*Bu blog yazısında Türkiye örneği için kullanılan illere göre vaka sayısı, 27 Nisan 2020 tarihli Sağlık Bakanlığı tarafından açıklanan toplam vaka verisinin nüfusa göre orantılı şekilde dağıtılmasıyla oluşturulmuştur ve mevcut durumu yansıtmamaktadır. Hastanede yatan COVID-19 hastalarının oranı gibi modelin istediği parametreler ise tüm iller  için tahmini olarak belirlenmiş ve sabit tutulmuştur. Lütfen bu örnekte çıkan sonuçları dikkate almayınız.

2019 koronavirüs hastalığı (COVID-19) ve hayatımıza etkileri gelişmeye devam ederken, Esri kullanıcılara ve topluma hizmetler ve kaynaklar hakkında bilgi vermekte, konum bilgisi, coğrafi bilgi sistemi (CBS) ve haritalama yazılımı ile salgının etkisini izlemeye, yönetmeye ve iletmeye yardımcı olmaktadır. COVID-19 salgını sürecinde gördük ki Coğrafi Bilgi Sistemleri (CBS) hayatımızı etkileyen her alanda bilgi toplamak, yayınlamak ve bilgileri anlamlı hale getirmek için ilk başvurduğumuz kaynaklardan biri oluyor. Her gün ya da her saniye bilgi akışını yönetmek, bu bilgilerden bilimsel çıkarımlarda bulunmak ve sonrasında bu bilgi ve verileri doğru analiz etmek ve anlamlandırmak hayati önem taşıyor. Esri Türkiye olarak biz de sizlere bu amaçta hizmet verebilmek için COVID-19 yayılım sürecini küresel olarak izleyebileceğiniz bir panel hazırlamış ve kullanımınıza sunmuştuk. Bu paneli, masaüstü ortamda kullanmak için buraya, mobil kullanım için de buraya tıklayabilirsiniz. Yine sizlerle ‘COVID-19 Sürecini Esri Çözümleriyle Nasıl Yönetirsiniz?’ adlı webinarı gerçekleştirdik. Bu webinarın kaydına da buradan ulaşabilirsiniz.

Esri’nin sizlerle buluşturduğu bir diğer çözüm ise CHIME Model aracıdır. Pennsylvania Üniversitesi’nin geliştirdiği bu model, COVID-19 pandemisi için hastane etki modeli olarak düşünülebilir. Bu araç, SIR (Duyarlı, Enfekte, İyileşmiş) modelini kullanarak hastanelere, şehirlere ve bölgelere kapasite planlaması ile günlük yeni hasta girişleri, yoğun bakım ünitesinde yatan ve entübe gerektiren hastaların tahmin edilmesinde kullanılır. CHIME modelinin nasıl çalıştığını öğrenmek ve daha ayrıntılı bilgi almak istiyorsanız bu adresi ziyaret edebilirsiniz.

CHIME  Model v1.1.1 sürümünün ArcGIS Pro  2.5 ile uyumlu olduğunu unutmayınız.  ArcGIS Pro 2.3 ve üstü kullanımını destekleyen ve yeni geliştirmeler içeren CHIME Model v1.1.2  sürümü de yayınlandı. Bu aracı indirmek için tıklayınız. Aracı indirdikten sonra, indirilen konumdaki .zip dosyasını çıkartınız ve ArcGIS Pro üzerinden dosya bağlantısı kurarak araca erişiniz.

Peki bu model nasıl çalışıyor? CHIME modeli de diğer her modelde olduğu gibi bizden belirli değişkenler belirlememizi istiyor. Zorunlu olarak belirlememiz gereken değişkenler şunlardır:

  1. Nokta ya da Çokgen Detay Sınıfı (Input  Feature Class): Analizin gerçekleşeceği her hastane, hastane servis alanı veya il için bilgi içeren detay sınıfı zorunlu bir değişkendir.
  2. Nüfus Bilgisi (Population): Hastanelerinizin servis alanındaki veya her ildeki toplam nüfusu temsil eden sütundur. Bu, enfekte olmuş kişilerin sayısının yanı sıra hastanede yatış, yoğun bakım (YBÜ) ve entübe gerektiren sayıları da etkileyecektir.
  3. COVID-19 Nedeniyle Mevcutta Hastanede Yatan Kişi Sayısı (Number  of Currently Hospitalized COVID-19 Patients): COVID-19 nedeniyle hastaneye yatırılan hasta sayısını temsil eden sütundur. Bu sayı, enfekte olmuş bireylerin toplam sayısını tahmin etmek için nüfus ve yatış yüzdesiyle  beraber kullanılır.
  4. Projeksiyonu Yapılacak Gün Sayısı (Number of Days to Project): Analize dahil edilecek gün sayısıdır.
  5. Başlangıç Tarihi (Start Date): Hastanede yatış sayısı, yoğun bakımda yatan hasta sayısı ve entübe gerektiren hasta sayısı projeksiyonları hesaplamak için kullanılan başlangıç noktasını temsil eden tarihtir.

