مقدمه
سل بیماری عفونی نکروزدهندهای است که سبب گرفتاری ارگانهای مختلف بدن شده و عامل بهوجودآورنده آن مایکوباکتریوم توبرکلوزیس است [
1]. سل یکی از قدیمیترین بیماریهای شناختهشده در دنیا بوده و به عنوان یکی از علل اصلی مرگومیر، بهویژه در کشورهای با سطح درآمد پایین و متوسط، شناخته میشود [
2 ،1]. بر اساس آمارهای سازمان بهداشت جهانی (WHO)، در سال 2019، 1/4 میلیون نفر از افراد بدون ابتلا به HIV جهان، در اثر ابتلا به بیماری سل فوت کردند. در میان افراد مبتلا به ویروس HIV نیز 208 هزار مرگ رخ داده است. در سال 2019 و در سرتاسر جهان، مردان (بالای 15 سال) 56 درصد، زنان 32 درصد و کودکان (کمتر از 15 سال) 12 درصد مبتلایان به بیماری سل در سراسر جهان را تشکیل میدادند. بیشترین (44 درصد) تعداد موارد جدید سل در سال 2019 در منطقه آسیای جنوب شرقی رخ داد. پایان دادن به اپیدمی بیماری سل تا سال 2030 از جمله اهداف بهداشتی و درمانی توسعه پایدار است [
3].
میزان بروز سل در سال 1398 در جمعیت ایرانی 9/69 در صد هزار نفر جمعیت (سل ریوی با اسمیر خلط مثبت: 5/045 در صد هزار نفر) گزارش شده است. در میان 8051 مورد مبتلا به سل گزارششده در کشور در سال 1398، 45/5 درصد موارد را زنان تشکیل میدادند. از طرفی، 17/8 درصد موارد بیماران، غیرایرانی (اغلب افغان) بوده و بیشترین میزان بروز سل مربوط به گروه سنی 65 سال به بالا بوده است [
4]. بیماری سل دارای رتبه هفتم در بار جهانی بیماریها بوده و علی رغم وجود داروهای مؤثر ضدسل، این بیماری بعد از ایدز و مالاریا بیشتر از سایر بیماریهای عفونی، علت بیشترین سالهای ازدسترفته عمر توأم با سلامتی است [
5، 6]. میزان بالایی از موارد ابتلای به بیماری سل در بین گروههای مهاجر دیده میشود [
7]. تأثیر محیط، بهویژه متغیرهای آبوهوایی میتوانند به شدت بر محیط زندگی باکتریایی اثر بگذارند [
8، 9]. اهمیت پیشگیری از سل ریوی، وجود پراکندگی آن در مناطق مختلف کشور، لزوم شناسایی مناطق دارای بروز بالای سل ریوی، آگاهی از وضعیت پراکندگی و تعیین نقش مهمترین عوامل خطر سل ریوی، استفاده از مدلهای پیشرفته آماری را امری ضروری میکند [
10-12].
