APLIKASI SISTEM MAKLUMAT GEOGRAFI (GIS) BAGI

APLIKASI SISTEM MAKLUMAT
GEOGRAFI (GIS) BAGI MENGENALPASTI
KAWASAN BERISIKO TINGGI BAGI
PENYAKIT DEMAM DENGGI
NAZRI CHE DOM
Pensyarah
Jabatan Kesihatan Persekitaran
Universiti Teknologi MARA
UiTM Kampus Puncak Alam
email: [email protected]
Sektor kesihatan awam telah dikenalpasti pada peringkat global sebagai
salah satu sektor baru yang berpotensi untuk aplikasi dalam teknologi
geografi terutamanya Sistem Maklumat Geografi (GIS).
GIS sejak akhir-akhir ini dilihat sebagai alat yang berpotensi untuk
memperbaiki kesihatan penduduk (Anon, 1997) dan menyumbang kepada
pembangunan polisi, pelaksanaan, dan penyelidikan dalam kesihatan
awam.
Page 2
1
Pertubuhan Kesihatan Sedunia (WHO) telah menyatakan bahawa:
“Sistem Maklumat Geografi (GIS) bernilai di dalam mengumpul dan
mempersembahkan data pada peringkat kebangsaan dan wilayah,
khususnya data alam sekitar dan data hasilan kesihatan kepada
impak dan kegunaan perkhidmatan kesihatan”.
(WHO, 1996)
Umumnya, GIS berperanan di dalam mengumpul, menyimpan, menganalisis,
memanipulasi, dan memaparkan semula maklumat mengikut kehendak penyelidik
dan pengguna
Page 3
SCENE
Akta
Pemusnah
Serangga
Pembawa Penyakit 1975 (APSPP1975) telah digubal dan diluluskan
oleh parlimen pada tahun 1975
dalam usaha untuk mengawal
penyakit ini dan juga penyakitpenyakit berjangkit yang lain.
Sebelum akta ini digubal dan
diluluskan, tanggungjawab untuk
mencegah,
mengurus
dan
mengawal
penyakit
demam
denggi khususnya di kawasan
bandar
adalah
di
bawah
tanggungjawab kerajaan tempatan
dan Jabatan Kesihatan Negeri
yang berkenaan
Pada tahun 1983, pengawasan
dan pencegahan penyakit DD dan
DDB sepenuhnya terletak di bawah
tanggungjawab
Rancangan
Kawalan
PenyakitPenyakit
Bawaan
Vektor
(RKPBV),
Kementerian Kesihatan Malaysia
(KKM).
RKPBV juga bertanggungjawab
bagi mengawal dan mencegah
penyakit bawaan vektor yang lain
seperti Malaria, Filariasis,Japanese
Encephalitis (JE), Typhus, Plague
dan demam kuning
8
Pada tahun 1997, garis panduan
untuk mengenal pasti kawasan
keutamaan bagi melaksanakan
aktiviti
pencegahan
dan
pengawalan penyakit DD dan
DDB telah diubah suai sekali lagi
selaras dengan pembangunan
sosioekonomi serta trend kejadian
dan penularan penyakit semasa
Garis panduan baru ini telah
menyenaraikan
tiga
kawasan
keutamaan untuk melaksanakan
aktiviti
pencegahan
dan
pengawalan penyakit DD dan
DDB berbanding empat kawasan
keutamaan sebelum ini
Page 4
2
Aktiviti pencegahan dan pengawalan penyakit dinegara ini hanya akan
dijalankan secara menyeluruh apabila:
Aktiviti pencegahan dan kawalan
penyakit hanya dilaksanakan
secara rutin
Penubuhan bilik gerakan
Aktiviti kawalan vektor
Gerakan pembersihan tempat pembiakan
Kempen anti denggi
Kawalan
Petunjuk bagi melaksanakan aktiviti
pencegahan dan pengawalan penyakit di
sesuatu kawasan bergantung sepenuhnya
kepada petunjuk kepadatan nyamuk.
(Indeks Breteau, Aedes dan Premis.)
Page 5
Memerlukan masa yang
lama
Memerlukan peralatan
yang banyak
Tenaga kerja yang ramai.
Data-data juga perlu di
cerap secara berterusan
untuk mendapatkan
petunjuk yang lebih tepat.
