Coğrafi Bilgi Sisitemleri-mekânsal epidemiyoloji çerçevesinde SARS CoV-2 (COVID-19)

Ömer Bariş İnce; Murat Şevik; Ahmet Sait

doi:10.31362/patd.852259

EN TR

Coğrafi Bilgi Sisitemleri-mekânsal epidemiyoloji çerçevesinde SARS CoV-2 (COVID-19)

Öz

Dünyayı etkisi altına alan şiddetli akut solunum yolu sendromu coronavirusu 2 (SARS-CoV-2) salgını, pek çok ülkede ölümcül sonuçlara neden olan önemli bir halk sağlığı sorunudur. Pandemiye yol açacak hastalık yayılımlarının erken dönemde tespit edilebilmesi hastalık kontrol ve eradikasyonunun önemli bir bileşenidir. Hastalık verilerinin ve mekânsal analiz yöntemlerinin birlikte kullanılması, daha etkili hastalık kontrolü ve çözüm stratejileri geliştirmek için büyük bir fırsat sunmaktadır. Bu derlemede coğrafi bilgi sistemlerinin (CBS) epidemiyolojideki uygulamalarını ve salgın hastalıkların kontrolü ve eradikasyonundaki ilişkisini değerlendirmek için özelde COVID-19’u içeren literatüre dayalı bir inceleme yapılmıştır. Epidemiyoloji alanındaki araştırmalarda, araştırılan hastalık verilerinin nasıl bir dağılım ve kümelenme gösterdiği, kısa, orta ve uzun vadede yapılacak kontrol ve eradikasyon müdahalelerini planlama açısından CBS temelli analizler ve modeller giderek önem kazanmaktadır. COVID-19'un kontrol ve eradikasyonunda yaşanan zorluklar, güçlü bulaşıcılık özelliği, uzun bir kuluçka dönemi, nüfus akış ve hareketliliği ve diğer faktörlerle birleştiğinde, hastalığın yayılmasını kontrol etmek ve önlemek için bilimsel ve teknolojik desteğe gereksinim duyulmaktadır. Bu derlemenin amacı, CBS temelli araçların gelişimini anlamak ve COVID-19 pandemisi yönetiminde CBS kullanımı hakkında güncel bilgiler vermektir.

Anahtar Kelimeler

COVID-19, SARS CoV-2, CBS, mekânsal epidemiyoloji

Destekleyen Kurum

Derleme

Kaynakça

1. Siddell SG, Walker PJ, Lefkowitz EJ, et al. Additional changes to taxonomy ratified in a special vote by the international committee on taxonomy of viruses. Arch Virol 2019;164:943-946. https://doi.org/10.1007/s00705-018-04136-2
2. Gorbalenya A, Baker S, Baric R, et al. The species severe acute respiratory syndrome related coronavirus: classifying 2019-nCoV and naming it SARS-CoV-2. Nat Microbiol 2020;5:536-544. https://doi.org/10.1038/s41564-020-0695-z
3. Nieto Torres JL, DeDiego ML, Verdiá Báguena C, et al. Severe acute respiratory syndrome coronavirus envelope protein ion channel activity promotes virus fitness and pathogenesis. PLoS Pathogens 2014;10:e1004077. https://doi.org/10.1371/journal.ppat.1004077
4. Harapan H, Itoh N, Yufika A, et al. Coronavirus disease 2019 (COVID-19): a literature review. J Infect Public Health 2020;13:667-673. https://doi.org/10.1016/j.jiph.2020.03.019
5. Zhou P, Yang XL, Wang XG, et al. Discovery of a novel coronavirus associated with the recent pneumonia outbreak in humans and its potential bat origin. Nature 2020;579:270-273. https://doi.org/10.1101/2020.01.22.914952
6. Yi Y, Lagniton PNP, Ye S, Li E, Xu RH. COVID-19: what has been learned and to be learned about the novel coronavirus disease. Int J Biol Sci 2020;16:1753-1766. https://doi.org/10.7150/ijbs.45134
7. Luk HK, Li X, Fung J, Lau SKP, Woo PCY. Molecular epidemiology, evolution and phylogeny of SARS coronavirus. Infect Genet Evol 2019;71:21-30. https://doi.org/10.1016/j.meegid.2019.03.001
8. Badawi A, Ryoo SG. Prevalence of comorbidities in the Middle East respiratory syndrome coronavirus (MERSCoV): a systematic review and meta-analysis. Int J Infect Dis 2016;49:129-133. https://doi.org/10.1016/j.ijid.2016.06.015
9. De Wit E, van Doremalen N, Falzarano D, Munster VJ. SARS and MERS: recent insights into emerging coronaviruses. Nat Rev Microbiol 2016;14:523-534. https://doi.org/10.1038/nrmicro.2016.81
10. Tu YF, Chien CS, Yarmishyn AA, et al. A review of SARS-CoV-2 and the ongoing clinical trials. Int J Mol Sci 2020;21:2657. https://doi.org/10.3390/ijms21072657