نقشهبندی بیماری متشکل است از مجموعهای از روشهای آماری که سعی در تهیه نقشههایی دقیق بر اساس برآوردهایی از میزانهای بروز، شیوع و مرگومیر بیماریها دارند تا کاربران نقشهها که عمدتاً برنامهریزان بخش سلامت و اپیدمیولوژیستها هستند، با اطمینان بتوانند توزیع جغرافیایی بیماری موردنظر را برآورد کنند [
13]. در بررسیهای اپیدمیولوژیکی، شناسایی مناطق با خطرات بالا میتواند رهنمودهایی را برای تعیین عوامل خطر مرتبط با مرگ در اثر یک بیماری، ارائه کند. از سوی دیگر، بررسی دقیق مناطق با خطرات پایین نیز میتواند به محققین در شناخت ویژگیهای مثبت آن مناطق که منجر به میزانهای کمتری میشود، کمک کند [
14]. به منظور توصیف تغییرات جغرافیایی یک بیماری و تعیین نواحی با خطر بالا یا پایین، تنظیم نقشه بیماری ضروری به نظر میرسد. تهیه نقشه بیماری که این اهداف را تأمین کند، مستلزم تعریف مقیاسی مانند خطر نسبی مرگ بر اثر بیماری موردنظر است. یکی از متداولترین روشهای برآورد پارامترهای نقشه، روش حداکثر درستنمایی است. اما این روش الگوی فضایی میزانهای مرگومیر و ابتلا در نواحی مجاور را در نظر نمیگیرد و در حالت نواحی با جمعیت کم و بیماریهای نادر نیز ممکن است برآوردهای حاصل از این روش، دقت مناسبی نداشته و منجر به فهم نادرست در آنالیز تغییرات جغرافیایی شود. در مطالعات پیشین جهت بهبود برآورد این نقشهها، استفاده از روشهای بیزی، که دو دسته اطلاعات موارد ابتلای مشاهدهشده در هر ناحیه و اطلاعات مربوط به خطرات نسبی کل منطقه را در هم ادغام میکنند، پیشنهاد شده است [
15]. پس از محاسبه میزانهای بیماری با استفاده از مدلهای آماری، نقشه بیماری را میتوان با استفاده از نرمافزارهای مبتنی بر سیستمهای اطلاعات جغرافیایی رسم کرد [
16]. هدف اصلی پژوهش حاضر، چگونگی توزیع جغرافیایی بیماری سل ریوی اسمیر مثبت در ابتدا و انتهای یک بازه زمانی دهساله و در سطح کل کشور بوده و میتواند به عنوان یک راهنما برای برنامهریزان بهداشتی جهت انجام مداخلات پیشگیرانه از یکسو و زمینهسازی ایدههای مطالعات سببشناسی بیماری از سوی دیگر باشد.
روش بررسی
پژوهش حاضر از نوع مطالعات بومشناختی است. جامعه موردمطالعه تمامی افراد در معرض خطر سل ریوی اسمیر مثبت در سالهای 1389 و 1398، در سطح کشور هستند. دادهها (تعداد موارد مبتلا در هر سال و جمعیت در معرض خطر در بازه زمانی مذکور و به تفکیک استان)، از وبسایت ادارۀ کنترل سل و جذام مرکز مدیریت بیماریهای واگیر معاونت بهداشت وزارت بهداشت، درمان و آموزش پزشکی استخراج شد [
17]. در این پژوهش، خطر نسبی بروز بیماری سل ریوی اسمیر مثبت از حاصل تقسیم تعداد افراد مبتلای مشاهدهشده در محدوده هر استان به تعداد افراد مبتلای موردانتظار ابتلا به بیماری سل ریوی اسمیر مثبت در همان منطقه، به دست میآید.
در مطالعات بومشناختی، هرگاه با مناطق کمجمعیت مواجه باشند، استفاده از روشهای بیزی علاوه بر در نظر گرفتن مشاهدات هر ناحیه، اطلاعات قبلی در مورد تغییرات نرخ بیماریها را نیز روی کل نقشه در نظر گرفته و به ادغام این دو دسته از اطلاعات میپردازد. با توجه به اینکه در روش بیزی برای برآورد پارامترها توزیع پیشین در نظر گرفته میشود، انتخاب توزیع پیشین مناسب سبب بهکارگیری نرخهای بیماری از مناطق همسایه (در نظر گرفتن وابستگی جغرافیایی) و دخالت دادن الگوی فضایی میشود. برای برآورد خطر نسبی بروز سل ریوی اسمیر مثبت در هر استان از مدلهای فضایی Log-Normal و BYM استفاده شد. معیار انحراف اطلاع (DIC) برای مقایسه کارایی دو مدل استفاده شد. DIC کمتر نشاندهنده برازش بهتر مدل است [
18]. برآورد پارامترهای این دو مدل با استفاده از شبیهسازی زنجیر مارکف مونت کارلو (MCMC) در نرمافزار WinBUGS 1/4/3 محاسبه شده و با استفاده از نرمافزار ArcGIS 10/8 نقشه خطر نسبی سل ریوی اسمیر مثبت در سطح کشور رسم شد.
