (sıcak-soğuk nokta, negatf değerler se farklı değerlern kümelenmesn gösterr (aykırı noktalar. Geary nn c ndsnn olası değer aralığı se 0- dr. c nn sıfır değerne yakın olması, benzer değerlern dağılımının kümelendğn (sıcak-soğuk nokta, aksne c nn değernn ye yakın olması se farklı değerlern (aykırı noktalar kümelendğn göstermektedr. Moran ve Geary c konumsal bağımlılığı ölçmek çn morbdte değerler 7

6 Teknolok Araştırmalar: HTED 010 ( 3-31 Epdemyolode CBS Uygulamaları büyüklüklern kullanır. Matematksek formüller aşağıda gösterlmştr. Burada W ağırlık matrsn de ortalamayı göstermektedr [9]. 1 1 ( 1 W ( X X ( X W ( 1 X ( X X (1 ( W W ( X X ( X X Moran ın ndsnn statstksel olarak anlamlılığı normal dağılım formüller ya da benzetm teknkleryle belrleneblmektedr. Metotların anlamlılığını belrlemeye yönelk kullanılan sıfır hpotez obenn aldığı değern mekana bağlı olmadığını kabul eder, aks durumda da mekana bağlı olduğu kabul edlr. Sonuçların önemnn test edldğ Z değernn matematksel formüller aşağıda gösterlmştr. Burada Co ve o gözlenen değerler, Ce ve e beklenen değerler ve SD standart sapmayı göstermektedr [9]. ( c c o E Z c, SDc E SD O E Z (3 E Moran ve Geary c metotları yüksek ya da düşük değerlern kümelenmesn göstermekle beraberler k durumu brbrnden ayırt edemez. Bu nedenle üçüncü olarak genel G statstk ndeks kullanılmıştır. G statstk ndeks düşük ya da yüksek değerlern kümelenmesnn anlaşılmasında sıklıkla kullanılmaktadır [10]. G statstk değer beklenen G statstk değernden daha büyükse yüksek değerlern kümelenmesne, tersne küçük G statstk değerler de düşük değerlern kümelenmesne şaret etmektedr. Gözlemlenen ve beklenen G ndeksler le z değernn matematksel formüller aşağıda verlmştr [9]. G( g w ( X X ( X X W G b ( d n( n 1 (4 Global Konumsal analz değerler Tablo 1 de gösterlmektedr. Tablo 1: Global Konumsal analz değerler Metot Değerler Moran değer (Mesafenn ters Beklenen değer İstatstksel Anlamlılık düzey >0.05 Moran değer (en yakın 6 komşu etks göz önünde bulundurularak İstatstksel Anlamlılık düzey <0.05 Moran değer (en yakın 1 komşu etks göz önünde bulundurularak İstatstksel Anlamlılık düzey <0.05 Geary c değer 1.05 İstatstksel Anlamlılık düzey <0.05 Gets- Ord G değer 0.67 İstatstksel Anlamlılık düzey >0.05 8

7 Erdoğan, S. Teknolok Araştırmalar: HTED 010 ( 3-31 Bu knc dereceden global konumsal ver ndsler statstksel olarak anlamlı kümelenmelern varlığına şaret edeblmelerne rağmen kümelenmenn yerlern gösteremezler. Konumsal kümelenmey belrleme verlerdek her br alansal brm çn global konumsal ver ndslernn lokal versyonlarını hesaplamakla mümkün olablr. Bu çalışmada lokal Moran ve G statstksel ndeksler hastalığın kümelendğ yerler belrlemek çn kullanılmıştır. Lokal Moran değer brbrne benzer ve benzer olmayan değşkenlern oluşturduğu kümelenmelern araştırılması çn kullanılır. İstatstksel olarak yüksek br değer lgl alanın etrafındak alanlarında yüksek ya da düşük değerlerle kümelenme oluşturduğunu, düşük değer se brbrne benzemeyen değerlern oluşturduğu kümelenmey göstermektedr. Z değer de değernn statstksel anlamlılığını gösterr. Lokal Moran ve z statstğnn formüller aşağıda gösterlmştr [11]. ( X X W ( X X S Z( E( Var( (5 İknc olarak global konumsal oto-korelasyon metotlarıyla belrlenemeyen bölgesel kümelenmeler belrlemek çn lokal G ndeks kullanılmıştır. Genellkle sıcak ya da soğuk alanların belrlenmesnde kullanılmaktadır. Yüksek br G değer yüksek değerlere sahp