مجله زنان، مامایی و نازایی ایران

مجله زنان، مامایی و نازایی ایران

مطالعۀ برخی عوامل ایجاد خطر بر زایمان زودرس در شهرستان گراش استان فارس با استفاده از روش رگرسیون وزنی جغرافیایی (GWR)

نوع مقاله : اصیل پژوهشی

نویسندگان
ثریا انصاری 1
مریم انصاری 2
محمد انصاری 3
صفیه آتش بار 4
محمد نوروزی 5
1 رئیس گروه جوانی جمعیت، سلامت خانواده و مدارس معاونت بهداشت دانشکده علوم پزشکی گراش، فارس، ایران.
2 دکتری مخاطرات ژئومورفولوژیک، کارشناس پایش اداره حفاظت محیط زیست، شهرستان اوز، فارس، ایران.
3 کارشناس بیماری های واگیر، معاونت بهداشت، دانشکده علوم پزشکی گراش، فارس، ایران.
4 کارشناس برنامه سلامت مادران، معاونت بهداشت، دانشکده علوم پزشکی گراش، فارس، ایران.
5 رئیس گروه بیماری ها، معاون اجرایی معاونت بهداشت، دانشکده علوم پزشکی گراش، فارس، ایران.
10.22038/ijogi.2025.83501.6239
چکیده
مقدمه: زایمان زودرس به زایمان قبل از 37 هفتۀ حاملگی اطلاق می ­گردد و بزرگ‌ترین علت مرگ نوزادان، تولد نارس می­ باشد. بنابراین پژوهشگران در نقاط مختلف دنیا عوامل مرتبط گوناگونی را به ­عنوان عوامل خطر منجر به بروز زایمان زودرس معرفی کرده ­اند، لذا هدف اصلی این تحقیق این است که با استفاده از روش رگرسیون وزنی جغرافیایی، نواحی که بیشترین تأثیر را از زایمان زودرس می­ پذیرند، با توجه به گروه­ های سنی، هفته بارداری و شرایط جسمی و اقتصادی مادران در شهرستان گراش مشخص شوند.
روش‌کار: در این تحقیق برای بررسی رابطۀ بین زایمان زودرس و 26 عامل ایجاد خطر در شهرستان گراش از مدل GWR استفاده شد. 26 عامل ایجاد خطر شامل گروه ­های سنی مختلف، هفته ­های مختلف بارداری، میزان درآمد، سابقه سزارین، سابقه جفت سرراهی، وزن­ گیری نامناسب مادر، سابقه عفونت ادراری و دستگاه تناسلی، خونریزی سه ماهه اول بارداری، تالاسمی مینور، چندقلویی، تیروئید، دیابت، بیماری ­های کلیوی، سابقه فشارخون، کووید-19 و مشکلات خونی به ­عنوان متغیر مستقل و زایمان زودرس به­ عنوان متغیر وابسته مشخص شدند.
یافته­ ها: از بین 26 عامل ایجاد خطر 13 مورد یعنی نیمی از آن­ها با زایمان زودرس ارتباط معنی‌داری داشتند. از بین این عوامل، برخی از آن­ها در نقاط مختلف شهرستان همبستگی متفاوتی را از کم به زیاد نشان دادند، بنابراین به ­راحتی می ­توان در مکان­ های با همبستگی بالا، اقدامات پیشگیرانه و مدیریتی مؤثری را اعمال نمود، ولی برخی عوامل مانند تالاسمی مینور، وزن­گیری نامناسب، هفته­ های 33-30 و 36-34 بارداری در همۀ نقاط شهرستان میزان همبستگی بسیار بالایی را از خود نشان دادند که نیاز به توجه بسیار بالایی دارد.
نتیجه ­گیری: نتایج کاربردی مدل رگرسیون وزنی جغرافیایی و قدرت بالای آن جهت مدل­ سازی مکانی به مدیران و برنامه­ ریزان کمک می­ کند تا نقاط حساس بیماری­ ها و مسائل مختلف به­ عنوان نمونه زایمان زودرس را شناسایی و برای مدیریت هرچه بهتر به‌کار گیرند.
کلیدواژه‌ها
رگرسیون وزنی جغرافیایی (GWR)
زایمان زودرس
عوامل ایجاد خطر
موضوعات

عنوان مقاله English

Some risk factors for preterm birth in Gerash County, Fars Province using the method of Geographic Weighted Regression (GWR)