11. Ministry of Health 2019. Covid 19 Information page. Available at: https://covid19.saglik.gov.tr/. Accessed December 12, 2020.
12. Kirby RS, Delmelle E, Eberth JM. Advances in spatial epidemiology and geographic information systems. Ann Epidemiol 2017;27:1-9. https://doi.org/10.1016/j.annepidem.2016.12.001
13. Frerichs RR. History, maps and the internet: UCLA’s John Snow site. Soc Bulletin Available at: https://www.ph.ucla.edu/epi/snow/socbulletin34(2)3_7_2001.pdf. Accessed September 10, 2020.
14. Carpenter T. The spatial epidemiologic (r)evolution: a look back in time and forward tothe future. Spat Spatiotemporal Epidemiol 2011;2:119-124. https://doi.org/10.1016/j.sste.2011.07.002
15. Prates MO, Kulldorff M, Assunção RM. Relative risk estimates from spatial and space-time scan statistics: are they biased?. Stat Med 2014;33:2634-2644. https://doi.org/10.1002/sim.6143
16. Bailey TC. Spatial statistical methods in health. Cad Saude Publica 2001;217:1083-1098. https://doi.org/10.1590/s0102-311x2001000500011
17. Uluğtekin N, Doğru AÖ. Coğrafi Bilgi Sistemi ve Harita: Kartografya, Ege CBS Sempozyumu, 27-29 Nisan 2005, İzmir, Erişim adresi: https://web.itu.edu.tr/~dogruahm/Cografi%20Bilgi%20Sistemi%20Ve%20Harita_Kartografya.pdf Erişim tarihi 18 Aralık 2020.
18. Karabulut E, Alpar R, Özayar E. Hastalıkların yere göre kümelenmesinde kullanılan yöntemler. İnö Üni Tıp Fak Der 2006;13:37-43.
19. Tonini M, Tuia D, Ratle F. Detection of clusters using space–time scan statistics. Int J of Wildland Fire 2009;18:830-836. https://doi.org/10.1071/WF07167
20. Quantum Geographic Information Systems™ (QGIS). QGIS home page. Avaible at: https://www.qgis.org/tr/site/. Accessed December 07, 2020.
21. Anselin L, Nancy LG, Julia K. Rate transformations and smoothing-2006. Technical Report. Urbana, Spatial Analysis Laboratory, Department of Geography, University of Illinois Avaible at: https://pdfs.semanticscholar.org/88d8/b02de84f97f556cfe0ef5a91a7df229cf363.pdf. Accessed May 06, 2020.
22. Gayır B, Arslan O. Orman yangınlarının CBS tabanlı konumsal istatistik analizi: 2011-2015 Yılları arasında Muğla orman bölge sınırları içerisinde çıkan yangınlar. Anadolu Orman Araşt Derg, 2018;4:44-60.
23. Kulldorff M. SaTScan™ user guide for version 9.6- 2018. SatscanTM Home Page. Avaible at: https://www.satscan.org/cgi-bin/satscan/register.pl/ SaTScan_Users_Guide.pdf?todo=process_userguide_download. Accessed October 11, 2020.
24. Çelik Ş. Zaman serileri analizi ve trafik kazası verilerine uygulanması. Yayınlanmamış Doktora Tezi Ankara Üniversitesi Fen Bilimleri Enstitüsü, Zootekni Anabilim Dalı Ankara, 2013.
25. Kirkup L, Data analysis with excel: an introduction for physical scientists. UK Cambridge: Cambridge University Press. 2002;6-35. Available at: http://libgen.rs/book/index.php?md5=DE89297B02744DBBF8EC0E3DB2345F2B Accessed December 3, 2020.
26. Koehler AB, Snyder RD, Ord JK. Forecasting models and prediction intervals for the multiplicative Holt-Winters Method. Int J Forecast 2001;17:269-286. https://doi.org/10.1016/S0169-2070(01)00081-4
27. Thrusfield M. Veterinary Eepidemiology. third ed. UK Oxford: Blackwell Science. 2005;15-93. Available at: https://dvmbooks.weebly.com/uploads/2/2/3/6/22365786/1._veterinary_epidemiology_thrush_filled.pdf Accessed April 4, 2020.
28. Keeling MJ, Rohani P. Modeling infectious diseases in humans and animals. USA New Jersey: Princeton University Press, 2008;124-132. Available at: http://libgen.rs/book/index.php?md5=26031366BC66D83BB908A955A650E6DC Accessed Novamber 7, 2020.
29. Grassly NC, Fraser C. Mathematical models of infectious disease transmission, Nat Rev Microbiol 2008;6:477-487. https://doi.org/10.1038/nrmicro1845