alanların kümelendğn, düşük değerl G değer de, düşük değere sahp alanların kümelendğne şaret eder. W matrs ağırlık matrsler olmak üzere G ve z statstklernn matematksel formüller aşağıda gösterlmektedr [10]. G ( d W ( d X X Z( G İ G İ E( G Var ( G İ İ (6 Üçüncü olarak Martn Kulldorff tarafından gelştrlen konumsal tarama test kullanılarak menent hastalığının konumsal kümelenmes araştırılmıştır. Bu test, hastalık vakalarını ve etks altındak potansyel nüfusu da göz önünde bulundurarak belrlenen br yarıçapa sahp br alanın araştırma yapılacak bölge üzernde taranması ve tarama yapılan bölgede beklenen ve gözlenen hastalık vakalarının sayılarının karşılaştırılması prensbne dayalı olarak çalışmaktadır [1]. Kulldorf tarafından gelştrlen SaTScan yazılımı kullanılarak yapılan analzlerde menent vakalarının posson dağılımına uygun olarak dağıldığı kabul edlerek tarama yaptırılmıştır. Analzlerle belrlenen kümelern statstksel olarak anlamlılığı Monte Karlo smülasyon teknğ kullanılarak ve 9999 benzetmle ve yanılma payı 0.05 kabul edlerek tespt edlmştr. Şekl 4: Kümeleme hartaları 9

8 Teknolok Araştırmalar: HTED 010 ( 3-31 Epdemyolode CBS Uygulamaları 5. SOUÇLAR Bölgeye lşkn farklı konumsal kümeleme teknkler le oluşturulan tematk hartalar statstksel olarak anlamlı kümelemeye sahp yerlern gösterm ve karşılaştırılması çn en öneml araçlardan brdr. Konumsal oran analzler le hastalığın ülkemzdek eğlm ncelendğnde (Şekl menent morbdtesnde kesn br eğlm görülememekle beraber Dyarbakır ve Zonguldak llerne yönelk çok net olmayan br artış eğlm olduğu söyleneblr. Kümelenmenn tespt çn lk olarak global oto-korelasyon analzlernden Moran, Geary c ve Gets-Ord Genel G ndsler kullanılmıştır. Tablo 1 de global kümelenme analz sonuçları görülmektedr. Tablodan da görüldüğü üzere Türkye de menent dağılımının kümelenmes sadece Geary c ve Moran (Mesafenn ters ndsler anlamlı olarak tespt edleblmştr (p<0.05. Gets Ord G değer ve de Moran nın dğer ağırlık matrsleryle hesaplanmış değerlernden statstksel olarak anlamlı br kümelenme tespt edlememştr. Global oto-korelasyon ndeksler her ne kadar genel br kümelenmey şaret etseler de bu ndeksler tek başlarına br özet ndekstr. Bununla beraber genel dağılımın altında kalan bölgesel kümelenmeler olablmektedr. Bu nedenle de lokal konumsal oto-korelasyon analzlernden olan Moran ve G ndsler kullanılmış, sonrada tarama test yapılarak kümeleme araştırmaları yapılmıştır. Analz sonuçlarına göre turkuaz renkle seçlen obeler (Şekl 4 G statstk metoduyla anlamlı olarak hastalığın kümelendğ ller (İçel, Kls, Şanlıurfa, Batman, Bngöl ve Dyarbakır, leant da belrtldğ üzere kırmızı le gösterlen yüksek-yüksek kümelenmeler se Lokal Moran metodu le kümelenmes belrlenen ller (Gazantep, smler altı çzg le yazılan ller se tarama metodu le anlamlı olarak belrlenen ller göstermektedr. (Şanlıurfa, Mardn, Gazantep, Adıyaman ve Dyarbakır p<0.05. Metotlarda farklılıklar olmasına rağmen hastalığın yoğulaştığı llere yönelk genellkle aynı bölgeler şaret etmşlerdr. Gazantep, Şanlıurfa ve Dyarbakır ller brden fazla kümeleme analz le tespt edlen llerdr. 