Ứng dụng gis trong dự báo dịch tả

Lê Thị Ngọc Anh, Hoàng Xuân Dậu Tạp chí KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG Số 1 năm 2016 69 ỨNG DỤNG GIS TRONG DỰ BÁO DỊCH TẢ Lê Thị Ngọc Anh*, Hoàng Xuân Dậu+ * Phòng Công nghệ thông tin, Trường Đại học Y Hà Nội + Khoa Công nghệ thông tin I, Học Viện Công Nghệ Bưu Chính Viễn Thông, Hà Nội Tóm tắt: Việc lan truyền các bệnh truyền nhiễm có liên hệ mật thiết với sự lân cận về không gian và thời gian, do sự lan truyền bệnh dịch có nhiều khả năng xảy ra nếu các cá nhân có nguy cơ ở gần trong một không gian và thời gian nhất định. Vì thế các phân tích dữ liệu trong y tế luôn cần xem xét cả hai vấn đề không gian và thời gian theo nguyên lý cơ bản là kiểm tra mối quan hệ phụ thuộc giữa các quan sát ở cả hai chiều không gian và thời gian. Để đáp ứng được yêu cầu trên, Hệ thống thông tin địa lý (Geographic Information System - GIS) tỏ rõ ưu thế so với các phương pháp phi không gian truyền thống. GIS hỗ trợ xác định vị trí, lập bản đồ ca bệnh, tìm hiểu nguyên nhân bùng phát dịch bệnh, mô phỏng, dự báo sự lây lan dịch bệnh trong các vụ dịch. Bài bào này đề xuất xây dựng mô hình dự báo dịch tả trên địa bàn thành phố Hà Nội có xem xét đến ảnh hưởng của biến đổi khí hậu trên cơ sở ứng dụng công nghệ GIS. Các kết quả đạt được cho thấy khả năng ứng dụng hiệu quả GIS trong phân tích dịch bệnh tả trên địa bàn nghiên cứu khi chỉ ra được những điểm nóng, cũng như lý giải mối liên hệ giữa các biến khí hậu, mặt nước, dân số phân bố theo không gian với số ca bệnh theo thời gian. Từ khóa: Dự báo dịch bệnh, GIS trong y tế, mô hình dự báo, phân tích không gian1 I. ĐẶT VẤN ĐỀ Bệnh tả xuất hiện lần đầu trên thế giới vào năm 1817 và nhanh chóng trở thành một trong những Tác giả liên lạc: Hoàng Xuân Dậu, email: dauhoang@gmail.com Đến tòa soạn: 14/3/2016, chỉnh sửa: 28/4/2016, chấp nhận đăng: 30/5/2016. nguyên nhân chính gây tử vong hàng loạt trên toàn thế giới, nhất là tại các nước đang phát triển thuộc vùng nhiệt đới ở châu Phi, châu Á và Nam Mỹ. Trong lịch sử, các đợt bùng phát dịch tả từng được coi như những thảm họa do tỷ lệ tử vong cao, mức độ lây lan nhanh, phạm vi ảnh hưởng rộng và khó kiểm soát [1]. Virus tả Vibrio Cholerae có thể dễ dàng lan truyền hoặc phát tán thông qua con người và động vật, đặc biệt tại những vùng thiếu nguồn nước sạch, cơ sở vệ sinh kém, ô nhiễm. Nhiều nghiên cứu đã chỉ ra mối quan hệ nhân quả giữa các yếu tố như hành vi của con người, hệ sinh thái và các yếu tố nguy cơ truyền nhiễm khác với sự bùng phát dịch bệnh. Chính vì vậy, phân tích mô hình không gian và các yếu tố có ảnh hưởng đến dịch tả đóng vai trò rất quan trọng trong nghiên cứu sâu về tính chất lây lan của dịch bệnh này. Bài báo này tập trung nghiên cứu, khảo sát một số mô hình dự báo dịch tả trên thế giới và trong khu vực có sử dụng công nghệ GIS và đề xuất mô hình dự báo dịch tả ở khu vực thành phố Hà Nội dựa trên GIS. Phần còn lại của bài báo được bố cục như sau: Mục II trình bày các nghiên cứu có liên quan; Mục III mô tả tập dữ liệu thử nghiệm và mô hình dự báo đề xuất. Các thực nghiệm, kết quả và nhận xét được trình bày tại Mục IV. Mục V là phần Kết luận. II. CÁC NGHIÊN CỨU LIÊN QUAN Trong những năm gần đây, GIS là công cụ đã và đang được sử dụng rộng rãi trong việc hỗ trợ ra quyết định trong nhiều hoạt động kinh tế, xã hội và quốc phòng của nhiều quốc gia trên thế giới. ỨNG DỤNG GIS TRONG DỰ BÁO DỊCH TẢ Tạp chí KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG70 Số 1 năm 2016 GIS cung cấp các công cụ phân tích thống kê, mô hình hóa không gian, hỗ trợ cho việc nghiên cứu các mối quan hệ giữa các yếu tố điều kiện tự nhiên, môi trường và tình hình sức khỏe, bệnh tật của người dân, theo dõi và dự báo diễn biến dịch bệnh, từ đó hỗ trợ ra quyết định phù hợp ở từng thời điểm và ở các cấp quản lý khác nhau [2]. Chính vì phạm vi ứng dụng rộng rãi nên có nhiều cách tiếp cận khác nhau khi phân tích dữ liệu với GIS, như