پیش بینی ریسک بیماری لپتوسپیروز در ایران بر اساس ارتباط با پارامترهای محیطی و با استفاده از مدل حداکثر آنتروپی

بیماری لپتوسپیروز که در ایران بیشتر با نام تب شالیزار شناخته می شود، امروزه به‌عنوان یکی از شایع ترین بیماری های مشترک میان انسان و دام ) زئونوزها) می باشد که از آن به‌عنوان یک بیماری فراموش‌شده و درعین‌حال بااهمیت یاد می شود. این بیماری با عوامل محیطی ازجمله آب‌وهوا، پوشش زمین و ارتفاع و حتی عوامل اقتصادیاجتماعی مانند وضعیت بهداشت محل سکونت و شغل وابستگی شدیدی دارد. با کمک سیستم اطلاعات مکانی و قابلیت های پیشرفته آن می توان با تولید نقشه های پیش‌بینی ریسک، برای شناسایی مناطق تحت خطر شیوع بیماری ها به تصمیم گیران بهداشت عمومی کشور کمک شایانی نمود. هدف این مطالعه شناسایی میزان تاثیر فاکتورهای محیطی بر روی الگوی شیوع لپتوسپیروز به‌منظور تولید نقشه پیش‌بینی ریسک در کل ایران می باشد. این امر با کمک آمار بیماری در یک دوره ده‌ساله از سال های 2009 تا 2018 به‌صورت نقطه ای و با به‌کارگیری قابلیت های سیستم اطلاعات مکانی و سنجش‌ازدور و هم‌چنین الگوریتم حداکثر آنتروپی (maxent) به‌عنوان یک روش مدل‌سازی کارآمد و با دقت، صورت گرفته است. فاکتورهای به‌کاررفته شامل بارندگی، ارتفاع، پوشش زمین، شاخص پوشش گیاهی نرمال شده، میانگین دما، بیشینه دمای ماهیانه، شیب، آب‌های سطحی و نقشه مناطق جابه جایی می باشد. نتایج این تحقیق نشان داد که علاوه بر سه استان شمالی ایران، مناطق شمال غربی و غرب کشور نیز از خطر شیوع این بیماری در امان نیستند. بارش و ارتفاع به‌عنوان دو پارامتر اصلی تاثیرگذار در توزیع حال حاضر لپتوسپیروز شناخته شدند و در مقابل شیب و آب‌های سطحی مشارکت نزدیک به صفر در مدل به‌عنوان کم تاثیرترین فاکتورها محاسبه شدند. در این مطالعه نقشه های پیش بینی ریسک برای شیوع بیماری لپتوسپیروز به نمایش گذاشته شده است که می تواند به‌منظور کنترل و پیشگیری شیوع این بیماری نه‌تنها برای سه استان شمالی کشور بلکه برای تمام ایران مورداستفاده قرار گیرد.

Risk Prediction of Leptospirosis by Considering Environmental Factors in Iran Using MAXENT Model

The global burden of leptospirosis as a fatal zoonotic disease is increasing all over the world [1]. As there is not any significant decrease in yearly reported cases trend in Iran and potential spatial distribution of leptospirosis remain unknown in national level, we tried to figure out the geographic distribution pattern of leptospirosis in all parts of Iran. The aim of this study is producing leptospirosis risk map by analyzing relations between disease data reported by the Ministry of Health and nine environmental factors, for a period of 2009 to 2018, using Geospatial Information System (GIS) and Remote Sensing (RS) capabilities and Maximum Entropy (MAXENT) model. Altitude, precipitation, average temperature, maximum temperature, Normalized Difference Vegetation Index (NDVI), land cover, displacement (roads, railways and border entrance points), slope and water areas with 1km * 1km resolution were entered to the model as contributing factors, and patients home locations were used as disease incidence points. ArcGIS 10.6.1 and ENVI 5.3 were used to prepare the nine factors for analysis and interpretation of the results. To create the potential distribution, MAXENT as an ecological niche model was used which is a method that its performance in disease distribution modelling has been proved [2,3]. An advantage of this model is that variables can be either continuous or categorical and can be run for even less than 100 points as incidence data [2]. In this study, 60 percent of disease data was selected randomly for training and other 40 percent was applied as test data. Jackknife manipulation technique was performed to investigate the contribution of each variable in model. Our findings on spatial pattern of leptospirosis at least hint that except north parts of Iran that obviously are most vulnerable areas to the leptospirosis outbreaks, west parts of Iran specially Kermanshah are not safe from the spread of the disease, so health policy makers should consider these areas for monitor and control programs specially after severe rainfall or flood in spring and summer. Jackknife results showed that precipitation and altitude by 43.5 and 37 percent contribution, are the two major factors for risk prediction of leptospirosis. On other hand, maximum temperature, water areas and slope have not meaningful impact on incidence of leptospirosis. Land cover with 11.9%, NDVI with 4%, average temperature with 1.3% and displacement with 1.1% were participated in the model. Also, yearly models have been created for years between 2009 to 2018 to investigate that how parameters contributions change over years. Results showed that the incidence rate was related to altitude around 40% for all these ten years, but precipitation contribution percentage is fluctuating over years. Response curves showed a direct relation between incidence rate of disease and precipitation which means more rainfall causes more incidence. It also showed that altitudes around zero are the most suitable height condition on current distribution of leptospirosis. Also, the landcover output curve showed that Postflooding or irrigated croplands, artificial surfaces and associated areas, mosaic forests or shrublands and grasslands are the most suitable landcovers for incidence of leptospirosis. To assess the model efficiency, Receiver Operating Characteristic (ROC) was employed. The Area under the Receiver Operating Characteristic Curve (AUC) for training data and test data was 0.956 and 0.955, respectively.