دادههای این پژوهش شامل تعداد موارد مبتلایان قطعی به سل ریوی اسمیر مثبت و جمعیت در معرض خطر به تفکیک هر منطقه جغرافیایی (استان) است. این دادهها توسط معاونت بهداشت دانشگاههای علومپزشکی در سامانه اختصاصی بیماران مبتلا به سل ثبت شده و از طریق وبسایت اداره سل و جذام مرکز بیماریهای واگیر معاونت بهداشتی وزارت بهداشت، درمان و آموزش پزشکی در اختیار محققان قرار میگیرد. آخرین اطلاعات بهروزرسانیشده در شهریور سال 1399 منتشر شده و اطلاعات مرتبط با تعداد بیماران و جمعیت در معرض خطر تا سال 1398را دربر دارد. هرکدام از استانهای کشور (i=1,..,31) را با i، تعداد جمعیت در معرض خطر ابتلا به بیماری سل ریوی اسمیر مثبت را با ni و تعداد موارد ابتلا به سل ریوی اسمیر مثبت را با yi نشان میدهیم. تعداد مورد انتظار موارد ابتلای به بیماری برای استانi اُم به صورت تعریف میشود. با در نظر گرفتن نماد θi به عنوان خطر نسبی بیماری سل ریوی اسمیر مثبت در هر استان نسبت به کل کشور، فرض میشود که yi ها بطور مستقل دارای توزیع پواسن با پارامتر ei θi باشند.
1.
θ
i خطر نسبی برای منطقه i اُم است. در صورت وجود متغیرهای مستقل میتوان از
فرمول شماره 2 جهت مدلسازی خطر نسبی استفاده کرد.
2.
نشاندهنده ترکیب خطی از عوامل خطر احتمالی با ضرایب متناظر است. در پژوهش حاضر متغیرهای مستقل مورد بررسی قرار نگرفتهاند. νi اثر تصادفی مدل است که دارای توزیع است. α در تمامی معادلات سطح کلی خطر نسبی است.
مدل BYM (بیز کامل): این مدل دو منبع تغییرات برای ناهمگنی میزان بروز را از طریق رابطه خطی به صورت
فرمول شماره 3 مدلسازی میکند.
3.
μ: میانگین کلی (روند فضایی)، ui: ناهمگنی فضایی همبسته، vi: ناهمگنی ناهمبسته.
در صورت وجود متغیرهای مستقل میتوان از
فرمول شماره 4 جهت مدلسازی خطر نسبی استفاده کرد.
4.
u
i و v
i نشاندهنده اجزای تصادفی مدل BYM اند که به ترتیب نشاندهنده بیش پراکنش (ناهمگنی همبسته) و ناهمگنی ناهمبسته هستند. به عبارت دیگر، مدل دو منبع ناهمگنی را در نظر میگیرد. اولین منبع ناهمگنی مربوط به هر منطقه بوده و در نتیجه تغییرات میان افراد رخ میدهد. منبع دوم ناهمگنی در نتیجه همبستگی بین نواحی همسایه رخ میدهد. متغیرهای u
i و v
i به ترتیب دارای توزیع پیشین نرمال و توزیع نرمال خودهمبسته شرطی است. با در نظر گرفتن توزیع خودهمبسته شرطی، میزان بروز در هر ناحیه به نواحی مجاور آن مشروط شده و از میزان بروز آن نواحی تأثیر میپذیرد [
19، 20]. توزیع پسین با استفاده از الگوریتمهای زنجیر مارکف مونت کارلو (MCMC) نظیر نمونهگیرهای Gibbs یا Metropolis-Hastings نمونهگیری میشود. جزئیات مدل BYM در پیوست الف و ب ارائه شده است.