trọng số nghịch khoảng cách (Inverse Distance Weighting - IDW), phân tích điểm nóng (Hot Spot Analysis), hồi quy trọng số không gian (Geographically Weighted Regression - GWR)... [3][4]. Phân tích điểm nóng là một phương pháp phân nhóm không gian sử dụng thống kê Getis- Ord Gi* [3] cho mỗi đối tượng trong tập dữ liệu không gian. Phương pháp này tính toán bằng cách xem xét từng đối tượng trong bối cảnh với các đối tượng lân cận. Một đối tượng có giá trị cao chưa hẳn là một điểm nóng có ý nghĩa về mặt thống kê. Để trở thành một điểm nóng về mặt thống kê, một đối tượng cần có giá trị cao và được bao quanh bởi các đối tượng khác cũng có giá trị cao. Phương pháp thống kê cục bộ như hồi quy trọng số không gian xem xét tính không đồng nhất của các mối quan hệ theo không gian. Nói cách khác, nó mô hình hóa các mối quan hệ thay đổi theo các vị trí không gian khác nhau. Năm 2008, Osei và Duker đã sử dụng các mô hình hồi quy không gian (gồm cả mô hình sai số không gian và mô hình trễ không gian) để khám phá sự phụ thuộc của tỷ lệ mắc bệnh tả vào một yếu tố môi trường địa phương quan trọng (các bãi rác lộ thiên) ở Kumasi, Ghana [5]. Kết quả nghiên cứu cho thấy những vùng có mật độ cao các bãi rác lộ thiên có tỷ lệ mắc bệnh tả cao hơn những vùng có mật độ các bãi rác lộ thiên thấp hơn. Hơn nữa, những vùng gần bãi rác lộ thiên có tỷ lệ mắc bệnh cao hơn những vùng ở xa bãi rác lộ thiên [5][6]. Nghiên cứu tiếp theo vào năm 2010 của Osei và đồng nghiệp cũng cho các kết quả khả quan khi sử dụng các mô hình hồi quy không gian để khám phá sự phụ thuộc không gian của bệnh tả vào các thủy vực có tiềm năng bị ô nhiễm [5][6]. Năm 2013, Nkeki and Osirike [7] đã so sánh hai phương pháp hồi quy trọng số không gian (GWR) trong GIS và hồi quy tuyến tính (Ordinary Least Square - OLS) để phân tích các mối quan hệ giữa sự xuất hiện của dịch tả và các nguồn cấp nước cho các hộ gia đình. Nghiên cứu sử dụng dữ liệu bản đồ các tiểu bang của Nigeria và số liệu thống kê về các trường hợp mắc bệnh tả, nguồn cung cấp nước cho các hộ gia đình và dữ liệu dân số. Kết quả cho thấy phương pháp GWR tốt hơn đáng kể so với phương pháp OLS. Ngoài ra, phân tích dữ liệu thực nghiệm cho thấy dịch tả xảy ra trong khu vực nghiên cứu có liên quan đáng kể đến các nguồn cung cấp nước cho các hộ gia đình và thay đổi theo các khu vực khác nhau. Năm 2014, Rasam và cộng sự [8] đã tiến hành nghiên cứu tích hợp GIS và các kỹ thuật phân tích dịch tễ học trong phân tích mô hình không gian của bệnh tả tại huyện Sabah, Malaysia. Kết quả cho thấy bệnh tả có xu hướng tập trung quanh khu vực người bị nhiễm khoảng 1.500 mét. Các ổ dịch tả thường xuất hiện tại các khu vực đông người, môi trường mất vệ sinh, và gần với nguồn nước bị ô nhiễm. Ngoài ra, bệnh tả cũng có quan hệ chặt chẽ với các khu vực ven biển. Từ những phân tích trên cho thấy GIS đóng vai trò như một công nghệ không gian rất quan trọng trong nghiên cứu xác định mô hình phân phối và làm sáng tỏ các giả thuyết phát triển của dịch bệnh. Theo hiểu biết của chúng tôi, trên thế giới chưa có công trình nghiên cứu nào phân tích đầy đủ mối quan hệ giữa các yếu tố không gian (các yếu tố khí hậu, thủy văn và dân số) với yếu tố thời gian (sự lan truyền của bệnh dịch) sử dụng công nghệ GIS. Tại Việt Nam, bệnh tả là một loại dịch bệnh truyền nhiễm nguy hiểm đối với con người, hiện vẫn tồn tại ở một số địa phương. Để chủ động phòng tránh dịch bệnh tả tái phát gây ảnh hưởng tới sức khỏe người dân, việc triển khai ứng dụng GIS trong kiểm soát và dự báo dịch bệnh tả được xem như một giải pháp có tính khả thi cao, bổ sung cho các biện pháp chuyên môn y tế, giúp ngành y tế và chính quyền các cấp có những can thiệp phù hợp nhất nhằm nâng cao hiệu quả công tác phòng, chống dịch tả [9]. Hiện nay ở Việt Nam, việc ứng dụng GIS trong lĩnh vực y tế còn rất hạn chế. Đa phần chỉ dừng lại ở việc lập Lê Thị Ngọc Anh, Hoàng Xuân Dậu Tạp chí KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG