Dr. sc. Željko MIHALJEVIĆ*, dr. med. vet., znanstveni savjetnik, (dopisni autor, e-mail: miha@veinst.hr), dr. sc. Miroslav BENIĆ, dr. med. vet., docent, znanstveni savjetnik, Hrvatski veterinarski institut, Zagreb, Hrvatska
Dr. sc. Željko MIHALJEVIĆ, Hrvatski veterinarski institutPrednost prikazivanja slučajeva bolesti, broja životinja, rizika od bolesti i drugih podataka u slikovnom obliku u veterinarskoj epidemiologiji je očita.
Razumijevanjem geoprostornih obilježja bolesti u populaciji životinja može se predvidjeti širenje bolesti i evaluirati različite metode kontrole i suzbijanja bolesti (Colby i Johnson, 2002., Pfeiffer i Hugh-Jones, 2002.). U slučaju epidemije, uključivanjem prostorno – vremenske dimenzije epidemije i okolišnih čimbenika važnih za prijenos bolesti u geoprostornoj analizi (najčešće klimatskih: temperatura, vjetar, padaline; topografskih – nadmorska visina, rijeke, jezera; i antropoloških: naselja, ceste) može se ciljano djelovati u najugroženijim područjima i tako povećati efikasnost i smanjiti štete od epidemije (Clements i Pfeiffer, 2009.).
Razvoj informatičke tehnologije, posebice geografsko informacijskih sistema (GIS) doveo nas je u mogućnost da kvantitativno izmjerimo i ocijenimo prostorne čimbenike širenja bolesti. Dugo je godina GIS bilo teško koristiti, bio je skup i tehnički vrlo zahtjevan. Danas su zemljopisno referencirani podatci postali široko dostupni, a u isto vrijeme, razvijeni su različiti statistički alati koji su u stanju obraditi veliku količinu podataka. Najčešća uporaba GIS-a je u stvaranju deskriptivnih karti, ali njegove mogućnosti se sve više koriste u analizi rizika i u upravljanju suzbijanja epidemija ili eradikaciji bolesti (Norstrom, 2001., Ehlers i sur., 2003., Clements i Pfeiffer, 2009.). Cilj ovog članka je pokazati značenje i mogućnosti korištenja geoprostorne analize u praćenju bolesti životinja.
GIS je računalni sustav za vizualiziranje prostornih informacija, kombiniranje s ostalim podatcima te njihovu analizu (Meliker i Sloan, 2011.).
Slika 1. Način rada GIS-a Slika 2. Karta slučajeva kolere iz 1854. godine Izvor: https://www.udel.edu/johnmack/frec682/cholera/Početci prostorne analize datiraju od 1854. godine kada je dr. John Snow ucrtavanjem lokacija umrlih od kolere u kartu pronašao žarište bolesti (Slika 2). Utvrdio je da je većina oboljelih unutar nekoliko stotina metara od javne crpke na Broad Street. Uklanjanjem ručke crpke prestala je epidemija kolere (Shiode i sur., 2015.).
Iako je od tada prošlo više od 150 godina, koncept je ostao isti, samo se na karti, osim ulica i broja slučajeva, mogu ucrtati i razne druge karakteristike. Dr. Snow-u je bilo dovoljno samo ucrtavanje slučajeva bolesti za izvođenje zaključka o izvoru zaraze. Slika 3. Prostorna gustoća umrlih od kolere oko svake crpke (Kernelova procjena gustoće) Izvor: https://www.udel.edu/johnmack/frec682/cholera/Današnja GIS analiza uključuje mnoštvo statističko-prostornih alata kojima se kvantificiraju prostorni odnosi među slučajevima bolesti pa ista zemljopisna karta izgleda nešto drugačije i nedvojbeno ukazuje na istu javnu crpku na Broad Streetu (Slika 3.)Slika 4. Preklapanje slojeva u GIS-u
Prostorne informacije se mogu nalaziti u vektorskom ili rasterskom obliku. Mape u vektorskom obliku prikazuju svijet pomoću točke, linije ili poligona, a rasterske prikazuju svijet kao kvadratnu rešetku. GIS preklapa podatke kao slojeve na projektoru (Slika 4). Farme ili slučajevi bolesti mogu se na karti prikazati kao točke, a područja (lovišta, općine, županije) kao poligoni. Svaki od tih slojeva mora biti georeferentan, tj. mora biti u zadanoj geografskoj projekciji i svaki objekt (ucrtana točka) točno definiran koordinatama. Detaljne digitalne karte mogu se besplatno preuzeti na različitim internetskim serverima.
