Amper 2019
Google překladač: English Deutsch

Exkluzivní partner sekce

GEPRO
Bentley

GOPAS - CAD kurzy

Více kurzů

StreamTech.tv

streamtech tv-logo

Využití GIS při výzkumu klíšťaty přenášených onemocnění

Tags: DZP. ArcGIS | ESRI | GIS | Klíšťata

svec-01Klíšťata a jimi přenášené nákazy představují aktuálně jeden ze závažných medicínských problémů. V Evropě se vyskytující klíště obecné Ixodes ricinus (obr. 1) je přenašečem řady onemocnění člověka, především klíšťové encefalitidy (KE) a Lymeské borreliózy (LB). V řadě evropských států se počet případů KE a LB po prudkém vzestupu v devadesátých letech udržuje s určitými výkyvy na vysoké úrovni. Zároveň se mění distribuce těchto onemocnění vzhledem k nadmořské výšce i zemské šířce. Česká republika patří dlouhodobě k zemím s vysokým výskytem klíšťové encefalitidy (průměr z let 1996–2006: 608 případů ročně) i Lymeské borreliózy (průměr z let 1996–2006: 3410 případů ročně). Jihočeský kraj, který sloužil jako pilotní oblast našeho výzkumu, patří v rámci České republiky k oblasti s dlouhodobě nejvyšším výskytem KE.

Data Dálkového průzkumu Země (DPZ) a geografické informační systémy (GIS) jsou v poslední době stále více využívány v epidemiologii nákaz. Klíšťata, jejich fyziologické pochody i dynamika jejich populací jsou velmi silně spjaty s (biotickými a abiotickými) faktory prostředí. Klíšťata preferují určité biotopy, ve kterých jednotlivé faktory dosahují pro ně co možná nejlepších hodnot. Jelikož zmiňované abiotické faktory zároveň ovlivňují typ vegetačního krytu, je možné na základě typu vegetace odhadnout celkový environmentální stav dané lokality.

svec-02Obr. 1 Klíště obecné (Ixodes ricinus) (foto P. Kilian)

V případě našeho projektu „Klíšťata a jimi přenášená infekční onemocnění v podmínkách Jihočeského kraje" byl využit GIS ve všech fázích výzkumu (konkrétně software ArcGIS firmy ESRI). GIS byl použit pro výběr testovacích ploch v rámci Jihočeského kraje (na kterých byla sbírána klíšťata a následně laboratorně testována na přítomnost původců KE a LB), byl využit pro vizualizaci výsledků sběrů včetně vizualizace ve 3D. Součástí výzkumu bylo také modelování výskytu klíšťat a jimi přenášených nákaz v rámci Jihočeského kraje (modely aktivity klíšťat, aktivity klíšťat infikovaných KE a LB atd.) za přispění geoinformačních technologií. V tomto příspěvku bychom rádi představili možnosti využití GIS v epidemiologii, konkrétně v oblasti klíšťaty přenášených nákaz.

Prvním úkolem bylo vytipování a nalezení 30 vhodných lokalit pro terénní sběry klíšťat. Jak již bylo naznačeno v úvodu, klíšťata ovlivňuje celá řada faktorů prostředí. Pro naši analýzu byla hodnotící kritéria nastavena následovně:

  • nadmořská výška
  • vegetační pokryv
  • výskyt klinických případů KE
  • turistická a rekreační atraktivita
  • vzdálenost od obytné zástavby
  • přístupnost terénu

Stěžejním faktorem byl vhodný biotop umožňující existenci populace klíšťat, pozornost byla soustředěna zejména na listnaté až smíšené heterogenní lesní porosty s četnými ekotony. Dalším důležitým faktorem byl výskyt počtu případů KE v oblasti získaný ze systému EPIDAT1, který sloužil jako indikátor aktivity klíšťat a potvrzoval přítomnost přírodního ohniska KE v oblasti. Toto kritérium zároveň z části postihuje i aktivitu lidí v oblasti, a indikuje tedy důležitost oblasti z pohledu ochrany veřejného zdraví. Obdobně kritéria turistické a rekreační atraktivity, blízkosti obytné zástavby a přístupnosti terénu byla zařazena s ohledem na praktické využití výstupů projektu v ochraně veřejného zdraví.

svec-03Obr. 2 Ukázka sběru klíšťat – vlajkování (foto V. Hönig)

Po identifikaci klíčových faktorů a shromáždění dat a jejich úpravě (např. interpolace počtu případů KE) jsme stanuli před rozhodnutím, zda upřednostnit „technické" a automatizované řešení pomocí multikriteriálního rozhodování (MCE) s využitím například Booleova překryvu, či metody vážené linerání kombinace (WLC). Tyto metody umožňují relativně jednoduše klasifikovat území a nalézt nejvhodnější oblast splňující všechna kritéria, na druhou stranu vytvářejí poněkud striktní a „černobílé" rozdělení hodnocených kritérií, které ne vždy odpovídá realitě. V našem případě například obec Malonty, která měla sice nízký potenciál cestovního ruchu, ale vzhledem k 1092 obyvatelům a čtyřem registrovaným případům KE v období 2001–2007 byla lokalitou vysoce zajímavou. Nakonec jsme využili kombinaci obou metod, která umožnila přihlédnout i k lokálním podmínkám a jiným hlediskům. Na základě analýzy v GIS bylo vytipováno 30 oblastí s výměrou několika hektarů (pro každou oblast byla vždy vytvořena primární a záložní plocha), na kterých pak proběhl terénní průzkum. Na jeho základě pak byla vybrány definitivní lokality o výměře 600 m2 a pomocí GPS zaměřeny.