Nota: Nyamuk Aedes memerlukan masa 10-12 hari daripada peringkat telur untuk menjadi nyamuk dewasa yang berpotensi
untuk menyebarkan virus denggi dan menularkan penyakit DD dan DDB. Sedangkan petunjuk kepada kepadatan nyamuk juga
memerlukan masa beberapa hari untuk mendapatkan bacaan dan perlu di cerap secara berterusan untuk mendapatkan
Page
6 yang lebih tepat.
bacaan
3
penularan
Untuk mendapatkan lokasi dan masa yang tepat
penyakit DD dan DDB juga mempunyai perkaitan
untuk melaksanakan aktiviti pencegahan dan
yang amat rapat dengan faktor guna tanah,
pengawalan penyakit DD dan DDB, faktor-aktor
demografi dan cuaca.
ruangan
yang
nyamuk
dan
Pembiakan
nyamuk
Aedes
dan
berkaitan
penularan
sepenuhnya
dengan
pembiakan
penyakit
dengan
perlu
Faktor-faktor ini tidak diintegrasikan sepenuhnya
diintegrasikan
elemen-
dalam membuat keputusan untuk melaksanakan
elemen yang telah diambil kira dalam aktiviti
aktiviti pencegahan dan pengawalan penyakit DD
pencegahan dan pengawalan sebelum ini.
dan DDB.
Integrasi ini boleh dilakukan sepenuhnya melalui
Ketepatan keputusan untuk melaksanakan aktiviti
pembentukan sebuah model ruangan yang dapat
pencegahan dan pengawalan penyakit akan dapat
mempertimbangkan
ditingkatkan lagi sekiranya faktor-faktor guna
faktor-faktor berkaitan dengan pembiakan vektor
tanah, demografi, cuaca dan faktor-faktor lain
dan penularan penyakit serta elemen masa.
serta
mengintegrasikan
yang berkaitan diambil kira secara menyeluruh.
Page 7
SCENE
Matlamat kajian ini ialah untuk membentuk satu model ruangan dengan
mengambil kira faktor-faktor pembiakan nyamuk dan penularan penyakit DD
Objective 1
Mengkaji faktor-faktor
yang berkaitan dengan
pembiakan nyamuk
dan penularan penyakit
Objective 2
OBJ
Membentuk satu model
ruangan untuk mengenal
pasti masa danlokasi
kawasan yang berisiko
tinggi untuk mencetuskan
kes atau wabak penyakit
DD
Objective 3
Memaparkan keupayaan dan
integrasi GIS dengan kaedah
statistik dalam permodelan
Page 8
4
SCENE
4
HUMAN
Risk Factor
Analysis
Clustering
Analysis
Survival-Time
Series Analysis
MOVEMENT
TIME
SPACE
Epidemic curve
Mapping
Page 9
Space-Time
Analysis
Dengan mempertimbangkan keupayaan-keupayaan GIS dan kaedah
analisis statistik, maka kajian ini diharapkan akan dapat menghasilkan
perkara-perkara berikut :
Dapat memaparkan satu integrasi antara faktor-faktor mempengaruhi pembiakan
nyamuk dan penularan penyakit dengan elemen masa dengan menggunakan GIS
dan kaedah analisis statistik bagi pembentukan model.
Membentuk satu model yang dapat digunakan untuk mengenal pasti lokasi
kawasan yang berisiko tinggi untuk mencetuskan kejadian penyakit.
