امکان‌سنجی پیش‌بینی لیشمانیوز جلدی در پلدختر با استفاده از متغیرهای اقلیمی

مقدمه: روند رو به افزایش مبتلایان به بیماری سالک در شهرستان پلدختر طی ده سال گذشته و پیشرفت تکنولوژی در تولید داده، ضرورت ساخت مدل های پیش بینی شیوع بیماری را در منطقه افزایش داده است. لذا در این بررسی از متغیرهای اقلیمی در پیش بینی بیماری سالک استفاده شده است.مواد و روش ها: در این تحقیق با کمک مدل رگرسیونی رابطه بین آمار تعداد مبتلایان به بیماری و سیگنال های اقلیمی به صورت همزمان و با یک، دو، سه و چهار ماه تاخیر رگرسیون گرفته شده است.یافته ها: در مجموع بین بیماران بهمن با سیگنال اقلیمی nino1 دی، بیماران اسفند با سیگنال اقلیمی pna بهمن، بیماران فروردین با سیگنال اقلیمی aamm اسفند، بیماران اردیبهشت با سیگنال اقلیمی ao فروردین و بیماران مرداد با سیگنال اقلیمی tsa خرداد، در سطح 5 درصد رابطه معنادار وجود داشت. همچنین بین بیماران بهمن با سیگنال اقلیمی nino1 دی در سطح 10 درصد رابطه معنادار وجود داشت.بحث و نتیجه گیری: این بررسی نشان داد که استفاده از سیگنال های اقلیمی با تاخیر برای پیش بینی بیماری، بهتر از به کارگیری سیگنال ها و بیماری به صورت همزمان است. بین آمار ابتلا به بیماری در کل دوره با سیگنال pdo با دو ماه تاخیر بیشترین میزان همبستگی (53/84 %) به دست آمد. علاوه بر این نتایج نشان داد که تقریباً در نیمی از ماه های سال همبستگی خوبی بین شیوع بیماری سالک و سیگنال های اقلیمی وجود دارد و درنتیجه می توان با استفاده از سیگنال های اقلیمی به شیوع بیماری سالک پی برد.

Prediction Feasibility of Cutaneous Leishmaniasis Using Climatic Variables in Poldokhtar

Background: The increasing number of patients suffering from cutaneous leishmaniasis in Poldokhtar County during the last 10 years and technological advances in data generation has increased the necessity to produce the predicting models of disease prevalence in the region. Therefore, climatic variables were used in this study to predict the cutaneous leishmaniasis.Materials and Methods: In this study using regression model, the relationship between number of patients with cutaneous leishmaniasis and climatic signals were taken simultaneously and with one, two, three and four months of regression lag.Results: Totally there was a significant relationship between January patients with January NINO1 climatic signal, March patients with February PNA climatic signal, April patients with March AAMM climatic signal, May patients with April AO climatic signal, and August patients with June TSA climatic signal, at 5% significance level. Furthermore, there was a significant relationship between February patients with January NINO1 climatic signal, at 10% significance level.Conclusion: This investigation showed that use of climatic signals with lags for predicting the disease was better than simultaneous application of signals and disease. Correlation between statistics relating to diseases during the entire period and PDO signal with 2 months of lag was obtained as 84.53. In addition, results indicated that approximately during half of the months in a year, there was a good correlation between prevalence of cutaneous leishmaniasis and the climatic signals and thus enabling us to discover prevalence of cutaneous leishmaniasis using the climatic signals.