Coğrafi bilgi sistemlerinde sağlık uygulamaları: Afyonkarahisar örneği

Abstract

Bu çalışmada kümelenme analizinde en çok kullanılan yöntemler hakkında genel bilgiler verilmiş olup Coğrafi Bilgi Sistemleri ve kümeleme odaklı istatistiksel analizlerin birlikte kullanımı ile Afyonkarahisar ilinde yapılan sağlık taraması sonucunda Diabetes Mellitus Tip 2 (DM: Şeker Hastalığı), Hipertansiyon (HT), Hiperlipidemi (HLD), Anemi (HB: Hemoglobin düşüklüğü) ve Tiroid hastalıklarının (TRD) dağılımları incelenmiştir.Uygulamada kullanılan veriler, merkez ilçe dâhil 18 ilçe ve bunlara bağlı 57 belediyelik-köy ile toplam 75 tarama bölgesinde, 2005 Temmuz ile 2006 Temmuz süresi içerisinde yapılan sağlık taramasından elde edilmiştir. Verilerin analizinde, ArcGIS 9.0 (Lisans no: 37157307 27004) ve erişimi her kullanıcıya açık olan GeoDA 0.95-i yazılımlarından yararlanılmıştır. Farklı nüfuslara sahip alanlarda görülen farklı sayıdaki hastalık vakalarından ve küçük sayı hatalarından kaynaklanan gürültülerin (noise), ortadan kaldırılması için Ampirik Bayes metodu kullanılmış ve hastalıkların prevalans oranları yumuşatılmış-düzeltilmiştir. Araştırma konusu olan beş hastalığın, Afyonkarahisar ilinde en fazla görüldüğü yerler tespit edilmiş, aykırı değerlerin tespiti amacıyla kutu çizgileri (box plots) uygulanmış ve bölge üzerinde trendleri hakkında bilgi edinebilmek için ise mekânsal hareketli ortalama (spatial moving average) temeline dayalı mekânsal oran (spatial rate) analizleri yapılmıştır.Araştırma sahasında hastalıkların genel kümelenmesinin tespiti için, mekânsal kümeleme yöntemlerinden Moran I ve Getis-Ord General G yöntemleri uygulanırken, lokal kümelenme analizi için Lokal Moran I ve Getis-Ord Gi* yöntemleri kullanılmıştır. Ayrıca GeoDA yazılımında lokal kümeleme yöntemlerinden Moran I'ya dayanan LISA yönteminden de yararlanılmıştır. Uygulamanın en son aşamasında, hastalıkların prevalans oranları ile Türkiye genelinde ve benzer koşullara sahip illerde tespit edilen hastalıkların görülme oranları karşılaştırılmıştır.Yapılan analizler sonucunda, Afyonkarahisar ilinde, ilçe bazında hastalıkların en yoğun görüldüğü yerleşimler, DM için Bolvadin, HT için Başmakçı, Şuhut, Emirdağ ve Sultandağ, HLD için Başmakçı, Sandıklı ve Emirdağ, HB için Dazkırı, İscehisar, Çay ve Emirdağ ve TRD için Dinar ve Şuhut ilçeleri tespit edilmiştir. Ayrıca kutu çizgileri analizi ile aykırı yerler tespit edilmiştir. DM vakalarının erkekte ve hem kadın hem erkekte görülme oranları için Bolvadin, HLD vakalarının kadınlarda görülme durumu için Merkez, HB vakalarının erkeklerde görülme durumu için, Dazkırı, Sinanpaşa, 19?40 yaş grubunda görülme durumu için Sinanpaşa, Çobanlar ve 41?64 yaş grubunda görülme durumu için Çay, İscehisar ve Dazkırı, TRD vakalarının kadınlarda, hem kadın hem erkekte, 19?40 yaş grubunda, 41?64 yaş grubu ve 65 ve üstü yaş grubunda Şuhut ve Dinar ilçeleri aykırı yerler olarak belirlenmiştir. HT vakalarında ise herhangi bir aykırılık tespit edilememiştir.Global kümelenme analizleri sonucunda, sadece HLD vakalarının erkeklerde görülme durumu için bölgede düşük değerlerin kümelendiği istatistiksel olarak anlamlı bulunmuştur. Lokal kümelenme analizi ile HLD vakalarının görüldüğü 41?64 yaş grubunda Merkez, İhsaniye, İscehisar ve Çobanlar ilçelerinde düşük değerlerin kümelendiği istatistiksel olarak anlamlı bulunmuştur. Son olarak, erişkinlerde söz konusu hastalıkların görülme oranlarının Türkiye geneli ve benzer coğrafi koşullara sahip bölgelerle kıyaslandığında, HLD için Türkiye değerleri ile yaklaşık aynı değerde, DM için Türkiye ortalamasının üzerinde, 41 yaş ve üstü yaş grubu için HT'nin benzer bölgelerdeki değerlere çok yakın olduğu sonuçlarına varılmıştır.Belirli bir alanda istatistiksel olarak anlamlı bir küme tespit edilirse, epidemiyolojik araştırmalarda hedef bölge boyutlarının küçülmesi ile yapılan sağlık harcamaları azaltılmış ve hastalığın yayılması açısından zaman kazanılmış olunur. Böyle bir kazancın sağlanabilmesi için CBS ve mekânsal istatistik temelli uygulamaların sağlık sektöründe bir bütünlük içerisinde kullanılabilmesi gerekir. Bu kapsamda tamamlanan bu çalışma, araştırma sahasında hastalıklara yönelik uygulanabilir sağlık politikalarının etkin bir biçimde kullanılabilmesi için önem taşımaktadır.Anahtar Kelimeler: Mekânsal Otokorelasyon, CBS, Mekânsal İstatistik, Diyabetes Mellitus, Hipertansiyon, Hiperlipidemi, Anemi, Tiroid hastalıkları