U Hrvatskoj je najopširniji geoportal onaj Državne geodetske uprave. Osim karti, za GIS analizu potrebni su i drugi georeferencirani podatci kao što su vegetacija, uporaba zemljišta, prosječna temperatura, nadmorska visina, količina padalina itd. koji su dobiveni iz različitih izvora, uglavnom satelitskih snimki. Ovi georeferencirani podatci su dostupni najčešće besplatno (npr. Google, Državni hidrometeorološki zavod) i gotovo svakodnevno se unaprjeđuju.
GIS dopušta da svaki sloj osim georeferencijalnih podataka ima i razne druge podatke u tabličnoj formi koji se različitim statističkim alatima mogu analizirati, a ne moraju biti prikazani na karti.
Način korištenja GIS-a u praćenju bolesti životinja
Slika 5. Zona opasnosti od slinavke i šapaNajčešće prostorne analize u praćenju bolesti životinja su procjena udaljenosti, izračunavanje prevalencije ili incidencije u specifičnom prostoru (agregacijske metode) i neka od procjena okupljanje (klastera) slučajeva bolesti (Pfeiffer i Hugh-Jones, 2002., Cringoli i sur., 2005.). Sve češće se rabi i prostorna interpolacija i multivarijabilna prostorna regresija. Procjena udaljenosti je alat koji se najčešće koristi pri pojavi epidemija.
Ucrtavanjem kružnih zona određenog radijusa (buffer zona) oko zaražene farme mogu se lako identificirati sve ugrožene farme i tako pomoći terenskim veterinarima da ciljnim djelovanjem povećaju efikasnost u planiranju poslova i upravljanju potencijalnom epidemijom.
Procjena udaljenosti (ravnom linijom ili euklidskom udaljenošću) upotrebljava se i kod različitih onečišćenja okoliša i procjene njegovog utjecaja na zdravlje ljudi i životinja (Auchincloss i sur., 2012.).
Agregacijske karte su postale sveprisutne za prikaz bolesnih ili ugroženih ljudi i životinja. Ukoliko želimo naglasiti razlike u populaciji životinja najčešće koristimo prikaz ukupnog broja, prosječne vrijednosti, prevalencije ili incidencije po administrativnim područjima općinama, županijama ili državama (slika 6).Slika 6. Broj goveda po županijama u Republici HrvatskojKada nemamo podataka o populaciji životinja na nekom području obično se služimo prikazom gustoće pri čemu se slučajevi bolesti koji se nalaze unutar definiranog područja zbrajaju i zatim dijele s površinom područja. Prikazom Kernelove procjene gustoće slučajevi bolesti koje se nalaze bliže jedan drugome dobivaju veće značenje od udaljenijih (Slika 7).Slika 7. Kernelova procjena gustoće slučajevaPrikazivanjem na karti često se čini da postoji koncentriranje slučajeva na nekom prostoru. Za testiranje statističke značajnosti koncentriranih slučajeva provodimo prostornu klaster analizu koja je najčešći alat za prikazivanje međusobno prostorno ovisnih slučajeva bolesti (Fahrion i sur., 2014.). Razvijeno je više statističkih alata da bi se odredilo je li broj slučajeva bolesti dovoljno velik i prostorno koncentriran da bi se mogao nazvati klasterom bolesti. Razlikujemo globalni klastering, u kojem područja koncentriranja slučajeva bolesti nisu predefinirana i u kojem se prisutnost klastera bolesti određuje empirijski, lokalni klastering, u kojem su specifični klasteri malog opsega određeni statistički (Slika 8) te žarišne klastere u kojem se testira predefinirano malo područje kao što je odlagalište otpada, hranilište ili neko drugo specifično mjesto (Auchincloss i sur., 2012.).Slika 8.Hot spot GIS analizaPrezentiranjem putem GIS-a distribucije i proširenosti bolesti u prostoru, nadležna državna tijela mogu najbolje planirati prostor za intervenciju i pratiti njenu djelotvornost (Norstrom, 2001., Lian i sur., 2007., Oganesyan i sur., 2013.). Isto se tako, vrlo lako mogu uočiti područja u kojima je intervencija zakazala.