Số 1 năm 2016 71 bản đồ thể hiện vị trí, số lượng ca bệnh, ổ dịch; khoanh vùng nguy cơ dịch sử dụng chức năng tạo vùng đệm; quản lý cơ sở dữ liệu dịch bệnh trên nền GIS. Chúng tôi chưa tìm thấy nghiên cứu nào ở trong nước ứng dụng GIS trong phân tích, tìm hiểu nguyên nhân, mô hình phân bố của các ca bệnh trong các vụ dịch, cũng như dự báo trước khả năng xuất hiện ca bệnh trong tương lai. Vì vậy, mục tiêu của nghiên cứu này là đề xuất xây dựng mô hình dự báo dịch tả trên địa bàn thành phố Hà Nội, có xem xét đến ảnh hưởng của số ca bệnh tả với một số biến hư khí hậu, diện tích mặt nước, dân số trên cơ sở ứng dụng kỹ thuật phân tích hồi quy không gian trong công nghệ GIS. III. MÔ HÌNH DỰ BÁO ĐỀ XUẤT A. Tập Dữ Liệu Thử Nghiệm Dữ liệu thử nghiệm bao gồm các số liệu về số ca dịch tả được thu thập từ Trung tâm y tế dự phòng Hà Nội. Dữ liệu khí hậu và thủy văn khu vực Hà Nội được thu thập từ Trung tâm nghiên cứu khí tượng quốc gia. Dữ liệu sử dụng cho quá trình thực hiện nghiên cứu được mô tả chi tiết ở Bảng I. Bảng I. Dữ liệu đầu vào cho nghiên cứu Dữ liệu Mô tả Bản đồ hành chính tỷ lệ 1:50000 Thể hiện ranh giới 29 đơn vị quận huyện của Tp. Hà Nội. Bản đồ thủy văn tỷ lệ 1:50000 Thể hiện mạng lưới sông suối, ao hồ trên địa bàn Tp. Hà Nội. Số liệu dân số Giai đoạn 2007-2010 trên địa bàn Tp. Hà Nội. Thể hiện quy mô dân số các quận huyện theo năm. Số liệu khí tượng Giai đoạn 2001-2011 tại 5 trạm đo: Ba Vì, Hà Đông, Hoài Đức, Láng và Sơn Tây trên địa bàn Tp. Hà Nội. Thể hiện số liệu đo lượng mưa; nhiệt độ không khí; độ ẩm không khí tương đối; số giờ nắng; tốc độ gió theo ngày. Số liệu bệnh tả Giai đoạn 2001-2011 trên địa bàn Tp. Hà Nội. Thể hiện số liệu lưu trữ thông tin về các ca mắc bệnh tả theo ngày. B. Mô hình dự báo đề xuất Hình 1 trình bày mô hình dự báo dịch tả đề xuất tại khu vực Hà Nội. Dữ liệu đầu vào bao gồm bản đồ hành chính, thủy văn, số liệu dân số, số liệu khí tượng theo ngày (R- lượng mưa; Sh- số giờ nắng; T- nhiệt độ không khí; U- độ ẩm không khí tương đối; V- tốc độ gió) và số liệu ca mắc bệnh tả theo ngày giai đoạn 2001–2011. Hình 1. Mô hình dự báo dịch tả đề xuất Từ số liệu đầu vào là các biến khí tượng (R, Sh, T, U, V), diện tích mặt nước tại từng quận, huyện, dân số của từng quận, huyện, nhóm nghiên cứu thống kê và tổng hợp số liệu để tiến hành xây dựng mô hình. Diện tích mặt nước được coi là dữ liệu không đổi và được tính toán cụ thể cho từng quận, huyện. Trong khi đó, dữ liệu khí tượng thay đổi và chỉ được thu nhận tại 5 trạm khí tượng như mô tả ở Bảng I. Do vậy, nhóm nghiên cứu sử dụng công cụ nội suy IDW để nội suy từ dữ liệu cung cấp bởi các trạm khí tượng cho từng quận, huyện. Dựa trên bản đồ kết quả sau nội suy, nhóm nghiên cứu lập bản đồ phục vụ quá trình mô phỏng, dự báo số ca mắc tả trên khu vực nghiên cứu thông qua các hàm hồi quy. Nghiên cứu sử dụng độ đo hệ số xác định hiệu chỉnh để so sánh giữa các mô hình hồi quy và lựa chọn mô hình hồi quy tối ưu. ỨNG DỤNG GIS TRONG DỰ BÁO DỊCH TẢ Tạp chí KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG72 Số 1 năm 2016 IV. THỬ NGHIỆM VÀ KẾT QUẢ A. Giới Thiệu các Thử Nghiệm Theo mô hình dự báo dịch tả đề xuất như mô tả trên Hình 1, các khâu tiền xử lý dữ liệu và các thử nghiệm sau được thực hiện: 1. Phân tích điểm nóng dịch bệnh tả. Mục tiêu của thử nghiệm này là tìm ra các điểm nóng (Hot Spot) bùng phát dịch tả và mối quan hệ giữa sự bùng phát dịch với các yếu tố không gian, gồm khí tượng, thủy văn (mặt nước) và mật độ dân số; 2. Thử nghiệm các mô hình hồi qui đa biến cho dự báo dịch tả. Thử nghiệm này được thực hiện trên cơ sở kết quả của bước phân tích điểm nóng dịch tả, và gồm có 3 khâu: (i) Lựa chọn biến giải thích phát sinh dịch bệnh tả, (ii) Phân tích hồi quy tuyến tính (OLS) và (iii) Phân tích hồi quy trong số không gian (GWR). Các khâu trên được tiến hành tuần tự do khâu tiếp theo nhận đầu vào là kết quả của khâu trước. B. Phân Tích Điểm