In this study, general information about the most common methods for clustering is given and the distribution of the Diabetes Mellitus Type 2 (DM), Hypertension (HT), Hyperlipidemia (HLD), Anemia (HB: low hemoglobin levels) and Thyroid diseases (TRD) in Afyonkarahisar province is analysed by using Geographical Information Systems and clustering focused statistical methods according to the results of health scanning.The data used in application is achieved with the health scanning between July 2005 and July 2006 at 18 townships icluding central township and 57 towns, totally 75 scanning regions. ArcGIS 9.0 (License no: 37157307 27004) and GeoDA 0.95-i (free) softwares are used for data analysis. The noise due to the different population areas with different disease case quantities and small numeric faults is eliminated with Emprical Bayes Method so prevalence ratio of diseases is smoothed. The places where these diseases in this research are mostly observed in Afyonkarahisar are determined, outlier values are detected with applying box plots, and information about the trends in the region is gained with spatial moving average based spatial rate analyses.Moran I and Getis-Ord General G methods are applied for determinig the spatial general clustering of the diseases in the research area, while Local Moran I ve Getis-Ord Gi* methods were used for local clustering analysis. Also Moran I based LISA which is one of the local clustering methods in GeoDA software is used. In the last stage of the application, prevelance ratios of the diseases are compared with the ratio of Turkey and similar conditioned provinces.According to the results of the analysis, the places are determined as townships where these diseases are most frequently observed, Bolvadin for DM, Başmakçı, Şuhut, Emirdağ and Sultandağ for HT, Başmakçı, Sandıklı and Emirdağ for HLD, Dazkırı, İscehisar, Çay and Emirdağ for HB, Dinar and Şuhut for TRD.Outlier places are detected with box plots analysis. In DM cases, Bolvadin for observed at males and observed at both males and females, in HLD cases, Merkez for observed at females, in HB cases, Dazkırı and Sinanpaşa for observed at males, Sinanpaşa and Çobanlar for observed at 19?40 age group, Çay, İscehisar and Dazkırı for observed at 41?64 age group, in TRD cases, Şuhut and Dinar for observed at females, observed at both males and females, observed at 19?40 age group, observed at 41?64 age group and observed at over 65 age group are determined as outlier townships. There is no detected outlier township for HT cases.According to the global clustering analysises, only HLD observed in men case is determined as statistacally meaningful with low values clustered in the region. Local clustering with low values at Merkez, İhsaniye, İscehisar ve Çobanlar for HLD cases at 41?64 age group commented as statistically meaningful. When the prevalence rates of these diseases at the region are compared with general Turkey and regions with similar geographic conditions, for HLD cases the rate is approximately equal to the Turkey average rate, for DM cases the rate is over the Turkey average rate, and for HT cases observed at over 41 age group the rate is very close to the Turkey average rate.If any meaningful clustering detected, the health expense will decrease and time will be gained in terms of propagation of the disease because of the decrement of target region dimensions with epidemiological researches. For this reason GIS and spatial statistic based applications must be used with an integrity in health sector. With this scope, completed study comes into prominence in terms of using the health policy efficeintly in the region for these diseases.Keywords: Spatial Autocorrelation, GIS, Spatial Statistics, Diabetes Mellitus, Hypertension, Hyperlipidemia, Anemia, Thyroid disease