U bolesti koje ovise o zemljopisnim ili klimatskim karakteristikama određenog područja GIS predstavlja osnovni alat za vizualizaciju područja visokog ili malog rizika za pojavu bolesti. Zato se GIS analiza često koristi u kombinaciji s GPS tehnologijom u kontroli zaraznih bolesti, posebno onih koje prenose insekti (Pinzon i sur., 2005., Hendrickx i sur., 2008., Franco i sur., 2011., Novobilsky i sur., 2015.). Naime, vektori bolesti, krpelji ili komarci, obično su vezani za karakteristična staništa s određenim rasponom temperature i vlage pa se preventivnom zaštitom životinja u tim područjima može djelotvorno spriječiti i suzbijati zaraznu bolest (Hendrickx i sur., 2008., Racloz i sur., 2008., Rodriguez-Prieto i sur., 2011.).
Integracija vremenskih i zemljopisnih obilježja bolesti
Pozicioniranje slučajeva bolesti je vezano za jedan trenutak i nastala mapa je ograničena svojim prikazom na samo taj određeni trenutak. Dodatnim pozicioniranjem novih slučajeva nakon određenog vremena bolesti može se stvoriti slika širenja bolesti. Značajan razvoj zajedničkog prikazivanja vremenskih i zemljopisnih čimbenika dogodio se širokom uporabom pametnih telefona s GPS lokatorom te je uz interakciju s terenskim veterinarima moguće praćenje pojave i širenja bolesti u stvarnom vremenu (Rinaldi i sur., 2006.).
Otvorenim pristupom prema podatcima javnih ustanova značajno se unapređuje mogućnost razvoja mobilnih aplikacija za epidemiološko praćenje bolesti.
Za bolje razumijevanje i stvaranje slike o povezanosti između populacije i bolesti koriste se prostorni simulacijski modeli (Le Menach i sur., 2005., Rinaldi i sur., 2005., Mortarino i sur., 2008., Fahrion i sur., 2014., Ducheyne i sur., 2015.). U simulacijski se model mogu uključiti informacije o farmi, broju i vrsti životinja na njoj, proizvodnji, hranidbi, klimatske, vegetacijske i antropološke značajke promatranog područja. Simulacijom se u modelu mogu mijenjati čimbenici rizika kao što su: kretanje životinja, temperatura, smjer vjetra i drugi. To je najefikasniji znanstveno opravdani način sprječavanja širenja i suzbijanja bolesti.
Ovakvi modeli su najviše iskorištavani u analizi rizika od potencijalne pojave naročito opasnih zaraznih bolesti kao što su: slinavka i šap i svinjska kuga (Ehlers i sur., 2003., Koslowsky i sur., 2004., Le Menach i sur., 2005., Perez i sur., 2009., Gulenkin i sur., 2011.).
Prostornim se prikazivanjem i GIS analizom podataka o pojavi i kretanju bolesti u populaciji životinja značajno unaprjeđuje sustav kontrole bolesti. GIS je značajan alat u eradikaciji bolesti i znatna pomoć u sagledavanju epidemiološkog stanja na terenu. Razvojem tehnologije danas je moguće u realnom vremenu GIS-om prikazati prostornu dinamiku bolesti i upozoriti terenskog veterinara na moguću pojavu epidemije. Rezultat primjene geoprostorne analize je značajno brža i efikasnija dijagnostika i suzbijanje epidemija, a time su i štete od bolesti znatno manje.
Razumijevanje povezanosti geoprostornih obilježja sa zdravljem je značajan čimbenik u epidemiološkom istraživanju i do danas je razvijeno mnoštvo alata za provođenje geoprostorne analize u ovim istraživanjima. Ovaj pregledni članak donosi pregled prostorne epidemiologije i dostupnih alata u geoprostornoj analizi te osvrt na značajnije metode koje se koriste u veterinarskoj epidemiologiji. Najčešće korištene geoprostorne metode su procjena udaljenosti i procjena prostornog okupljanja. Razvojem nove tehnologije olakšava se i provođenje prostorno – vremenske analize. U slučaju epidemije u populaciji životinja najčešće se upotrebljava metoda procjene udaljenosti kako bi se moglo identificirati farme na kojima je potrebna intervencija. U članku su spomenute i simulacijske metode geoprostorne analize koje će u budućnosti postati vrlo važne za praćenje zdravlja životinja u populaciji. Ključne riječi:geoprostorna analiza, bolesti životinja, veterinarska epidemiologija, praćenje
1. AUCHINCLOSS, A. H., S. Y. GEBREAB, C. MAIR and A. V. DIEZ ROUX (2012): A review of spatial methods in epidemiology, 2000-2010. Annu. Rev. Publ. Health 33, 107-122.