Nóng Dịch Tả Từ dữ liệu thống kê số ca bệnh tả theo năm trong giai đoạn 2001– 2011 biểu diễn trên Hình 2, có thể rút ra nhận xét về diễn biến dịch tả khoảng thời gian xem xét từ năm 2001-2011: năm 2004 bắt đầu ghi nhận ca mắc bệnh tả tại Tp. Hà Nội với số lượng chỉ 25 ca. Sau đó, dịch tả bùng phát liên tục từ năm 2007 đến 2010, với đỉnh điểm là năm 2008. Tuy nhiên, về mặt không gian, câu hỏi đặt ra là các ca bệnh thường xuất hiện ở những khu vực nào? các ca bệnh phân bố tập trung thành cụm hay phân tán rải rác toàn vùng? Để trả lời cho hai câu hỏi này, nghiên cứu tiến hành phân tích điểm nóng theo từng năm bằng việc sử dụng thống kê Getis-Ord Gi* trên toàn địa bàn Tp. Hà Nội nhằm xác định khu vực thường xuyên xuất hiện các ca mắc bệnh. Từ đó, tạo tiền đề cho việc lựa chọn biến giải thích trong mô hình hồi quy dịch bệnh. Kết quả phân tích điểm nóng được thể hiện trên Hình 3. Theo đó, có thể thấy các điểm nóng về số ca bệnh tả thay đổi theo theo từng năm, tuy nhiên thường tập trung quanh khu vực nội đô bao gồm các quận Ba Đình, Hai Bà Trưng, Thanh Xuân, Đống Đa, Hoàng Mai và Cầu Giấy. Đây là vùng tập trung dân cư đông đúc, tiếp giáp với các con sông: sông Nhuệ, sông Kim Ngưu và sông Tô Lịch. Đây là các con sông có chỉ số ô nhiễm rất cao chảy qua địa bàn Tp. Hà Nội. Hình 2. Biểu diễn số ca bệnh tả theo năm giai đoạn 2001-2011 C. Thử Nghiệm Các Mô Hình Hồi Quy Đa Biến cho Dự Báo Dịch Tả 1) Lựa chọn biến giải thích phát sinh dịch bệnh tả Kết quả phân tích điểm nóng về ca bệnh tả theo năm cho thấy các điểm nóng đều tập trung tại những khu vực đông đúc dân cư và nằm gần các con sông ô nhiễm. Từ nhận định trên kết hợp với các kết quả nghiên cứu đi trước về phân tích bệnh tả, nghiên cứu này lựa chọn các biến giải thích phát sinh dịch bệnh tả theo năm trên địa bàn Tp. Hà Nội như sau: Khí hậu (R, Sh, T, U, V: lấy trung bình năm); Diện tích mặt nước (km2); Dân số (nghìn người). Do số ca mắc bệnh tả phân bố rất không đều theo năm (hay nói cách khác là số liệu không tuân theo quy luật phân bố chuẩn) nên nghiên cứu lựa chọn hàm hồi quy sau để giải thích số ca bệnh tả (y) với dạng như sau: Log(y) = α + β1 * R + β2 * Sh + β3 * T + β4 * U + β 5 * V + β 6 * Diện tích mặt nước + β 7 * Dân số + ε (1) trong đó: Log(y) là logarit của số ca mắc tả; α là hệ số chặn; β1, β2, β3, β4, β5, β6, β7 là các hệ số hồi quy; và ε là sai số ngẫu nhiên. Mục đích của lựa chọn hàm hồi quy logarit để đưa dữ liệu về dạng phân bố chuẩn. Các biến số khí hậu, diện tích mặt nước, dân số được coi là các biến độc lập, trong khi biến số về số ca mắc tả được coi là biến phụ thuộc. Mô hình hồi quy sẽ dự báo số ca tả mới mắc tại Hà Nội dựa vào dữ liệu về khí hậu, diện tích mặt nước và dân số. Lê Thị Ngọc Anh, Hoàng Xuân Dậu Tạp chí KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG Số 1 năm 2016 73 2) Phân tích hồi quy tuyến tính OLS Nhóm nghiên cứu tiến hành phân tích hồi quy tuyến tính OLS để thiết lập hàm mô phỏng, dự báo ca bệnh tả theo năm cho toàn bộ khu vực Hà nội. Tổng hợp kết quả phân tích hồi quy tuyến tính OLS cho năm các 2007, 2008, 2009 và 2010 được thể hiện trong Bảng II. Độ lệch chuẩn của phần dư (số ca thực tế - số ca mô phỏng) cho các năm trên được thể hiện lần lượt ở Hình 4. Nghiên cứu sử dụng độ đo hệ số xác định hiệu chỉnh (Adjusted R_squared) để so sánh mức độ ảnh hưởng giữa nhóm biến khí hậu với diện tích mặt nước và dân số với số ca bệnh. Hệ số xác định hiệu chỉnh cho biết các biến giải thích trong mô hình giải thích được bao nhiêu phần trăm sự biến đổi của biến phụ thuộc. Bảng II. Tổng hợp kết quả hệ số xác định hiệu chỉnh trong phân tích hồi quy OLS theo năm trong khu vực Hà Nội Năm Biến giải thích Hệ số xác định hiệu chỉnh (Adjusted R_squared) Giá trị thống kê (*p_value) 2007 Hằng số, Mặt nước, Khí hậu 0,258771 < 0,01 2008 Hằng số, Mặt nước, Dân số 0,424545 < 0,01 2009 Hằng số, Mặt nước, Khí hậu, Dân số 0,704000 < 0,01 2010 Hằng số, Mặt nước, Khí hậu, Dân