مدل سازی بارکروناویروس و استخراج جریانات اکوسیستمی بیماری در بیمارستان دکتر مسیح دانشوری
Nafas Journal,
Vol. 11 No. 1 (1403),
30 May 2024
Abstract
مقدمه: عفونت های حاد تنفسی سالانه منجر به بیماری، مرگ و بستری میلیون ها نفر در سراسر جهان می شوند و بار اقتصادی و اجتماعی زیادی را بر جوامع تحمیل می کنند. در ایران نیز عفونت های حاد تنفسی هرساله علت چندین طغیان و بستری شدن تعداد زیادی از جمعیت کشور در بیمارستان ها هستند. لذا هدف از این مطالعه مدل سازی بار ویروس نوپدید کرونا در بیمارستان مسیح دانشوری اولین مرکز درمانی پذیرش بیماران مبتلا به کووید در کشور می باشد.
روش کار: پژوهش حاضر یک مطالعه مقطعی- تحلیلی می باشد. تمامی بیماران بستری با تشخیص قطعی کووید در بازه زمانی اسفند 98 تا فروردین 99 وارد مطالعه شدند. سپس با استفاده از نرم افزار GIS جریانات اکوسیستمی از جمله جریانات نقل و انتقالات مثل تراکم و بیشترین و کمترین مسافت زندگی فرد بیمار تا بیمارستان را تعیین گردید. همچنین با استفاده از GIS بیشترین و کمترین تراکم مبتلایان در کشور طی این بازه زمانی تعیین شد.
نتایج: گسترش شیوع ویروس کرونا در کشور با استفاده از تراکم نقطه ای در دوره زمانی اسفند 98 تا فروردین 99 نشان داد بیشترین مبتلایان به ویروس کرونا در استان های قم، تهران، گیلان و مرکزی مشاهده شدند. انتشار فضایی ویروس کرونا از استان های تهران، قم، گیلان، مرکزی، مازندران و اصفهان به نواحی پیرامون خود به سرعت در حال گسترش بود. تراکم انتشار فضایی ویروس کرونا بیشتر به سمت نواحی شمالی، مرکزی و شمال غربی کشور و کمترین شیوع ویروس کرونا در نواحی شرق و جنوب شرقی کشور بود. بیشترین پذیرش بیماران از میان بیماران مراجعه کننده به بیمارستان مسیح دانشوری در بازه زمانی مطالعه از تهران و حومه بودند.
بحث و نتیجه گیری: استفاده از GIS در مدیریت بهداشت و درمان در مرحله ابتدایی است. بدلیل گستردگی و فعال بودن خدمات بهداشتی و درمانی در ایران، تمرکز بخش مدیریتی بهداشت و درمان در کشور، مشکلات موجود در اختصاص خدمات درمانی و بهداشتی به مناطق شهری و روستایی ونیز با توجه به توانایی های GIS استفاده از سیستم اطلاعات جغرافیایی برای مدیران این بخش به ویژه در شرایط بیماری های نوپدید ضروری است.
- کرونا، مدل، GIS، جریان اکوسیستمی، بیمارستان مسیح دانشوری
How to Cite
References
2. Goldsmith, K.T.E.D., et al., A novel coronavirus associated with severe acute respiratory syndrome. N Engl J Med, 2003. 348(1953): p. 1966.
3. Zaki, A.M., et al., Isolation of a novel coronavirus from a man with pneumonia in Saudi Arabia. New England Journal of Medicine, 2012. 367(19): p. 1814-1820.
4. Menachery, V.D., et al., A SARS-like cluster of circulating bat coronaviruses shows potential for human emergence. Nature medicine, 2015. 21(12): p. 1508-1513.
5. Li, J., et al., Epidemiological and clinical characteristics of 17 hospitalized patients with 2019 novel coronavirus infections outside Wuhan, China. MedRxiv, 2020: p. 2020.02. 11.20022053.
6. de Lusignan, S., et al., Emergence of a novel coronavirus (COVID-19): protocol for extending surveillance used by the Royal College of General Practitioners Research and Surveillance Centre and Public Health England. JMIR public health and surveillance, 2020. 6(2): p. e18606.
7. Braden, C.R., et al., Progress in global surveillance and response capacity 10 years after severe acute respiratory syndrome. Emerging infectious diseases, 2013. 19(6): p. 864.
8. Koch, T., Plague: Bari, Naples 1690–1692. Cartographies of Disease: Maps, Mapping and Medicine, 2nd. ed.; Koch, T., Ed, 2005: p. 19-24.
9. Amerasinghe, F.P., et al., Human health: ecosystem regulation of infectious diseases. 2005.
10. Wyper, G., et al., Burden of disease methods: a guide to calculate COVID-19 disability-adjusted life years. International Journal of Public Health, 2021: p. 4.
- Abstract Viewed: 178 times