2. CLEMENTS, A. C. and D. U. PFEIFFER (2009): Emerging viral zoonoses: frameworks for spatial and spatiotemporal risk assessment and resource planning. Vet. J. 182, 21-30.
3. COLBY, M. M. and Y. J. JOHNSON (2002): Potential uses for geographic information system-based planning and decision support technology in intensive food animal production. Anim. Health Res. Rev. 3, 31-42.
4. CRINGOLI, G., L. RINALDI, V. VENEZIANO and V. MUSELLA (2005): Disease mapping and risk assessment in veterinary parasitology: some case studies. Parassitologia 47, 9-25.
5. DUCHEYNE, E., J. CHARLIER, J. VERCRUYSSE, L. RINALDI, A. BIGGERI, J. DEMELER, C. BRANDT, T. DE WAAL, N. SELEMETAS, J. HOGLUND, J. KABA, S. J. KOWALCZYK and G. HENDRICKX (2015): Modelling the spatial distribution of Fasciola hepatica in dairy cattle in Europe. Geospat. Health. 9, 261-270.
6. EHLERS, M., M. MOLLER, S. MARANGON and N. FERRE (2003): The use of Geographic Information System (GIS) in the frame of the contingency plan implemented during the 1999-2001 avian influenza (AI) epidemic in Italy. Avian Dis. 47, 1010-1014.
7. FAHRION, A. S., E. BEILAGE, H. NATHUES, S. DURR and M. G. DOHERR (2014): Evaluating perspectives for PRRS virus elimination from pig dense areas with a risk factor based herd index. Prev. Vet. Med. 114, 247-258.
8. FRANCO, A. O., C. R. DAVIES, A. MYLNE, J. P. DEDET, M. GALLEGO, C. BALLART, M. GRAMICCIA, L. GRADONI, R. MOLINA, R. GALVEZ, F. MORILLAS-MARQUEZ, S. BARON-LOPEZ, C. A. PIRES, M. O. AFONSO, P. D. READY and J. COX (2011): Predicting the distribution of canine leishmaniasis in western Europe based on environmental variables. Parasitology 138, 1878-1891.
9. GULENKIN, V. M., F. I. KORENNOY, A. K. KARAULOV and S. A. DUDNIKOV (2011): Cartographical analysis of African swine fever outbreaks in the territory of the Russian Federation and computer modeling of the basic reproduction ratio. Prev. Vet. Med. 102, 167-174.
10. HENDRICKX, G., M. GILBERT, C. STAUBACH, A. ELBERS, K. MINTIENS, G. GERBIER and E. DUCHEYNE (2008): A wind density model to quantify the airborne spread of Culicoides species during north-western Europe bluetongue epidemic, 2006. Prev. Vet. Med. 87, 162-181.
11. KOSLOWSKY, S., C. STAUBACH, M. KRAMER and L. H. WIELER (2004): [Risk assessment of bluetongue disease incursion into Germany using geographic information system (GIS)]. Berl. Munch. Tierarztl. Wochenschr. 117, 214-225.
12. LE MENACH, A., J. LEGRAND, R. F. GRAIS, C. VIBOUD, A. J. VALLERON and A. FLAHAULT (2005): Modeling spatial and temporal transmission of foot-and-mouth disease in France: identification of high-risk areas. Vet. Res. 36, 699-712.
13. LIAN, M., R. D. WARNER, J. L. ALEXANDER and K. R. DIXON (2007): Using geographic information systems and spatial and space-time scan statistics for a population-based risk analysis of the 2002 equine West Nile epidemic in six contiguous regions of Texas. Int. J. Health Geogr. 6, 42.
14. MELIKER, J. R. and C. D. SLOAN (2011): Spatio-temporal epidemiology: principles and opportunities. Spat. Spatiotemporal Epidemiol. 2, 1-9.