số 0,637462 < 0,01 ± Hot Spot 2004 Gi_Bin Cold Spot - 99% Confidence Cold Spot - 95% Confidence Cold Spot - 90% Confidence Not Significant Hot Spot - 90% Confidence Hot Spot - 95% Confidence Hot Spot - 99% Confidence #* #* #* #* #* §an Phîng Th¹ch ThÊt Hoµi §øc Quèc Oai Ch¬ng Mü Thanh Oai Thêng TÝn Mü §øc øng Hßa Sãc S¬n §«ng Anh Gia L©m Tõ Liªm Thanh Tr× Tp. Hµ §«ng Tp. S¬n T©y Ba V× Phóc Thä Phó Xuyªn Mª Linh Ba §×nh T©y Hå Hoµn KiÕm Hai Bµ Trng Hoµng Mai §èng §a Thanh Xu©n CÇu GiÊy Long Biªn Ba Vi Ha Dong Lang Son Tay Hoai Duc ± Hot Spot 2008 Gi_Bin Cold Spot - 99% Confidence Cold Spot - 95% Confidence Cold Spot - 90% Confidence Not Significant Hot Spot - 90% Confidence Hot Spot - 95% Confidence Hot Spot - 99% Confidence #* #* #* #* #* §an Phîng Th¹ch ThÊt Hoµi §øc Quèc Oai Ch¬ng Mü Thanh Oai Thêng TÝn Mü §øc øng Hßa Sãc S¬n §«ng Anh Gia L©m Tõ Liªm Thanh Tr× Tp. Hµ §«ng Tp. S¬n T©y Ba V× Phóc Thä Phó Xuyªn Mª Linh Ba §×nh T©y Hå Hoµn KiÕm Hai Bµ Trng Hoµng Mai §èng §a Thanh Xu©n CÇu GiÊy Long Biªn Ba Vi Ha Dong Lang Son Tay Hoai Duc ± Hot Spot 2007 Gi_Bin Cold Spot - 99% Confidence Cold Spot - 95% Confidence Cold Spot - 90% Confidence Not Significant Hot Spot - 90% Confidence Hot Spot - 95% Confidence Hot Spot - 99% Confidence #* #* #* #* #* §an Phîng Th¹ch ThÊt Hoµi §øc Quèc Oai Ch¬ng Mü Thanh Oai Thêng TÝn Mü §øc øng Hßa Sãc S¬n §«ng Anh Gia L©m Tõ Liªm Thanh Tr× Tp. Hµ §«ng Tp. S¬n T©y Ba V× Phóc Thä Phó Xuyªn Mª Linh Ba §×nh T©y Hå Hoµn KiÕm Hai Bµ Trng Hoµng Mai §èng §a Thanh Xu©n CÇu GiÊy Long Biªn Ba Vi Ha Dong Lang Son Tay Hoai Duc ± Hot Spot 2009 Gi_Bin Cold Spot - 99% Confidence Cold Spot - 95% Confidence Cold Spot - 90% Confidence Not Significant Hot Spot - 90% Confidence Hot Spot - 95% Confidence Hot Spot - 99% Confidence #* #* #* #* #* §an Phîng Th¹ch ThÊt Hoµi §øc Quèc Oai Ch¬ng Mü Thanh Oai Thêng TÝn Mü §øc øng Hßa Sãc S¬n §«ng Anh Gia L©m Tõ Liªm Thanh Tr× Tp. Hµ §«ng Tp. S¬n T©y Ba V× Phóc Thä Phó Xuyªn Mª Linh Ba §×nh T©y Hå Hoµn KiÕm Hai Bµ Trng Hoµng Mai §èng §a Thanh Xu©n CÇu GiÊy Long Biªn Ba Vi Ha Dong Lang Son Tay Hoai Duc ± Hot Spot 2010 Gi_Bin Cold Spot - 99% Confidence Cold Spot - 95% Confidence Cold Spot - 90% Confidence Not Significant Hot Spot - 90% Confidence Hot Spot - 95% Confidence Hot Spot - 99% Confidence #* #* #* #* #* §an Phîng Th¹ch ThÊt Hoµi §øc Quèc Oai Ch¬ng Mü Thanh Oai Thêng TÝn Mü §øc øng Hßa Sãc S¬n §«ng Anh Gia L©m Tõ Liªm Thanh Tr× Tp. Hµ §«ng Tp. S¬n T©y Ba V× Phóc Thä Phó Xuyªn Mª Linh Ba §×nh T©y Hå Hoµn KiÕm Hai Bµ Trng Hoµng Mai §èng §a Thanh Xu©n CÇu GiÊy Long Biªn Ba Vi Ha Dong Lang Son Tay Hoai Duc Hình 3. Phân tích điểm nóng số ca bệnh tả năm 2004, 2007, 2008, 2009 và 2010 ỨNG DỤNG GIS TRONG DỰ BÁO DỊCH TẢ Tạp chí KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG74 Số 1 năm 2016 Từ các kết quả phân tích cho trên Bảng III, có thể rút ra nhận xét như sau: Trong năm 2007, sự kết hợp của yếu tố khí hậu và mặt nước giải thích được 25,87% số ca bệnh trên toàn khu vực. Trong năm 2008, sự kết hợp của dân số và mặt nước giải thích được 42,45% số ca bệnh trên toàn khu vực. Trong các năm 2009, 2010, sự kết hợp của yếu tố khí hậu, dân số và mặt nước giải thích được lần lượt 70,40%, 63,74% số ca bệnh trên toàn khu vực. Xu hướng hiện nay cho thấy, khí hậu đang có những chuyển biến sâu sắc do những tác động tiêu cực của con người và tự nhiên và những thay đổi này có ảnh hưởng đáng kể tới sức khỏe con người. 