تحلیل مکانی و مدل سازی بروز سرطان پوست در ایران با استفاده از GIS
آرشیو
چکیده
تحلیل مکانی و مدل سازی بروز سرطان پوست در ایران با استفاده از GIS چکیده سرطان پوست به عنوان یکی از شایع ترین انواع سرطان در ایران، در سال های اخیر روند روبه رشدی داشته و به دلیل پیامدهای جسمی، روانی و هزینه های بالای درمان، به یکی از دغدغه های اصلی نظام سلامت تبدیل شده است. مطالعات مختلف نشان داده اند که عوامل طبیعی و اقلیمی نقش مهمی در بروز این بیماری ایفا می کنند. هدف اصلی این پژوهش، تحلیل مکانی و مدل سازی نرخ بروز سرطان پوست در سطح شهرستان های کشور با استفاده از داده های مکانی، اقلیمی و به کارگیری دو روش پیشرفته مدل سازی شامل رگرسیون وزندار جغرافیایی (GWR) و شبکه عصبی پرسپترون چندلایه (MLP) است. ابتدا داده های مربوط به بروز سرطان پوست، پارامترهای اقلیمی و جمعیتی گردآوری شد. پس از تصحیح، فازی سازی و پیاده سازی تحلیل های مکانی با استفاده از سامانه اطلاعات جغرافیایی (GIS)، مدل سازی با دو رویکرد MLP و GWR انجام گرفت. نتایج حاصل از اعتبارسنجی مدل ها نشان داد که مدل MLP با ضریب همبستگی 0.74 نسبت به مدل GWR با ضریب 0.49 عملکرد دقیق تری در پیش بینی نرخ بروز سرطان پوست دارد. تحلیل حساسیت نیز مشخص کرد که مجموع بارش، ساعات آفتابی، میانگین ارتفاع، تعداد روزهای گردوغبار و تعداد روزهای برف و تگرگ مهم ترین عوامل مؤثر بر بروز این بیماری هستند. یافته های پژوهش حاضر می توانند در راستای سیاست گذاری های بهداشتی، شناسایی مناطق پرخطر، اولویت بندی مداخلات پیشگیرانه و افزایش آگاهی عمومی کاربرد داشته باشند.Spatial Analysis and Modeling of Skin Cancer Incidence in Iran Using GIS
Spatial Analysis and Modeling of Skin Cancer Incidence in Iran Using GIS Abstract Skin cancer, one of the most common types of cancer in Iran, has shown an increasing trend in recent years. Due to its physical, psychological impacts, and high treatment costs, it has become a major concern for the healthcare system. Various studies have indicated that natural and climatic factors play a significant role in the incidence of this disease. The primary objective of this research is to analyze the spatial distribution and model the incidence rate of skin cancer across Iranian counties using spatial data, climatic parameters, and advanced modeling techniques, including Geographically Weighted Regression (GWR) and Multilayer Perceptron (MLP) neural networks. Initially, data related to skin cancer incidence, climatic, and demographic factors were collected. After correction, fuzzification, and implementing spatial analysis using GIS, modeling was conducted using both MLP and GWR approaches. The results of model validation showed that the MLP model, with a correlation coefficient of 0.74, performed more accurately than the GWR model, which had a coefficient of 0.49, in predicting skin cancer incidence rates. Sensitivity analysis revealed that total precipitation, sunshine hours, average elevation, dusty days, and snowy days were the most influential factors affecting the disease. The findings of this study can be applied in health policy-making, identifying high-risk areas, prioritizing preventive interventions, and enhancing public awareness.
تبلیغات