Sebagai satu usaha untuk menerokai dan memperluaskan lagi penggunaan GIS
di negara ini di dalam pelbagai bidang khususnya di dalam bidang kajian penyakit
berjangkit
Page 10
5
SCENE
8
Subang Jaya is surrounded by rapid development and has high population density
Subang Jaya
Sri Serdang
Seri Kembangan
Kinrara
Page 11
Section 02
LITERATURE
REVIEW
Page 12
6
Pengumpulan Data
Data Collection
Data Process
Data Extraction
Image Processing
Remote Sensing
Epidemiology
Meteorological
Administrative
Demography
Database Development
Accumulation
GIS Analysis
Data Selection
Selection
Score
GIS Model Development
Results and Analysis
Page 13
Disease, Environment &GIS Database
Data
Parameters
Geographic
Resolution
Time
Period
Sources
Population
Sex and age
groups
Township
Annually
2006 - 2010
MPSJ, Town
Planning
Department
Demographic
and Housing
Census
Sex, age
distribution,
elders, landuse
Township
Annually
2006 - 2010
MPSJ, Town
Planning
Department
GIS Database
Zoning,
Hectare,
Activity,
Section
1:89741
Decimal Degree
Latitude Longitude
2010
MPSJ, Town
Planning
Department
Meteorological
Database
Tmean, Tmax,
Mean RH,
Precipitation
5 Met.
Station
Daily, Weekly,
Monthly
2006 - 2010
Malaysia
Meteorological
Department
Disease
Notification
Dengue
Township
Daily, weekly
2006 - 2010
MPSJ, Vector
Control Unit
Hospital
Admission
Dengue
Township
Daily
2006 - 2010
MPSJ, Vector
Control Unit
Death
Registration
Dengue
Township
Daily
2006 - 2010
MPSJ, Vector
Control Unit
Page 14
7
Disease, Environment &GIS Database
Page 15
Print screen case
register example
Image Digitizing Process
Satellite Image
Digitized map
Page 16
8
Image Digitizing Process
Before Digitize
After Digitize
Page 17
SCENE
Study area
& Study population
Annual cumulative
Incidence
Dengue cases
( 2005 - 2008)
Confirmed Dengue
Cases
Confirmed by :
Serological diagnosis, virus isolation
8
Subang Jaya
Spatial and
temporal unit
Temporally
define Indices
Classification of
risk level
Page 18
Subang
Jaya
Seri
Serdang
Seri
Kembgn
Kinrara
Temporal Risk Indicator
Frequency
Intensity
Duration
Correlation
Spatial autocorrelation
Combination
Regression analysis
Mapped by using
Arc GIS 9.1
Spatial
Risk
Model
9
Temporal Defines Indices
SCENE
4
3 temporal indices to evaluate the severity and magnitude of an epidemic risk
Frequency Index
Duration Index
How often these uneven
cases occur?
How long these cases
persist?
INDEX
Intensity Index
How significant cases occur?
Page 19
Temporal Define Indices
SCENE
4
Description
INDEX
Page 20
10
HOW TO CALCULATE FREQUENCY INDEX
SCENE
4
EPID WEEK
FREQUENCY INDEX
Example (PJS 7)
EW = 22 weeks with one or more dengue cases
TW = Total week (52 weeks)
Frequency index = 22/52 = 0.423
Page 21
HOW TO CALCULATE DURATION INDEX
SCENE
4
EPID WEEK
EV 1
EV 2
EV 3
DURATION INDEX
Example (PJS 7)
EW = 22 weeks with one or more dengue cases
EV = 3 epidemic waves
Duration index = 22/3 = 7.33
Page 22
11
HOW TO CALCULATE INTENSITY INDEX
SCENE
4
EPID WEEK
EV1
EV 2
EV 3
INTENSITY INDEX
Example (PJS 7)
Population density for PJS 7 = 6040
IR (1000) = (no of cases / pop. Density )* 1000
( (38 cases / 6040) * 1000
6.29 peoples
Intensity index = IR/EV
= 6.29 / 3 epidemic waves
= 2.09 peoples
Page 23
Section 02
Page 24
12
(a)
Fig 2.1
Frequency Index
(α)
(b)
(d)
(c)
(a)
Duration Index
(β)
Fig 2.2
(c)
(b)
(d)
Fig 2.3
(b)
(c)
Intensity Index
(γ)
(a)
(d)
Page 25
Distribution pattern of frequency index,α (2005 – 2008)
2005
Page 26
2007
2006
2008
13
Distribution pattern of duration index,α (2005 – 2008)
200
5
Page 27
200
6
200
8
200
7
Distribution pattern of intensity index,α (2005 – 2008)