یافتهها
تعداد کل افراد در معرض خطر بیماری سل ریوی اسمیر مثبت در سال 1389در کل کشور 74159000 نفر و در سال 1398، 83075000 نفر بود. در 31 استان موارد ابتلا به این بیماری مورد بررسی قرار گرفت. تعداد 5286 نفر در سال 1389 و تعداد 4188 نفر در سال 1398 مبتلا به بیماری سل ریوی اسمیر مثبت تشخیص داده شدند. بروز سل ریوی اسمیر مثبت در کشور در سال 1389 معادل 7/1 در صد هزار نفر و در سال 1398، 5/04 در صد هزار نفر محاسبه شد. روند کاهشی بروز بیماری سل ریوی اسمیر مثبت در کل کشور طی ده سال موردبررسی، معنادار بود (P<0/0001). خطر نسبی بروز سل ریوی اسمیر مثبت به تفکیک هر استان با استفاده از دو مدل BYM و Log-Norm مورد بررسی قرار گرفت. مقایسه نیکویی برازش این دو مدل با استفاده از شاخص DIC بررسی شد. مدل BYM برای هر دو سال مورد بررسی برازش بهتری داشت (
جدول شماره 1).
در
جدول شماره 2، برآوردهای حاصل از مدل BYM برای ابتدا و انتهای دهه موردبررسی به همراه روند افزایشی و یا کاهشی در استانها به همراه میانگین پسین و انحراف معیار مؤلفههای واریانس مدل BYM ارائه شده است.

با توجه به نتایج، در سال 1389، استانهای خراسان رضوی، خراسان جنوبی،خوزستان، قم، گلستان، هرمزگان، سیستان و بلوچستان و گیلان استانهایی بودند که به طور معنیدار خطر نسبی بیشتر از یک داشتهاند. بیشترین خطر نسبی در سال 1389 مربوط به استان سیستان و بلوچستان [4/32- 3/73:CI%95] RR=4/02 و کمترین خطر نسبی مربوط به استان چهارمحال و بختیاری با [0/35-0/13 :CI%95] RR=0/22 بود. در سال 1398 نیز استانهای تهران، خراسان رضوی، خوزستان، سیستان و بلوچستان، مازندران، گلستان،گیلان و یزد استانهایی بودند که به طور معنیدار خطر نسبی بیشتر از یک داشتهاند. بیشترین خطر نسبی در سال 1398 مربوط به استان سیستان و بلوچستان با [4/01- 3/45:CI%95] RR=3/77 کمترین خطر نسبی مربوط به استان کهگلیویه و بویر احمد با [0/36-0/10 :CI 95%] RR=0/21 (
جدول شماره 1) بود. توزیع جغرافیایی خطر نسبی سل ریوی اسمیر مثبت در سالهای 1389 و 1398 به ترتیب در
تصاویر شماره 1 و
2 ارائه شده است. تقسیمبندی مقادیر خطر نسبی در تصویرهای
شماره 1 و
2 بر اساس چارکها انجام شد.