15. MORTARINO, M., V. MUSELLA, V. COSTA, C. GENCHI, G. CRINGOLI and L. RINALDI (2008): GIS modeling for canine dirofilariosis risk assessment in central Italy. Geospat. Health 2, 253-261.
16. NORSTROM, M. (2001): Geographical Information System (GIS) as a tool in surveillance and monitoring of animal diseases. Acta Vet. Scand. Suppl. 94, 79-85.
17. NOVOBILSKY, A., J. NOVAK, C. BJORKMAN and J. HOGLUND (2015): Impact of meteorological and environmental factors on the spatial distribution of Fasciola hepatica in beef cattle herds in Sweden. BMC Vet. Res. 11, 128.
18. OGANESYAN, A. S., O. N. PETROVA, F. I. KORENNOY, N. S. BARDINA, A. E. GOGIN and S. A. DUDNIKOV (2013): African swine fever in the Russian Federation: spatio-temporal analysis and epidemiological overview. Virus Res. 173, 204-211.
19. PEREZ, A. M., D. ZENG, C. J. TSENG, H. CHEN, Z. WHEDBEE, D. PATON and M. C. THURMOND (2009): A web-based system for near real-time surveillance and space-time cluster analysis of foot-and-mouth disease and other animal diseases. Prev. Vet. Med. 91, 39-45.
20. PFEIFFER, D. U. and M. HUGH-JONES (2002): Geographical information systems as a tool in epidemiological assessment and wildlife disease management. Rev. Sci. Tech. 21, 91-102.
21. PINZON, E., J. M. WILSON and C. J. TUCKER (2005): Climate-based health monitoring systems for eco-climatic conditions associated with infectious diseases. Bull. Soc. Pathol. Exot. 98, 239-243.
22. RACLOZ, V., G. VENTER, C. GRIOT and K. D. STARK (2008): Estimating the temporal and spatial risk of bluetongue related to the incursion of infected vectors into Switzerland. BMC Vet. Res. 4, 42.
23. RINALDI, L., V. MUSELLA, A. BIGGERI and G. CRINGOLI (2006): New insights into the application of geographical information systems and remote sensing in veterinary parasitology. Geospat. Health 1, 33-47.
24. RINALDI, L., G. FUSCO, V. MUSELLA, V. VENEZIANO, A. GUARINO, R. TADDEI and G. CRINGOLI (2005): Neospora caninum in pastured cattle: determination of climatic, environmental, farm management and individual animal risk factors using remote sensing and geographical information systems. Vet. Parasitol. 128, 219-230.
25. RODRIGUEZ-PRIETO, V., B. MARTINEZ-LOPEZ, M. MARTINEZ, M. J. MUNOZ and J. M. SANCHEZ-VIZCAINO (2011): Identification of suitable areas for West Nile virus outbreaks in equid populations for application in surveillance plans: the example of the Castile and Leon region of Spain. Epidemiol. Infect. 140, 1617-1631.
26. SHIODE, N., S. SHIODE, E. ROD-THATCHER, S. RANA and P. VINTEN-JOHANSEN (2015): The mortality rates and the space-time patterns of John Snow’s cholera epidemic map. Int. J. Health Geogr. 14, 21.
Željko MIHALJEVIĆ, DVM, PhD, Scientific Advisor, Miroslav BENIĆ, DVM, PhD, Assistant Professor, Scientific Advisor, Croatian Veterinary Institute, Zagreb, Croatia
Understanding the impact of place on health is a key element of epidemiologic research, and numerous tools have been employed for the analysis of spatial health-related data. This review documents the huge growth in spatial epidemiology, summarizes the tools that have been employed, and provides in-depth discussion of several methods. The most common spatial methods are distance calculations and spatial aggregation. New technology developments facilitate space-time. Proximity measures have been widely applied in epidemics to identify farms where intervention is needed.
The review concludes with a discussion of emerging geospatial simulation methods that are likely to be important for future animal health monitoring. Key words:Geospatial analysis, Animal diseases, Veterinary epidemiology, Monitoring
Ova web stranica koristi kolačiće radi poboljšanja korisničkog doživljaja pri njezinom korištenju. Korištenjem ove stranice suglasni ste s tim. PrihvatiViše