200
5
Page 28
200
7
200
6
200
8
14
Classification of risk
Mapping
the degree of
the association
between the
spatial location
of a testing
variable
Mapped by using
Arc GIS 9.1
To determine
the risk profile
of an area
Page 29
Definition of Spatial Risk Level
Three temporal indices
Risk Categories
Frequency (α)
Duration (β)
Intensity (γ)
A
High
High
High
B
High
High
-
C
High
-
-
D
-
High
High
E
-
-
High
F
High
-
High
G
-
High
-
H
-
-
-
Page 30
15
Year
Risk
Classification
2007-2008
2007-2008
2006-2007
2005-2006
2004-2005
A
B
C
G
No cases
A
B
C
E
F
G
No cases
A
B
C
D
E
F
G
No cases
A
B
C
F
G
No cases
A
B
C
D
E
F
G
No cases
Page 31
Mean of the three Temporal Risk
Indices
Regional Characteristics
Evaluation indices
Frequency
(α)
Duration
(β)
Intensity
(γ)
Number of
spatial units
Population
Density
Dengue
Fever Cases
0.23
0.25
0.13
0.04
0.00
0.15
0.31
0.13
0.12
0.13
0.08
0.00
0.24
0.27
0.21
0.09
0.09
0.15
0.05
0.00
0.21
0.22
0.16
0.20
0.06
0.00
0.29
0.34
0.27
0.13
0.21
0.20
0.08
0.00
6.93
6.64
3.69
2.25
0.00
7.88
8.53
3.53
6.00
4.86
4.00
0.00
8.17
7.52
3.64
5.00
5.00
3.06
2.50
0.00
8.02
6.29
3.61
2.85
3.33
0.00
11.33
9.93
4.77
7.00
8.63
5.30
3.17
0.00
1.73
0.63
0.46
1.80
0.00
1.74
0.49
0.38
0.49
2.94
2.14
0.00
1.85
0.40
0.30
1.23
0.53
1.24
1.93
0.00
2.77
0.50
0.52
1.82
2.15
0.00
3.69
0.61
0.72
3.74
1.00
2.19
2.06
0.00
9
12
13
4
72
8
12
22
1
7
1
54
13
11
15
1
4
5
4
56
10
14
24
2
8
54
9
11
23
1
4
5
8
53
6980
17944
18665
2132
7981
6345
37155
16216
18190
2975
1865
2435
9783
32083
27155
4865
16357
3052
1807
2595
7643
25135
19676
2739
2806
3809
5333
33457
20998
2140
16162
3336
2272
2320
163
250
107
12
0
65
279
167
9
78
4
0
300
217
221
8
22
50
13
0
203
221
267
35
59
0
246
274
517
8
52
68
47
0
DF Density
SCENE
3.02
1.59
2.31
1.80
0.00
1.60
1.09
0.79
0.49
3.90
2.14
0.00
2.71
0.80
1.07
1.64
1.00
3.71
1.90
0.00
3.92
0.80
1.30
6.00
2.45
0.00
5.62
1.21
1.71
3.73
3.91
4.38
0.77
0.00
300
6
200
Total Cases
180
SCENE
HI FD
250
HI-F
160
HI DI
140
200
120
150
100
80
100
60
40
50
Total Dengue Cases in each Type Risk Area
Total Confirmed Dengue Fever (DF) cases
HI FDI
6
20
0
0
J F M A M J J A S O N D J F M A M J J A S O N D J F M A M J J A S O N D J F M A M J J A S O N D J F M A M J J A S O N D
2004
2005
2006
2007
2008
300
200
Total cases
HI-FI
HI-I
160
HI-ø
140
200
120
150
100
80
100
60
40
50
Total Dengue Cases in each Type Risk Area
Total Confirmed Dengue Fever (DF) cases
180
HI-D
250
20
0
0
J F M A M J J A S O N D J F M A M J J A S O N D J F M A M J J A S O N D J F M A M J J A S O N D J F M A M J J A S O N D
2004
2005
2006
2007
2008
Page 32
16
RISK_2004
A
Risk_2005
(a)
(a)
A
B
B
C
C
SCENE
G
6
No cases
(c)
(c)
2004
2005
(b)
(b)
Risk_2006
A
D
E
No cases
risk_2007
(a)
(a)
A
B
C
B
D
C
E
F
F
G
G
No cases
No cases
2006
(c)
(c)
2007
(b)
(b)
Risk_2008
A
(a)
B
Category
C
E
F
G
No cases
Page 33
2008
Description
A
High Frequency-Duration-Intensity
B
High Frequency-Duration
C
High Frequency
D
High Duration-Intensity
E
High Intensity
F
High Intensity-Frequency
G
High Duration
H
No cases
(c)
(b)
Page 34
17
Page 35
Page 36
18
Layout sample for banners and flags
References
SCENE
8
[1]
Barbazan, P. (n.d.). DHF in the Central Plain of Thailand.Remote Sensing and GIS to identify factors and indicators related to
dengue transmission. The Chao Phraya Delta:Historical Development, Dynamics and Challenges of Thailand , 1-12.
[2]
Chiaravalloti-Neto, A. M. (2008). Spatial correlation of incidence of dengue with socioeconomic, demographic and environmental
variables in a Brazilian city. Science of The Total Environment , 241-248.