بحث
کشور ایران به دلیل شرایط خاص جغرافیایی و داشتن مرز مشترک با پاکستان و افغانستان در معرض شیوع بیماریهای عفونی بهویژه سل قرار دارد. هممرز بودن با کشورهایی با موارد بالای سل، لزوماً دلیل بر افزایش خطر بیماری در مناطق مرزی نمیشود. این هممرزی موجبات مهاجرت به داخل کشور را فراهم میآورد. مهاجران میتوانند به شهرهای مرکزی و خوشآبوهوا و با امکانات بیشتر سفر کرده، در آن شهرها مقیم شده و موجبات انتقال بیماری را فراهم آورند. علاوه بر این با توجه به اینکه بیماری سل ریوی یکی از مسائل مهم بهداشتی در ایران است و شرایط محیطی و اقلیمی در هر منطقه زمینه را برای بروز و شیوع سل مساعد میکند، توجه به مطالعه محیطی و نقشهبندی آن به صورت دقیق مورد توجه این مقاله قرار گرفت. نتایج نشان داد که بروز سل ریوی اسمیر مثبت در کشور در سال 1398 نسبت به سال 1389، 2/6 درصد کاهش یافته است؛ این امر نشان از بهبود وضعیت بهداشت و اجرای اقدامات پیشگیرانه در زمینه بیماری سل است [
4]. مطالعات پیشین در حوزه مدلسازی میزانهای بیماریهای واگیر و غیرواگیر نشان دادهاند که روش حداکثر درستنمایی الگوی فضایی میزانهای مرگومیر در مناطق مجاور را در نظر نگرفته و در برخی حالتها نیز برآوردهای حاصل از این روش، دقت مناسبی نداشته و منجر به برداشت نادرست در آنالیز تغییرات جغرافیایی خواهند شد [
21 ،20]. به دلایل مذکور چنین به نظر میرسد که در عمل نقشههایی که بر مبنای برآورد حداکثر درستنمایی برای نسبتهای استانداردشده مرگومیر تهیه میشوند، دقت قابل قبولی نداشته باشند. برای بهبود برآورد این نقشهها، استفاده از مدلهای مبتنی بر استنباط بیزی که دو نوع اطلاع را در هم ادغام میکنند، پیشنهاد شده است [
20 ،
15].
مدلهای مبتنی بر استنباط بیزی دو دسته اطلاعات مرگهای مشاهدهشده در هر ناحیه که با توزیع پواسن و تابع حداکثر درستنمایی معرفی میشوند و اطلاعات مربوط به خطرات نسبی کل منطقه که در توزیع پیشین خلاصه میشوند را در هم ادغام میکنند. بنابراین استفاده از مدلهای مبتنی بر استنباط بیزی علاوه بر در نظر گرفتن مشاهدات هر ناحیه، اطلاعات قبلی در مورد تغییرات نرخ بیماریها روی کل نقشه را نیز در نظر میگیرد. همچنین در مدلهای مبتنی بر استنباط بیزی برای برآورد پارامترها توزیع پیشین در نظر گرفته میشود. انتخاب توزیع پیشین مناسب سبب بهکارگیری نرخهای بیماری از مناطق همسایه (در نظر گرفتن وابستگی جغرافیایی) و دخالت دادن الگوی فضایی میشود. بنابراین مدلهای مبتنی بر استنباط بیزی با استفاده از اطلاعات حاصل از کل مناطق، برآوردگرهای دقیقتری را برای خطر نسبی تولید کرده و نتیجه استفاده از این روشها، ارائه نقشههایی با برآوردهای قابل اعتمادتر، خواهد بود [
20-22]. در میان دو مدل لوگ نرمال و BYM به عنوان مدلهای مبتنی بر استنباط بیزی، حضور همبستگی ساختاری و غیرساختاری در مدل BYM، منجر به برازش مناسبتر آن خواهد شد [
20].
در سال 2019، بیشترین موارد جدید بیماری سل در مناطق آسیای جنوب شرقی (44 درصد) و آفریقا (25 درصد) گزارش شده است. هشت کشور دارای بالاترین موارد جدید ابتلا به بیماری سل به ترتیب عبارتاند از: هند، اندونزی، چین، فیلیپین، پاکستان، نیجریه، بنگلادش و آفریقای جنوبی [
3]. در میان این هشت کشور، پاکستان دارای مرز زمینی مشترک با ایران است.
