младший научный сотрудник, 644080, г. Омск, ул. Мира, 7;
ассистент кафедры эпидемиологии, 644099, г. Омск, ул. Ленина, 12
доктор медицинских наук, профессор, заместитель директора по научной работе, 644080, г. Омск, ул. Мира, 7;
профессор кафедры эпидемиологии, 644099, г. Омск, ул. Ленина, 12
доктор медицинских наук, профессор, директор, 644080, г. Омск, ул. Мира, 7;
заведующий кафедрой микробиологии, вирусологии и иммунологии, 644099, г. Омск, ул. Ленина, 12
заведующая отделом обеспечения эпидемиологического надзора,
644116, г. Омск, ул. 27-я Северная, 42а
заведующий отделением статистического наблюдения и учета инфекционных заболеваний,
644116, г. Омск, ул. 27-я Северная, 42а
младший научный сотрудник,
644080, г. Омск, ул. Мира, 7
главный врач,
644116, г. Омск, ул. 27-я Северная, 42а
Цель. Выявление областей пространственной кластеризации случаев COVID-19 в течение первых трех месяцев от начала эпидемии на территории крупного города с населением более 1 млн человек (на примере г. Омск).
Материалы и методы. Материалом исследования послужили данные эпидемиологических расследований случаев COVID-19, подтверждённых методом полимеразной цепной реакции ПЦР на территории г. Омск за период с начала регистрации заболевания по состоянию на 1 июля 2020 года. Для визуализации пространственного распределения создавали теплокарты с Епанечниковым ядром. Для выявления статистически значимых областей кластеризации мест проживания заболевших COVID-19 рассчитывали общий индекс Гетиса-Орда (Gi*). Анализ геоданных проводили в приложении QGIS 3.14 Pi (qgis.org) с использованием плагина Visualist.
Результаты. Визуальное исследование пространственного распределения мест проживания заболевших COVID-19 на конец анализируемого периода позволяет выделить нескольких зон с повышенной концентрацией, во всех этих зонах отмечена статистически значимая кластеризация. В первую очередь распространение COVID-19 охватывало Советский, Центральный и Кировский районы, а вовлечение Ленинского и Октябрьского административного районов произошло спустя короткое время. Пристальное рассмотрение эволюции выявленных статистически значимых зон пространственной кластеризации мест проживания заболевших COVID-19 на протяжении периода наблюдения позволило выявить приоритетные зоны, эволюция которых шла быстрее других.
Заключение. Установлено неравномерное пространственно-временное распределение случаев новой коронавирусной инфекции по территории Омска: выявлено тринадцать статистически значимых кластеров во всех административных районах города. Оперативная оценка пространственного распределения случаев COVID-19 с помощью геоинформационных систем, позволяющих создавать карты плотности ядра, имеет огромный потенциал в планировании противоэпидемических мероприятий и может быть выполнена в реальном времени.
Aim. To identify clustering areas of COVID-19 cases during the first 3 months of pandemic in a million city.
Materials and Methods. We collected the data on polymerase chain reaction verified cases of novel coronavirus infection (COVID-19) in Omsk for the period from April, 15 until July 1, 2020. We have drawn heat maps using Epanechnikov kernel and calculated Getis-Ord general G statistic (Gi*). Analysis of geographic information was carried out in QGIS 3.14 Pi (qgis.org) software using the Visualist plugin.
Results. Having inspected spatial distribution of COVID-19 cases, we identified certain clustering areas. The spread of COVID-19 involved Sovietskiy, Central and Kirovskiy districts, and also Leninskiy and Oktyabrskiy districts a short time later. We found uneven spatiotemporal distribution of COVID-19 cases infection across Omsk, as 13 separate clusters were documented in all administrative districts of the city.
Conclusions. Rapid assessment of spatial distribution of the infection employing geographic information systems enables design of kernel density maps and harbors a considerable potential for real-time planning of preventive measures.
The authors declare that there are no conflicts of interest present.