[3]
G. Cringoli, R. T. (2004). Use of remote sensing and geographical information systems to identify environmental features that
influence the distribution of paramphistomosis in sheep from the southern Italian Apennines. Veterinary Parasitology , 15-26.
[4]
Gong, P., Xu, B., & Liang, S. (2006). Remote sensing and geographic information systems in the spatial temporal dynamics
modeling of infectious diseases. Science in China Series C: Life Sciences , 573-582.
[5]
Haja Andrianasolo, S. Y.-P. (2001). Remote Sensing In Unravelling Complex Association Between Physical Environment And
Spatial Classes Of Emerging Viral Disease. 22nd Asian Conference on Remote Sensing .
[6]
Jirakajohnkool, K. N. (2006). Temporal and Spatial Autocorrelation Statistics of Dengue Fever. Dengue Bulletin , 177-183.
[7]
Kanchana, N., & Tripathi, N. K. (2005). An information value based analysis of physical and climatic factors affecting dengue
fever and dengue haemorrhagic fever incidence. International Journal of Health Geographics , 4-13.
[8]
Krishna Prasad Bandari, P. R. (2008). Application Of GIS Modelling For Dengue Fever Prone Area Based On Socio-cultural and
Environmental Factors-A Case Study Of Delhi City Zone. The International Archive of The Photogrammetry, Remote Sensing
and Spatial Information Sciences , 165-170.
[9]
Martinez, R. (2006). Geographic information system for dengue prevention and control. Report of the Scientific Working Group on
Dengue , 134-139.
[10] Napier, M. (n.d.). Application of GIS and Modeling of Dengue Risk Areas in the Hawaiian Islands.
[11] Nitatpattana, N., Singhasivanon, P., Kiyoshi, H., Andrianasolo, H., Yoksan, S., Gonzalez, J. P., et al. (2007). Potential association
of dengue hemorrhagic fever incidence and remote senses land surface temperature, Thailand, 1998. Southeast Asian J Trop
Med Public Health , 427-433.
[12] Openshaw, S. (1996). Geographical information systems and tropical diseases. Transactions Of The Royal Society Of Tropical
Medicine And Hygiene , 337-339.
Page 37
Layout sample for banners and flags
References
SCENE
8
[13] Ratana Sithiprasasna, K. J. (1997). Use of GIS to Study The Epidemiology of Dengue Haemorrhagic Fever In Thailand. Dengue
Bulletin , 68-73.
[14] Rudnick, A. T. (1965). Mosquito-borne haemorrhagic fever in Malaya. British Medical Journal , 1269-1272.
[15] Schroder, W. (2006). GIS, geostatistics, metadata banking, and tree-based models for data analysis and mapping in
environmental monitoring and epidemiology. International Journal of Medical Microbiology , 23-36.
[16] Sharma, K., Angel, B., Singh, H., Purohit, A., & Joshi, V. (2008). Entomological studies for surveillance and prevention of dengue
in arid and semi-arid districts of Rajasthan, India. J Vector Borne Dis , 124-132.
[17] Skae, F. (1902). Dengue fever in Penang. British Medical Journal , 1581-1582.
[18] Song, G. T.-l. (2000). The Use of GIS in Ovitrap Monitoring for Dengue Control in Singapore. Dengue Bulletin , 110-116.
[19] Tripathi, K. N. (2005). An information value based analysis of physical and climatic factors affecting dengue fever and dengue
haemorrhagic fever incidence. International Journal of Health Geographics , 4-13.
[20] Tzai-Hung Wen, N. H.-H.-C.-D. (2006). Spatial mapping of temporal risk characteristics to improve environmental health risk
identification: A case study of a dengue epidemic in Taiwan. Science of the Total Environment , 631-640.
[21] Valerie Crossa, A. F. (2000). Fuzzy objects for geographical information systems. Fuzzy Sets and Systems , 19-36.
[22] Wen T-H, e. a. (2009). Spatial-temporal patterns of dengue in areas at risk of dengue hemorrhagic fever in Kaohsiung, Taiwan,
2002. Int J Infect Dis .
[23] Wiwanitkit, V. (2006). An observation on correlation between rainfall and the prevalence of clinical cases of dengue in Thailand.
J Vect Borne Dis , 73-76.
[24] Wu, P. C. (2009). Higher temperature and urbanization affect the spatial patterns of dengue fever transmission in subtropical
Taiwan. Science of The Total Environment .
Page 38
19