با توجه به مقادیر حاصل از مدل فضایی BYM و نقشههای رسمشده، نتیجه میگیریم که غالباً مناطق کمبرخوردار در کشور مانند استان سیستان و بلوچستان علیرغم کاهش در خطر نسبی طی یک دهه، همچنان در صدر موارد ابتلای به سل ریوی قرار دارند. استان سیستان و بلوچستان هممرز با کشور پاکستان بوده و از مناطق کمبرخوردار کشور محسوب میشود. کشور پاکستان از جمله کشورهای منطقه است که دارای بالاترین میزان بروز بیماری سل بوده و تردد بین ساکنین استان سیستان و بلوچستان و این کشور نسبتاً چشمگیر است. استان خوزستان نیز به دلیل دارا بودن مرز مشترک با کشور عراق، از مناطقی است که روند کاهشی در سطح خطر آن در این بازه دهساله مشاهده نمیشود. میزان بروز بیماری سل در سال 2018 در کشور عراق 42 در صد هزار نفر گزارش شده است که سه برابر میزان بروز در ایران است [
4].
استان گلستان نیز به دلیل پوشش گیاهی و آبوهوا از دیگر مناطقی است که با توجه به نقشههای مبتنی بر برآوردهای حاصل از مدلها، علیرغم کاهش در خطر نسبی، همچنان خطر نسبی بالاتر از یک را دارد. استانهای بوشهر، تهران، چهارمحال و بختیاری، خراسان شمالی، خوزستان، زنجان، فارس، قزوین، کردستان، گیلان، مازندران، یزد و همدان در سال 1398 افزایش در خطر نسبی سل ریوی اسمیر مثبت داشتهاند. با توجه به عواملی نظیر مهاجرت در نتیجه صنعتی شدن برخی از استانها و افزایش تردد از کشورهای همجوار در برخی دیگر از استانها، لزوم پایش و غربالگری در این استانها ضروری به نظر میرسد. از طرفی استانهای سیستان و بلوچستان و گلستان که دارای بالاترین مقادیر خطر نسبی در سال 1398 هستند، روند کاهشی طی ده سال اخیر نشان دادهاند. این روند کاهشی در استانهایی با خطر بالا نشاندهنده اثربخشی بیشتر برنامه کنترل بیماری، در تشخیص زودهنگام موارد بیماری سل، در این مناطق نسبت به مناطق دیگر است. این بخش از یافتهها نیز در تطابق با یافتههای پژوهش جعفری کوشکی و همکاران است [
17].
در میان استانهای کشور، دو استان سیستان و بلوچستان و گلستان بیشترین میزانهای بروز و شیوع در کشور را دارا هستند. همسایگی ایران با دو کشور افغانستان، پاکستان، عراق و کشورهای نوپای شمال کشور در ایجاد شرایط خاص در استانهای مرزی کشور مؤثر است. کشورهای افغانستان و پاکستان در زمره ۲۲ کشور High Burden دنیا هستند. کشور عراق با توجه به بحرانهای چندساله اخیر و میزان تبادل مسافر با ایران نیازمند توجه بیشتری است. وجود کشورهای همسایه تازه استقلالیافته شمال کشور که دارای شیوع بالای سل مقاوم به چند دارو هستند نیز ضرورت توجه بیش از پیش دست اندرکاران برنامه پیشگیری و پایش سل را میطلبد [
22].
بر اساس جستوجوهای انجامشده تنها مطالعه مشابه در سطح کشور توسط جعفری کوشکی و همکاران و در بازه زمانی 2001 تا 2012 انجام شده است. تفاوت پژوهش مذکور با مطالعه حاضر در بازه زمانی انجام پژوهش است. از نظر روند افزایشی خطر نسبی نتایج پژوهش حاضر هماهنگ با نتایج مطالعه جعفری کوشکی و همکاران است [
17]. از نظر متدولوژی مورداستفاده نیز در مطالعات دیگری که از مدلهای فضایی جهت تجزیه و تحلیل میزانهای مرگومیر یا ابتلا به انواع بیماری استفاده کردهاند، برازش مدل BYM مناسبتر از مدلهای دیگر گزارش شده است [
10،
22].