*Analiz sonuçları 2 farklı detay sınıfı olarak verilir. Bu detay sınıflarının isimlerini belirlemeyi unutmayınız. Bu detay sınıflarından ‘Daily Forecast Output Feature Class’ zorunlu olup, ‘Summary Output Feature Class’ ise opsiyoneldir.

Modelde, tahmin gerçekleştirebilmek için zorunlu olarak istediği değişkenlerin yanı sıra belirli varsayımlar yapabileceğimiz sabit değer parametreleri de bulunmaktadır. Sabit değer parametrelerini kullandığınızda tahmini yapacağınız hastane, il ve bölgeler için yayılım eğiliminin aynı olduğu varsayılır. Sabit değer parametreleri de modelin çalışması zorunlu değerlerdir. Ancak, bu değerleri varsayılan olarak bırakabilirsiniz. Bu değerler sizin analizi gerçekleştireceğiniz bölgeye uygun değilse değiştirebilirsiniz. Sabit değer parametreleri aşağıdaki gibidir:

  1. İkiye Katlanma Süresi (Doubling Time in Days): Enfekte kişilerin sayısının geçerli tarihten önce ikiye katlanması için gereken gün sayısıdır. Katlama oranı, müdahaleler olmadan enfeksiyon yayılma oranı olarak uygulanır.
  2. Sosyal İzolasyon (Social Distancing): Bu parametre, kişilerin sosyal temasının ne kadar azaldığını temsil eder. İnsanlar arası temasın azalması, el yıkama, toplu taşımda artan temizlik politikaları gibi yöntemlerle yeni enfeksiyonların hızını nasıl yavaşlatabileceğini keşfetmenizi sağlar. Şu anda okulların kapanması veya uzaktan çalışma gibi her bir politakanın doğrudan sosyal teması ne kadar etkileyebileceği belirsiz olsa da, bu parametre projeksiyonların sosyal temastaki yüzde azalmaları ile nasıl değiştiğini görmenizi sağlar.
  3. Yatış Yüzdesi (Hospitalization): Hastaneye yatırılması gereken tüm enfekte vakaların yüzdesidir. Bu yüzde, hastaneye yatırılan COVID-19 hastalarının sayısı ve popülasyonu ile birlikte, halihazırda enfekte olmuş kişilerin tahmini sayısını, çıktıda bildirmektedir.
  4. Yoğun Bakımdaki Hasta Yüzdesi (ICU):  Yoğun bakım ünitesinde tedavi edilmesi gereken enfekte olmuş tüm vakaların yüzdesidir.
  5. Entübe Gereken Hasta Yüzdesi (Ventilated): Entübeye ihtiyaç duyan tüm enfekte vakaların yüzdesidir.
  6. Enfekte Geçirilen Gün (Infectious Days): Bir kişinin başka bir kişiyi enfekte edebileceği gün sayısını temsil eden alandır.
  7. Ortalama Hastane Kalma Süresi (Average Hospital Length of Stay): COVID-19 hastalarının hastanede kalması gereken ortalama gün sayısıdır.
  8. Yoğun Bakımda Ortalama Gün (Average Days in ICU): COVID-19 hastalarının yoğun bakıma ihtiyaç duydukları ortalama gün sayısıdır.
  9. Entübede Ortalama Gün Sayısı (Average Days on Ventilator): COVID-19 hastaları için ortalama entübe gerekli gün sayısıdır.