6. ÖERİLER İRDELEMELER Türkye nn bölgeler arasındak coğraf, ekonomk ve kültürel farklılıklar yüzünden bazı hastalıkların dağılımların da farklılık göstermes bekleneblmektedr. Bu çalışma, ülkemzde CBS kullanılarak, Sağlık Bakanlığı kayıtlarına göre, menent vakaları dağılımının ve kümelenmesnn belrlenmesne yönelk yapılan lk çalışmadır. Hastalıkların kontrolü ve yönetm, hükümetler ve sağlık kuruluşları çn öneml br görev oluşturmaktadır. Konumsal analz destekl CBS uygulamaları le hastalıkların kümelenmelernn belrlenmes, hastalığın durumunun anlaşılmasına ve nerede ne zaman nasıl önlem alınacağına destek olmaktadır. Konumsal analzler, lglenlen problemn konumsal konumunu da dkkate alarak, onların lşklernn ve ntelklernn belrlenmes çn kullanılır. Bununla beraber bu analzlern başarısı analzlerde kullanılan resm kurum kaynaklarından gelen verlern güvenlrlğne, kapsamına ve doğruluğuna bağlıdır. Bundan dolayı halk sağlığına yönelk CBS kullanımı ver kaltesne ve konumsal özellklere bağlıdır. Yne ülkemzde adresleme ver tabanı tam olarak oturtulamadığından analzler, raporlar ve resm kurum blgler ller bazında bulunablmektedr. Bu nedenler analzler noktasal anlamda ya da daha küçük ölçektek alt brmlerde tutularak analz edlememektedr. Verlern üst düzeyde analz daha alt düzeyde olablen kümelenmelern üzern örteblmektedr. Yne bu tür çevresel çalışmalarda kullanılan alansal very htva eden l sınırları ekolok sınırlar olmayıp genş alanları kapsayan dar sınırlardır. Bu nedenle bu sınırların değşeblmesnden kaynaklanan değşeblr alan sınırı problem olarak da adlandırılan ve yanlış yorumlamalara sebep olablecek ekolok hatalara dkkat edlmel ve yorumlamalarda azam dkkat gösterlmeldr. Sonuç olarak bu çalışma, hastalığın önlenmesnde koruyucu önlemlern alınması çn tespt edlen llern öncelkl bölge olması gerektğn göstermektedr. Bu çalışma aynı zamanda coğraf blg sstemlernn, 30

9 Erdoğan, S. Teknolok Araştırmalar: HTED 010 ( 3-31 bu sstemlern çatısı altında gerçekleştrlen konumsal analz ve statstksel yöntemlern hastalık hızının yüksek olduğu yerler belrlemede ve hastalıkların epdemyolosn anlamada katkıda bulunableceğn de göstermektedr. OT: Bu araştırmanın lk sonuçları 0-05 Temmuz 008 tarhler arasında gerçekleşmş olan 5th nternatonal Conference on Geographc nformaton Systems adlı sempozyumda bldr olarak sunulmuştur. 7. KAYAKLAR 1. Erdoğan S., 008, Spatal Analyss Of The Dstrbuton Of Menngococcal n Turkey, 5th nternatonal Conference On Geographc nformaton Systems -5 July, Fath Unversty, stanbul- Turkey, Sf Özgür, L., 008, Coğraf Blg Sstemlernde Sağlık Uygulamaları Afyonkarahsar Örneğ, Y. Lsans Tez, FBE, Afyon Kocatepe Ünverstes 3. Durduran, S.S., Erd, A., Kara, F., Durduran, Y., 005, Coğraf Blg Sstem Yardımıyla Fenlketonür Hastalığının İzlenmes: Konya Örneğ, 3. Cograf Blg Sstemler Blşm Günler, Ocak, İstanbul 4. Hanng, R.P., 005, Spatal Data Analyss: Theory And Practce, Cambrdge: Unversty Pres 5. Cresse,., 1993, Statstcs For Spatal Data ew York: Wley 6. Anseln, L., 004, Geoda 0.95 Release otes, Urbana-Champagn, l: Spatal Analyss Laboratory (Sal, Department Of Agrcultural And Consumer Economcs, Unversty Of llnos 7. Kulldorf, M., 006, Satscan User Gude For Verson Anseln, L., Lozano, L., Koschnsky, J., 006, Rate Transformatons And Smoothng, Spatal Analyss Laboratory Department Of Geography Unversty Of llnos, Urbana-Champagn 9. Mtchell, A., 005, The ESR Gude to GS Analyss Volume : Spatal Measurements, Calforna: ESR Press 10. Gets, A., Ord, J.K., 199, The Analyss Of Spatal Assocaton By Use Of Dstance Statstcs, Geographcal Analyss; 4, Sf Anseln, L., 1995, Local ındcators Of Spatal Assocaton-Lİsa, Geographcal Analyss, 7: Kulldorff, M, agarwalla., 1995, Spatal Dsease Clusters: Detecton And nference, Statstcs n Medcne, 14, Sf