3) Phân tích hồi quy trọng số không gian GWR Mô hình thống kê toàn cục theo hồi quy tuyến tính OLS giả định tính đồng nhất theo không gian của các mối quan hệ giữa biến phụ thuộc và biến giải thích. Giả thiết này có thể dẫn đến kết quả sai lệch khi OLS được sử dụng cho bộ dữ liệu phụ thuộc không gian. Để khắc phục điểm yếu trên, phương pháp thống kê cục bộ hồi quy trọng số không gian (GWR) đã ra đời. Phương pháp này xem xét tính không đồng nhất của các mối quan hệ theo không gian. Nói cách khác, nó mô hình hóa các mối quan hệ thay đổi theo các vị trí không gian khác nhau. Dựa trên kết quả phân tích hồi quy OLS theo năm cho toàn khu vực, nhóm nghiên cứu xây dựng mô hình hồi quy trọng số không gian GWR nhằm cải thiện khả năng giải thích của mô hình OLS cũng như thiết lập hàm tuyến tính phù hợp cho từng quận huyện. Nghiên cứu sử dụng phương pháp chuẩn thông tin AIC (Akaite’s Information Criterion) để so sánh hai mô hình. Theo đó, mô hình nào có giá trị AIC Hình 4. Độ lệch chuẩn của phần dư (số ca thực tế - số ca mô phỏng) các năm 2007, 2008,2009 và 2010 Hình 5. Hệ số xác định hiệu chỉnh R2 cục bộ của mô hình GWR cho các năm 2007, 2008, 2009 và 2010 Lê Thị Ngọc Anh, Hoàng Xuân Dậu Tạp chí KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG Số 1 năm 2016 75 thấp sẽ chính xác hơn mô hình có giá trị AIC cao. Kết quả so sánh chỉ số AIC, giá trị hệ số xác định hiệu chỉnh R2 giữa mô hình OLS và mô hình GWR theo từng năm được thể hiện trong Bảng III. Theo đó, cho thấy ngoại trừ năm 2007, ba năm còn lại mô hình GWR đều cho kết quả tốt hơn mô hình OLS. Hình 5 thể hiện giá trị các giá trị của hệ số xác định hiệu chỉnh R² cục bộ thay đổi theo từng quận huyện của mô hình GWR. Qua đó cho thấy sự biến động theo không gian về mối quan hệ giữa các biến giải thích và số ca bệnh tả trong năm. Cụ thể, có thể chia hệ số xác định hiệu chỉnh R² thành hai nhóm giá trị thấp và cao. Theo đó, đối với năm 2007, có sự gia tăng giá trị R² theo hướng từ Tây sang Đông. Các năm tiếp theo, sự gia tăng giá trị hệ số R² theo hướng từ Bắc xuống Nam. Bảng III. So sánh hiệu quả giữa hai mô hình OLS và GWR theo năm Chỉ số 2007 2008 2009 2010 OLS GWR OLS GWR OLS GWR OLS GWR AIC 101,10 101,10 105,38 104,65 81,83 73,51 81,81 78,94 R2 0,26 0,26 0,42 0,46 0,70 0,84 0,64 0,69 Ưu điểm của mô hình GWR là khả năng hiển thị trực quan các hệ số ước lượng của mỗi biến giải thích theo từng đơn vị không gian, ở đây là quận, huyện. Điều này giúp cho việc khám phá các mối quan hệ phức tạp trở nên dễ dàng hơn. Kết quả ước lượng các hệ số của các biến giải thích cho sự xuất hiện của ca bệnh tả trong giai đoạn 2007- 2010 được thể hiện lần lượt trên các Hình 6, 7, 8 và 9 trong phần Phụ lục của bài báo. Dải màu thay đổi từ xanh đậm đến đỏ đậm tương ứng với mức độ ảnh hưởng đến số ca bệnh tả từ thấp nhất đến cao nhất. 4) Một số nhận xét Qua phân tích hồi quy OLS và GWR, nhóm nghiên cứu rút ra một số nhận xét như sau: • Xét theo năm, tác động của khí hậu đến ca bệnh biểu hiện rõ nét trong các năm 2007, 2009, 2010, trong khi năm còn lại 2008 tác động này không đáng kể. Đối với mặt nước, tác động của yếu tố này đến ca bệnh thể hiện liên tục từ 2007 đến 2010. Yếu tố dân số có ảnh hưởng đến ca bệnh trong hai năm 2008 và 2010. Kết quả phân tích của nghiên cứu cho thấy yếu tố mặt nước có vai trò quan trọng trong mô hình dự báo. • Xét về không gian, số ca bệnh dự báo tại các khu vực nội đô thường nhỏ hơn số ca bệnh thực tế. Trong khi đó, tại các quận, huyện ở khu vực phía Bắc và Nam giá trị này thường lớn hơn. Cần có nghiên cứu sâu hơn để tìm hiểu sự tương tác của không gian trong ảnh hưởng số ca bệnh nhằm đưa ra mô hình dự báo tốt nhất. • Xét về mô hình, cả hai mô hình OLS và GWR đều có thể giải thích được số ca bệnh. Tuy nhiên, mô hình GWR cho kết quả tốt hơn mô hình OLS theo năm nhờ khả năng ước lượng các hệ số của mô hình thay đổi theo không gian. V. KẾT LUẬN Nghiên cứu đã bước đầu xác định các điểm nóng về dịch bệnh thường tập trung thành cụm quanh khu vực nội đô, nơi tập trung dân cư đông đúc, tiếp giáp với các con sông ô nhiễm. Nghiên cứu cũng xây dựng các mô hình hồi quy OLS và GWR khái quát dự báo dịch tả trên địa bàn Tp. Hà Nội theo năm dựa trên các biến khí hậu (nhiệt độ không khí, lượng mưa, độ ẩm, số giờ nắng, tốc độ gió), dân số, diện tích mặt nước trong giai đoạn 2001 - 2011. Các kết quả đạt được cho thấy khả năng ứng dụng GIS hiệu quả trong phân tích dịch bệnh tả