V roce 2008 proběhly na vybraných 30 lokalitách sběry klíšťat2, a to ve třech etapách odrážejících typickou sezónní dynamiku klíštěcích populací: jarní etapa – konec května, letní – konec června, podzimní – přelom září a října. Klíšťata byla nalezena na všech třiceti vytipovaných lokalitách. Celkem bylo nasbíráno 20 057 jedinců (18 829 nymf, 578 samic a 650 samců). Aktivita klíšťat byla v rámci sezóny vysoce variabilní: 1–110 nymf/100 m2. Maximální rozsah v rámci sezóny a jedné lokality byl 10–68 nymf/100 m2. Průměrná aktivita všech vývojových stadií byla průkazně vyšší v jarním sběru než ve sběrech letních a podzimních3. Výsledky aktivity klíšťat na sledovaných lokalitách v jednotlivých sběrech jsou zobrazeny na obr. 3. Na základě laboratorních šetření bylo zjištěno, že spirochety LB byly přítomny na všech lokalitách. Prevalence spirochete LB dosahovala v rámci našich lokalit od 2 do 20 % s průměrem 12,13 %. Přítomnost viru KE v klíšťatech byla prokázána na 21 ze 30 sledovaných lokalit (obr. 4). Prevalence viru KE na lokalitách dosahovala od 0 až po 1,22 %.

svec-04Obr. 3

Na základě laboratorních vyšetření klíšťat, shromážděných dat a získaných zkušeností v rámci výzkumu jsme přistoupili ke konstrukci modelu predikce rizika klíšťaty přenášených patogenů v Jihočeském kraji. Celkem byly vytvořeny tři varianty modelu. První model byl založen na principu mapové algebry, kde jako vstupní vrstvy vstupovaly faktory nadmořská výška a vegetační kryt z dat CORINE (biologické riziko), hustota zalidnění a intenzita cestovního ruchu (lidské riziko). Každá vstupní vrstva reprezentovala určité faktory ovlivňující výskyt klíšťaty přenášených patogenů. Druhý z popisovaných modelů byl založen na analýze dat pomocí klasifikačních a regresních stromů. Třetí a finální model byl založen na metodě zobecněných nejmenších čtverců. Do modelu vstupovala data jak stanovená na testovacích plochách4 (intenzita výskytu klíšťat), laboratorní výsledky z testování klíšťat, tak i data získaná z GIS (nadmořská výška, vegetační pokryv, počet případů KE atd.). Vytvořeny byly následující modely: aktivita klíšťat, pravděpodobnost infekce klíštěte virem KE, pravděpodobnost infekce klíštěte virem KE, aktivita klíšťat infikovaných virem KE a další. Vytvořený model (rovnice) byl pak zpětně aplikován v prostředí ArcGIS. Omezením tohoto modelu ze statistického hlediska je, že je aplikovatelný pouze na typy biotopů a území, kde probíhaly sběry klíšťat.

Protože je téma klíšťaty přenášených patogenů dlouhodobě sledováno, diskutováno a medializováno z hlediska laické i odborné veřejnosti, považovali jsem za důležité, aby výsledky výzkumu byly dostupné pro každého. Proto jsme na adrese gis.vsb.cz/klistatahttp://gis.vsb.cz/klistata/ vytvořili mapový portál založený na technologii ArcGIS for Server společnosti ESRI. Výsledné modely si tak každý může v libovolném měřítku zobrazit na podkladu ZM 10 z geoportálu Cenia (obr. 6). O výsledcích projektu se také můžete dozvědět více v publikaci Klíšťata a jimi přenášená onemocnění v Jihočeském kraji a Bavorsku dostupné z http://tickborne.prf.jcu.cz.

Z obecného hlediska se GIS používají v celé řadě nejen geografických odvětví a oborů. Domníváme se, že využití GIS ve veřejném zdravotnictví a epidemiologii je nižší, přestože charakter výskytu a šíření nákaz v prostoru k tomu přímo vybízejí. GIS nenabízejí možnosti a nástroje pouze pro deskriptivní zobrazení prostorových jevů, ale jednou z jejich silných stránek je i oblast analýz. GIS umožňuje zkoumat faktory a jevy v přímém prostorovém kontextu a odhalovat tak vztahy, které nejsou v tabelární formě evidentní. Vizualizace a analýza dat umožňuje si lépe uvědomovat prostorové vazby, které by jinak zůstaly nepovšimnuty. V případě našeho výzkumu jsme se snažili o maximální využití geoinformačních technologií ve všech fázích projektu od výběru lokalit sběru, tvorbu modelů predikce rizika až po publikaci dat pomocí mapového portálu pro veřejnost.

---------------------------------------------------

1 Institut geoinformatiky, Hornicko-geologická fakulta VŠB-TU Ostrava, 17. listopadu 15,708 33 Ostrava-Poruba
2 Biologické centrum AV ČR, Parazitologický ústav, Branišovská 31, 370 05 České Budějovice
3 Přírodovědecká fakulta, Jihočeská univerzita, Branišovská 31, 370 05 České Budějovice
4 Do tohoto modelu bylo použito i 20 testovacích ploch z území Niderbayern a Oberpfalz v Bavorsku, kde tento výzkum probíhal také. Bližší popis použitých metod však překračuje rozsah tohoto článku.


Mohlo by vás zajímat:
 

Přidat komentář

Bezpečnostní kód
Obnovit