نتیجهگیری
از نظر متدولوژی مورد استفاده، با توجه به اینکه مناطق نزدیک به هم از لحاظ موقعیت جغرافیایی، میزانهای بیماری یا مرگومیر مشابهی دارند، مناسب است که الگوی فضایی در برآورد پارامترهای نقشه منظور شود. لحاظ کردن همبستگی و در نظر گرفتن ساختار فضایی بین مناطق در روش BYM منجر به افزایش دقت برآوردها میشود. خطر ابتلا به سل به طور کلی در استانهای هممرز با کشورهای دارای میزان بروز بالای سل و استانهای با شرایط آبوهوایی مرطوب، بالا بود. حرکت و جابهجایی جمعیتی از استانهای پرخطر و کشورهای مجاور را میتوان به عنوان یکی از چالشهای اصلی کنترل بیماری سل در کشور، در نظر گرفت. با وجود این، الگوی کاهش خطر در استانهای هممرز با کشورهای پرخطر، پیشرفت نسبتاً خوبی در برنامههای کنترل سل را نشان داده و لزوم انجام مطالعات دقیقتر در خصوص الگوی افزایشی دیگر استانها را یادآوری میکند.
ملاحظات اخلاقی
پیروی از اصول اخلاق پژوهش
این پژوهش مورد تایید کمیته اخلاق دانشگاه جندیشاپور اهواز قرار گرفته است (کد: IR.AJUMS.REC.1397.733.).
حامی مالی
کمیته تحقیقات دانشجویی دانشگاه علوم پزشکی جندی شاپور اهوازاز این پژوهش حمایت مالی کرده است.
مشارکت نویسندگان
طرح ایده: الهام مراغی؛ جمع آوری دادهها: ثریا مرادی؛ تجزیه و تحلیل دادهها: آذر بابااحمدی؛ نگارش مقاله: تمامی نویسندگان.
تعارض منافع
بنابر اظهار نویسندگان این مقاله تعارض منافع ندارد.
تشکر و قدردانی
پژوهشگران برخود لازم میدانند مراتب قدردانی و تشکر خود را از اداره سل و جذام وزارت بهداشت درمان و آموزش پزشکی کشور بابت در اختیار گذاشتن اطلاعات مورد نیاز و همچنین کمیته تحقیقات دانشجویی دانشگاه جندی شاپور اهواز بابت در اختیار گذاشتن این فرصت ابراز کنند.
References
- Moosazadeh M, Khanjani N, Nasehi M, Bahrampour A. [The status of the surveillance system of groups at risk of tubercolosis in Iran: A qualitative study (Persian)]. Health Dev J. 2016; 5(1):24-44. http://jhad.kmu.ac.ir/article_91209_7b5faa281d4e890a8ff4f2063ba03670.pdf
- Fallah S, Salarilak Sh, Khalkhali HR, Nejadrahim R, Nasehi M. [Effective factors of treatment outcome in smear positive tuberculosis patients in Golestan province-Iran (2014) (Persian)]. J Gorgan Univ Med Sci. 2016; 18(2):102-7. http://goums.ac.ir/journal/article-1-2769-en.html
- World Health Organization. Tuberculosis [Internet]. 2020 [ Updated 2020 October 14]. Available from: https://www.who.int/en/news-room/fact-sheets/detail/tuberculosis
- Public Health Department. Infectious Disease Instructions [Internet]. 2020 [Updated 2 June 2020]. Available from:https://health.behdasht.gov.ir/
- Ministry of Health and Medical Education. TB incidence in Iran [Internet]. 2020 [Updated 14 November 2020] Available from: http://tb-lep.behdasht.gov.ir/TB_Situation_in_Iran.aspx
- Moosavi SA, Fararouei M, Tabatabai HR, Farhadi F, Estakhrian Haghighi R. [Epidemiological investigation of tuberculosis in Khuzestan Province in 2005-2013 (Persian)]. Sadra Med J. 2016; 4(1):21-30. https://smsj.sums.ac.ir/article_44076.html?lang=en
- Waitt CJ, Squire SB. A systematic review of risk factors for death in adults during and after tuberculosis treatment. Int J Tuberc Lung Dis. 2011; 15(7):871-85. [DOI:10.5588/ijtld.10.0352] [PMID]