trên địa bàn nghiên cứu khi chỉ ra được những điểm nóng cũng như lý giải mối liên hệ giữa các biến khí hậu, mặt nước và dân số phân bố theo không gian với số ca bệnh theo thời gian. Điều đó góp phần hỗ trợ cho công tác quản lý dịch bệnh theo không gian và thời gian. Đồng thời, kết quả nghiên cứu tạo tiền đề quan trọng cho các nghiên cứu tiếp theo về mô phỏng, dự báo dịch tả trên địa bàn Tp. Hà Nội. Bên cạnh những kết quả đạt được, còn một số vấn ỨNG DỤNG GIS TRONG DỰ BÁO DỊCH TẢ Tạp chí KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG76 Số 1 năm 2016 đề cần tiếp tục nghiên cứu cải thiện như: (1) Thời gian theo dõi số ca bệnh tả còn tương đối ngắn, trong đó các ca bệnh chỉ xuất hiện trong 5 năm (2004, 2007, 2008, 2009 và 2010) trong cả một chuỗi thời gian từ 2001-2011. Bên cạnh đó số ca bệnh tả xuất hiện trong mỗi năm trong giai đoạn xem xét cũng không nhiều. Hơn nữa, dữ liệu số ca bệnh tả từ 2001 đến 2011 là không cân bằng (không tuân theo quy luật phân phối chuẩn) trong giai đoạn xem xét, chỉ chiếm 4,22% theo ngày, hoặc 13% nếu tính theo tháng. Chính vì vậy, để thấy rõ hơn tác động của khí hậu, mặt nước và dân số đến dịch bệnh tả, cần tiếp tục theo dõi tình hình dịch bệnh tả trong những năm tiếp theo; (2) Số lượng biến tham gia lý giải số ca bệnh tả còn ít. Tuy nhiên, đây là hiện trạng thực tế và có thể coi là đặc thù của dữ liệu dịch bệnh trong y tế, không phải khi nào số ca mắc bệnh cũng lớn trong một địa bàn nghiên cứu. Vì vậy, vẫn rất cần những mô hình dự báo phù hợp với đặc điểm này. Mặc dù vậy, kết quả nghiên cứu đã cho thấy mối liên hệ chặt chẽ giữa khí hậu, mặt nước, dân số và sự xuất hiện của các ca bệnh tả. Đối với khí hậu, dữ liệu theo dõi khá đầy đủ, trong khi với mặt nước, chỉ có dữ liệu diện tích mặt nước. Vì vậy, cần thu thập thêm số liệu về chất lượng nước mặt trên địa bàn, đặc biệt tại các con sông trong khu vực, để có thể phân tích sâu hơn, toàn diện hơn diễn biến dịch bệnh; (3) Nghiên cứu này dừng lại ở phân tích dịch bệnh theo cấp độ quận, huyện nên độ chính xác về không gian còn tương đối hạn chế. Do đó, cần tiến hành thêm phân tích ở cấp độ phường, xã để nâng cao độ chính xác. Ngoài ra, khi thu thập số liệu ca bệnh tả nên ghi nhận chi tiết đến địa chỉ nhà, tọa độ GPS để cung cấp đầu vào chi tiết hơn cho quá trình phân tích trong GIS TÀI LIỆU THAM KHẢO [1]. Plowright, R.K., Cross, P.C., Tabor, G.M., Almberg, E., Bienen, L. and Hudson, P.J., 2012. Climate Change and Infectious Disease Dynamics. In: A.A. Aguirre, R. Ostfeld and P. Daszak, eds., New Directions in Conservation Medicine: Applied Cases of Ecological Health. Oxford University Press, pp. 111–121. [2]. Leckebusch, G.C. and Abdussalam, A.F., 2015. Climate and socioeconomic influences on interannual variability of cholera in Nigeria. Health & Place, [online] 34, pp. 107–117. Available at: <http:// linkinghub.elsevier.com/retrieve/pii/ S1353829215000660 [3]. Auchincloss A.H., Gebreab S.Y., Mair C. and Roux Ana V.D. (2012). A Review of Spatial Methods in Epidemiology, 2000– 2010. The Annual Review of Public Health is online at publhealth.annualreviews.org. [4]. Heywood, I., Cornelius, S. and Carver, S., 2002. Introduction to Geographic Information Systems. Pearson Publication. [5]. Osei F.B., Duker A.A. (2008). Spatial dependency of V. cholera prevalence on open space refuse dumps in Kumasi, Ghana: a spatial statistical modelling. International Journal of Health Geographics 2008. [6]. Osei F.B., Duker A.A. and Stein A. (2012). Cholera and Spatial Epidemiology, Cholera, Dr.Sivakumar Gowder (Ed.), ISBN: 978-953-51- 0415-5, InTech, Available from: http:// www.intechopen.com/books/cholera/ cholera-and-spatial-epidemiology. [7]. Nkeki, F.N. and Osirike, A.B., 2013. GIS- based local spatial statistical model of cholera occurrence: using geographically weighted regression. Journal of Geographic Information System, 5, pp.531–542. [8]. Rasam, A.R.A., Ghazali, R., Noor, A.M.M., Mohd, W.M.N.W., Hamid, J.R.A., Bazlan, M.J. and Ahmad, N., 2014. Spatial epidemiological techniques in cholera mapping and analysis towards a local scale predictive modelling. IOP Conference Series: Earth and Environmental Science, Lê Thị Ngọc Anh, Hoàng Xuân Dậu Tạp chí KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG Số 1 năm 2016 77 [online] 18. Available at: < org/1755-1315/18/i=1/a=012095?key= cros sref.018d453478b90fd70bf231feaecdaab6. [9]. Cromley, E.K. and McLafferty, S.L., 2011. GIS and Public Health. 