30. Rezaei M, Nouri AA, Park GS, Kim DH. Application of geographic information system in monitoring and detecting the COVID-19 outbreak. Iran J Public Health 2020;49:114-116. https://doi.org/10.18502/ijph.v49iS1.3679
31. Franch Pardo I, Napoletano BM, Rosete Verges F, Billa L. Spatial analysis and GIS in the study of COVID-19. A review. Sci Total Environ 2020;739:140033. https://doi.org/10.1016/j.scitotenv.2020.140033
32. Saha A, Gupta K, Patil M, Urvashi. Monitoring and epidemiological trends of coronavirus disease (COVID-19) around the world. Matrix Sci Med 2020;4:121-126 Available at: https://www.matrixscimed.org/text.asp?2020/4/4/121/297630 Accessed October 12, 2020.
33. Baker RE, Yang W, Vecchi GA, Metcalf CE, Grenfell BT. Susceptible supply limits the role of climate in the early SARS-CoV-2 pandemic. Science 2020;369:315-319. https://doi.org/10.1126/science.abc2535
34. Xun L, Qinyun L, Marynia K, et al. GeoDaCenter/covid: beta 2020 (Version beta). Zenodo. Avaible at: http://doi.org/10.5281/zenodo.4081869 Accessed September 7, 2020.
35. Desjardins MR, Hohl A, Delmelle EM. Rapid surveillance of COVID-19 in the United States using a prospective space-time scan statistic: detecting and evaluating emerging clusters. Appl Geogr 2020;118:102202. https://doi.org/10.1016/j.apgeog.2020.102202
36. Tang Y, Wang S. Mathematic modeling of COVID-19 in the United States. Emerging Microbes Infec 2020;9:827-829. https://doi.org/10.1080/22221751.2020.1760146
37. Lakhani A. Introducing the percent, number, availability, and capacity (PNAC) spatial approach to identify priority rural areas requiring targeted health support in light of COVID‐19: a commentary and application. J Rural Health 2020;37:149-152. https://doi.org/10.1111/jrh.12436
38. Dagnino R, Weber EJ, Panitz LM. Monitoramento do Coronavirus (Covid-19) nos municípios do Rio Grande do Sul, Brasil. SocArXiv 2020:1-8. https://doi.org/10.31235/osf.io/3uqn5
39. Rex FE, Borges CAS, Käfer PS. Spatial analysis of the COVID-19 distribution pattern in São Paulo State, Brazil. Ciência & Saúde Coletiva 2020;25:3377-3384.
40. Guan W, Ni Z, Hu Y, et al. Clinical characteristics of coronavirus disease 2019 in China. N Engl J Med 2020. https://doi.org/10.1056/NEJMoa2002032
41. Zhang X, Rao H, Wu Y, Huang Y, Dai H. Comparison of spatiotemporal characteristics of the COVID-19 and SARS outbreaks in mainland China. BMC Infect Dis 2020;20:805. https://doi.org/10.1186/s12879-020-05537-y
42. Kucharski AJ, Russell TW, Diamond C, et al. Early dynamics of transmission and control of COVID-19: a mathematical modelling study. Lancet Infect Dis 2020;20:553-558. https://doi.org/10.1016/S1473-3099(20)30144-4
43. Tang T, Huipeng L, Gifty M, et al. The changing patter of COVID-19 in China: a tempo-geographic analysis of the SARS-CoV-2 epidemic. Clin Infect Dis 2020;71:818-824. https://doi.org/10.1093/cid/ciaa423
44. Roy S, Bhunia GS, Shit PK. Spatial prediction of COVID-19 epidemic using ARIMA techniques in India. Model Earth Syst Environ 2020. https://doi.org/10.1007/s40808-020-00890-y
45. Orea L, Álvarez IC. How effective has the Spanish lockdown been to battle COVID-19? A spatial analysis of the coronavirus propagation across provinces. Documento de Trabajo 2020;3:1-33.
46. Rossman H, Keshet A, Shilo S, et al. A framework for identifying regional outbreak and spread of COVID-19 from one-minute population-wide surveys. Nat Med 2020;26:634-638. https://doi.org/10.1038/s41591-020-0857-9
47. Giuliani D, Dickson MM, Espa G, Santi F. Modelling and predicting the spatio-temporal spread of Coronavirus Disease 2019 (COVID-19) in Italy. 2020. SSRN Electron J https://doi.org/10.2139/ssrn.3559569
48. Karako K, Song P, Chen Y, Tang W. Analysis of COVID-19 infection spread in Japan based on stochastic transition model. Biosci Trends 2020;14:134-138. https://doi.org/10.5582/bst.2020.01482