- Sarvi F, Momenian S, Khodadost M, Pahlavanzadeh B, Nasehi M, Sekhavati E. The examination of relationship between socioeconomic factors and number of tuberculosis using quantile regression model for count data in Iran 2010-2011. Med J Islam Repub Iran. 2016; 30:399. [PMID]
- Narula P, Sihota P, Azad S, Lio P. Analyzing seasonality of tuberculosis across Indian states and union territories. J Epidemiol Glob Health. 2015; 5(4):337-46. [DOI:10.1016/j.jegh.2015.0004] [PMID] [PMCID]
- Liu YX, Pang CK, Liu Y, Sun XB, Li XX, Jiang SW, et al. Association between multidrug-resistant tuberculosis and risk factors in China: Applying partial least squares path modeling. PLoS One. 2015; 10(5):e0128298. [DOI:10.1371/journal.pone.0128298] [PMID] [PMCID]
- Souza WV, Carvalho MS, Albuquerque Mde F, Barcellos CC, Ximenes RA. Tuberculosis in intra-urban settings: A Bayesian approach. Trop Med Int Health. 2007; 12(3):323-30. [DOI:10.1111/j.1365-3156.2006.01797.x] [PMID]
- Bailey TC. Spatial statistical methods in health. Cad Saude Publica. 2001; 17(5):1083-98. [DOI:10.1590/S0102-311X2001000500011] [PMID]
- Bailey TC, Carvalho MS, Lapa TM, Souza WV, Brewer MJ. Modeling of under-detection of cases in disease surveillance. Ann Epidemiol. 2005; 15(5):335-43. [DOI:10.1016/j.annepidem.2004.09.013] [PMID]
- Rao JNK, Molina I. Small area estimation. New Jersey: Wiley & Sons; 2015. [DOI:10.1002/9781118735855]
- Leroux BG. Modelling spatial disease rates using maximum likelihood. Stat Med. 2000; 19(17-18):2321-32. [PMID]
- Jafari-Koshki T, Arsang-Jang S, Raei M. Applying spatiotemporal models to study risk of smear-positive tuberculosis in Iran, 2001-2012. Int J Tuberc Lung Dis. 2015; 19(4):469-74. [DOI:10.5588/ijtld.14.0459] [PMID]
- Tabatabaee H, Hassan Zadeh J, Younes Nia F. [Determining spatial pattern of tuberculosis by geographical information system in Guilan Province, 2005-2011 (Persian)]. J Mazandaran Univ Med Sci. 2015; 25(129):142-7. http://jmums.mazums.ac.ir/article-1-6264-en.html
- Ministry of Health and Medical Education. Iran's remarkable success in controlling tuberculosis [Internet]. 2018 [Updated 14 Oct 2018]. Available from:https://behdasht.gov.ir/
- Berg A, Meyer R, Yu J. Deviance information criterion for comparing stochastic volatility models. J Bus Econ Stat. 2004; 22(1):107-20. [DOI:10.1198/073500103288619430]
- Lawson AB, Browne WJ, Rodeiro CLV. Disease mapping with WinBUGS and MLwiN. New Jersey: John Wiley &Sons; 2003. [DOI:10.1002/0470856068]
- Lawson A. Disease mapping and risk assessment for public health decision making. New Jersey: Wiley; 1998. https://www.google.com/books/edition/Disease_Mapping_and_Risk_Assessment_for/ssXYzAEACAAJ?hl=en
- MacNab YC, Dean CB. Spatio-temporal modelling of rates for the construction of disease maps. Stat Med. 2002; 21(3):347-58. [DOI:10.1002/sim.1021] [PMID]