2nd ed. New York, USA: The Guilford Press. [10]. Nguyễn Kim Lợi and Trần Thống Nhất, 2007. Hệ thống Thông tin Địa lý – Phần mềm ArcView 3.3. TP Hồ Chí Minh: Nxb Nông Nghiệp. [11]. Rosenzweig, C., Casassa, G., Karoly, D.J., Imeson, A., Liu, C., Menzel, A., Rawlins, S., Root, T.L., Seguin, B. and Tryjanowski, P., 2007. Assessment of observed changes and responses in natural and managed systems. In: M.L. Parry, O.F. Canziani, J.P. Palutikof, P.J. van der Linden and C.E. Hanson, eds., Climate Change 2007: Impacts, Adaptation and Vulnerability Contribution of Working Group II to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. APPLYING GIS IN CHOLERA FORECAST Abstract: The spread of infectious diseases has a close relationship with the temporal and spatial localities due to the spread of disease is more likely to occur if individuals are in near disease sources in terms of specific space and time. Therefore, it is very important to take both the temporal and spatial factors in the analysis of epidemic data. The basic principle is to examine the dependent relationship between observations on both space and time dimensions. In order to meet the above requirements, Geographic Information System (GIS) has the advantage over traditional non- space methods. GIS can be used to determine the location and to create the map of disease cases. It can also be used for researching the causes of disease outbreaks, and for simulating and forecasting the disease spread. This paper proposed a GIS-based cholera forecast model for Hanoi city, which took the impact of the city’s climate changes into consideration. Experimental results showed that GIS can be effectively used for the analysis of the cholera epidemic of the research area. The research pointed out the hot spots of cholera disease as well as it explained the relationship between spatial distribution variables, including climate, water area and population, and the temporal distribution variable of the number of cholera cases. Lê Thị Ngọc Anh Tốt nghiệp Đại học Mở Hà Nội, ngành T in học quản lý năm 1999. Năm 2005 cô nhận bằng Thạc sĩ ngành Engineering Management Information System tại Đại học Stockholm. Hiện cô là Trường phòng Công nghệ thông tin, Đại học Y Hà Nội và là NCS tại Học viện Công nghệ Bưu Chính Viễn Thông. Hướng nghiên cứu chính: Hệ thống thông tin, Hệ thống thông tin y tế, Hệ thống thông tin địa lý, Hệ thống quản lý học tập, Cơ sở các hệ thống thông tin và Công nghệ tri thức. Hoàng Xuân Dậu Nhận bằng Kỹ sư Tin học tại Đại học Bách khoa Hà Nội năm 1994 và nhận bằng Thạc sĩ ngành Công nghệ các hệ thống máy tính tại Đại học RMIT, Melbourne, Australia, năm 2000. Năm 2006, ông nhận bằng Tiến sĩ Khoa học máy tính tại Đại học RMIT, Melbourne, Australia. Ông hiện là giảng viên, Khoa Công nghệ thông tin I, Học viện Công nghệ Bưu Chính Viễn Thông. Hướng nghiên cứu chính: Học máy, khai phá dữ liệu, an ninh mạng, an toàn phần mềm và các giải pháp đảm bảo an toàn thông tin. ỨNG DỤNG GIS TRONG DỰ BÁO DỊCH TẢ Tạp chí KHOA HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG78 Số 1 năm 2016 Phụ lục: Tham số cục bộ của mô hình GWR cho các năm 2007, 2008, 2009 và 2010 Hình 6. Tham số cục bộ của mô hình GWR cho năm 2007 Hình 7. Tham số cục bộ của mô hình GWR cho năm 2008 Hình 8. Tham số cục bộ của mô hình GWR cho năm 2009 Hình 9. Tham số cục bộ của mô hình GWR cho năm 2010