Ayrıntılar

Birincil Dil

Türkçe

Konular

Tıbbi Mikrobiyoloji

Bölüm

Derleme

Yazarlar

Ömer Bariş İnce ^*
0000-0001-8302-9607
Türkiye

Murat Şevik
0000-0002-9604-3341
Türkiye

Ahmet Sait
0000-0001-7658-8793
Türkiye

Yayımlanma Tarihi

1 Ekim 2021

Gönderilme Tarihi

2 Ocak 2021

Kabul Tarihi

3 Mart 2021

Yayımlandığı Sayı

Yıl 2021 Cilt: 14 Sayı: 4

DOI

https://doi.org/10.31362/patd.852259

IZ

https://izlik.org/JA48MR67FG

APA

İnce, Ö. B., Şevik, M., & Sait, A. (2021). Coğrafi Bilgi Sisitemleri-mekânsal epidemiyoloji çerçevesinde SARS CoV-2 (COVID-19). Pamukkale Medical Journal, 14(4), 934-943. https://doi.org/10.31362/patd.852259

AMA

1.İnce ÖB, Şevik M, Sait A. Coğrafi Bilgi Sisitemleri-mekânsal epidemiyoloji çerçevesinde SARS CoV-2 (COVID-19). Pam Tıp Derg. 2021;14(4):934-943. doi:10.31362/patd.852259

Chicago

İnce, Ömer Bariş, Murat Şevik, ve Ahmet Sait. 2021. “Coğrafi Bilgi Sisitemleri-mekânsal epidemiyoloji çerçevesinde SARS CoV-2 (COVID-19)”. Pamukkale Medical Journal 14 (4): 934-43. https://doi.org/10.31362/patd.852259.

EndNote

İnce ÖB, Şevik M, Sait A (01 Ekim 2021) Coğrafi Bilgi Sisitemleri-mekânsal epidemiyoloji çerçevesinde SARS CoV-2 (COVID-19). Pamukkale Medical Journal 14 4 934–943.

IEEE

[1]Ö. B. İnce, M. Şevik, ve A. Sait, “Coğrafi Bilgi Sisitemleri-mekânsal epidemiyoloji çerçevesinde SARS CoV-2 (COVID-19)”, Pam Tıp Derg, c. 14, sy 4, ss. 934–943, Eki. 2021, doi: 10.31362/patd.852259.

ISNAD

İnce, Ömer Bariş - Şevik, Murat - Sait, Ahmet. “Coğrafi Bilgi Sisitemleri-mekânsal epidemiyoloji çerçevesinde SARS CoV-2 (COVID-19)”. Pamukkale Medical Journal 14/4 (01 Ekim 2021): 934-943. https://doi.org/10.31362/patd.852259.

JAMA

1.İnce ÖB, Şevik M, Sait A. Coğrafi Bilgi Sisitemleri-mekânsal epidemiyoloji çerçevesinde SARS CoV-2 (COVID-19). Pam Tıp Derg. 2021;14:934–943.

MLA

İnce, Ömer Bariş, vd. “Coğrafi Bilgi Sisitemleri-mekânsal epidemiyoloji çerçevesinde SARS CoV-2 (COVID-19)”. Pamukkale Medical Journal, c. 14, sy 4, Ekim 2021, ss. 934-43, doi:10.31362/patd.852259.

Vancouver

1.Ömer Bariş İnce, Murat Şevik, Ahmet Sait. Coğrafi Bilgi Sisitemleri-mekânsal epidemiyoloji çerçevesinde SARS CoV-2 (COVID-19). Pam Tıp Derg. 01 Ekim 2021;14(4):934-43. doi:10.31362/patd.852259

Pamukkale Medical Journal Creative Commons Atıf-GayriTicari 4.0 Uluslararası Lisansı (CC BY NC) ile lisanslanmıştır.

Coğrafi Bilgi Sisitemleri-mekânsal epidemiyoloji çerçevesinde SARS CoV-2 (COVID-19)

SARS CoV-2 (COVID-19) in the framework of GIS-spatial epidemiology

Öz

Coğrafi Bilgi Sisitemleri-mekânsal epidemiyoloji çerçevesinde SARS CoV-2 (COVID-19)

Öz

Anahtar Kelimeler

Destekleyen Kurum

Kaynakça

Ayrıntılar

Birincil Dil

Konular

Bölüm

Yazarlar

Yayımlanma Tarihi

Gönderilme Tarihi

Kabul Tarihi

Yayımlandığı Sayı

DOI

IZ

Kaynak Göster