Sabit model parametrelerini kullandığınızda tahmini yapacağınız hastane, il ve bölgeler için yayılım eğiliminin aynı olduğu varsayılır. Örneğin, hastanelerde COVID-19 nedeniyle önümüzdeki 90 gün içinde yatması gereken hasta sayısını tahmin edebilirsiniz. Her hastanenin hizmet verdiği nüfusu ve şu anda her birinde COVID-19 nedeniyle hastaneye yatırılan hasta sayısını bildiğinizi varsayın. Hastane noktası katmanınızı kullanarak, aracı tüm model gruplarının benzer sosyal izolasyon ve hastaneye yatış eğilimine sahip olduğu varsayımıyla tahminler oluşturabilirsiniz.

Daha doğru ve gerçekçi modeller oluşturmak isterseniz, sabit model parametreleri yerine sütun tabanlı parametreleri seçebilirsiniz. Bu size yukarda belirtilen tüm değişkenleri, hastane servis alanı ya da il bazında belirlemenizi sağlar. Sabit model parametreleri ile tüm iller için sosyal izolasyon ya da hastanede yatan hasta sayılarının aynı olduğunu varsayarken, sütun tabanlı parametreler ile her bir il için farklı değer tanımlarsınız. Bu da sizin nokta ya da çokgen detay sınıfınız içindeki sütunlardır.

Sütun  tabanlı paremetreler, sabit model parametreleri ile aynı parametrelerdir. Yukarıdaki görüntüden de görebileceğiniz gibi katmanınız içindeki her bir il için değer içeren sütunları seçebilirsiniz. İsterseniz  sabit model parametrelerini ve sütun tabanlı parametrelerini hibrit olarak kullanabilirsiniz. Örneğin, ikiye  katlanma ve sosyal izolasyon gibi değerleri tüm iller için sabit tutabilir. Hastanede yatan hasta yüzdesini ise il bazlı yapabilirsiniz.

Aracı çalıştırdığınızda çıktı olarak size bir detay sınıfı oluşturur. Bu detay sınıfı içinde hastanedeki COVID-19 nedeniyle yeni giriş yapacak, enfekte olacak, iyileşecek  ve  günlük yoğun bakıma girecek hasta sayısı gibi bilgileri içerir. Bunu tanımladığınız gün içerisinde tarihsel olarak yapar. Aşağıdaki örnek çalışmada COVID-19 nedeniyle günlük olarak hastanelerde yatan hasta sayılarının illere göre dağılımını görüyorsunuz.

*Bu çalışmada kullanılan veriler tahmini olarak üretilmiştir. Lütfen sonuçları dikkate almayınız.

Araç aynı zamanda opsiyonel olarak özet katmanı oluşturur. Bu katman hastane ile ilgili bilgileri içerir. Toplam yatak kapasitesi, toplam entübe  ve toplam YBÜ yatak kapasitesi gibi ek parametreler sağlandıysa, araç aynı zamanda öngörülen ihtiyaçlar ve toplam kaynaklar arasındaki maksimum farkı da hesaplar. Böylece hangi illerde yatak sayıları için kaynak ayırmanız gerektiğini bulabilirsiniz.

Araç bu detay sınıfına ek olarak 3 adet projeksiyon grafiği oluşturur. Bunlardan ilki günlük yeni hasta girişlerinin projeksiyonudur. Aşağıdaki gördüğünüz mavi noktalar ise aracın opsiyonel olarak ürettiği özet katmanıdır. Burada il bazında hastanelerde hasta sayılarının zirve yaptığı zamanı görmektesiniz. Noktaların büyüklüğü ise, hasta sayısını göstermektedir.

Üretilen bir diğer grafik, hastanedeki hasta, entübe gerektiren ve yoğun bakım gerektiren hasta sayısının kümülatif projeksiyonudur.

Üretilen son grafik ise enfekte ve iyileşme sayılarının projeksiyonudur. Tüm Türkiye için bu grafikleri görselleştirebileceğiniz gibi aynı zamanda haritadan il seçerek bu grafikleri filtreyebilirsiniz.

Bu yaptığınız analizi, ArcGIS Online ya da ArcGIS Enterprise aracılığıyla web ortamına taşıyabilirsiniz. Burada hazır şablonlar kullanarak, kod yazmadan web uygulamaları ve hikaye haritaları oluşturabilir ve böylece ilgili kişileri ve kamuyu bilgilendirebilirsiniz.

COVID-19 sürecindeki diğer Esri çözümlerini takip etmek için Esri Türkiye web sitesini, blog sayfamızı ve webinarlarımızı takip edebilirsiniz.

 

Bu yazı için bir etiket bulunmamaktadır.
Share This