نویسندگان English

Soraya Ansari 1
Maryam Ansari 2
Mohammad Ansari 3
Safiyeh Atashbar 4
Mohammad Nowrouzi 5
1 Head of the Department of Population Youth, Family Health and Schools of Gerash Faculty of Medical Sciences, Gerash, Fars, Iran.
2 PHD of Geomorphological Hazards, Expert of Monitoring the Environmental Protection Department, Ewaz County, Fars, Iran.
3 Infectious Diseases Expert, Vice-Chancellor of Health, Gerash Faculty of Medical Sciences, Gerash, Fars, Iran.
4 Maternal Health Program Expert, Vice-Chancellor of Health, Gerash Faculty of Medical Sciences, Fars, Iran.
5 Head of the Department of Diseases, Executive Vice President of Health, Gerash Faculty of Medical Sciences, Gerash, Fars, Iran.
چکیده English

Introduction: Preterm birth is defined as birth before 37 weeks of gestation and is the leading cause of infant mortality. Therefore, researchers worldwide have identified various risk factors associated with preterm birth. The aim of this study was that using the Geographically Weighted Regression (GWR) method identifies the areas most affected by preterm birth in Gerash County, considering maternal age groups, gestational weeks, and socioeconomic conditions.
Methods: In this study, the GWR model was employed to examine the relationship between preterm birth and 26 risk factors in Gerash County. These 26 risk factors included various age groups, different gestational weeks, income level, history of cesarean section, placenta previa, inadequate maternal weight gain, history of urinary and genital tract infections, first-trimester bleeding, minor thalassemia, multiple pregnancies, thyroid disorders, diabetes, kidney diseases, history of hypertension, COVID-19, and blood-related complications as independent variables, and preterm birth as dependent variable.
Results: Among the 26 risk factors, 13 cases or half were significantly associated with preterm birth. Among these factors, some showed varying degrees of correlation in different parts of the county, making it easier to implement effective preventive and management measures in areas with high correlation. However, some factors such as thalassemia minor, inadequate weight gain, and gestational weeks 30-33 and 34-36 showed a very high correlation in all parts of the county, requiring significant attention for prevention.
Conclusion: The practical results of the GWR model and its high power for spatial modeling can help managers and planners to identify sensitive areas of diseases and various issues, such as preterm birth, and manage them more effectively.

کلیدواژه‌ها English

GWR
Preterm birth
Risk Factors
  1. Davari Tanha F, Valadan M, Kaveh M, Bagherzadeh S, Hasanzade M. Risk factors for recurrent preterm delivery in three university hospitals. Tehran Univ Med J 2008; 65(2):24-29.
  2. Martin JA, Osterman MJK. Shifts in the distribution of births by gestational age: United States, 2014–2022. National Vital Statistics Reports 2024; 73(1):1-10.
  3. Zarezadeh T, Nemati N, Bagherpoor T. The effect of prenatal exercises on preterm children and neonatal consequences and outcomes in prim parous pregnant women: a randomized controlled clinical trial study. Studies in Medical Sciences 2022; 33(6):466-77.
  4. Valiani M, Torabi F. The relationship between oral, the kidney and urinary tracts infections and preterm delivery in pregnant women admitted to educational hospitals, Isfahan, Iran. Payesh (Health Monitor) 2021; 20(5):581-7.
  5. Brunsdon C, Fotheringham AS, Charlton ME. Geographically weighted regression: a method for exploring spatial nonstationarity. Geographical analysis 1996; 28(4):281-98.
  6. Ansari M, Jabbari I, Sargordi F. Spatial Modelling of Water Quality Parameters Based on Geological Formations. Hydrogeomorphology 2021; 8(26):137-17.
  7. Tu J, Xia ZG. Examining spatially varying relationships between land use and water quality using geographically weighted regression I: Model design and evaluation. Science of the total environment 2008; 407(1):358-78.
  8. Nazeer M, Bilal M. Evaluation of ordinary least square (OLS) and geographically weighted regression (GWR) for water quality monitoring: A case study for the estimation of salinity. Journal of Ocean University of China 2018; 17:305-10.
  9. Xu H, Zhang C. Investigating spatially varying relationships between total organic carbon contents and pH values in European agricultural soil using geographically weighted regression. Science of the Total Environment 2021; 752:141977.
  10. Ansari M, Jabbari I, Sargordi F. Use of Morphometric Indicators to Identify the Source of Salinity in Playa (Case Study Izadkhast Playa Fars Province). Quantitative Geomorphological Research 2021; 10(3):134-56.
  11. Yao Y, Shi W, Zhang A, Liu Z, Luo S. Examining the diffusion of coronavirus disease 2019 cases in a metropolis: a space syntax approach. International journal of health geographics 2021; 20(1):17.
  12. Middya AI, Roy S. Geographically varying relationships of COVID-19 mortality with different factors in India. Scientific Reports 2021; 11(1):7890.
  13. Jasim IA, Fileeh MK, Ebrahhem MA, Al-Maliki LA, Al-Mamoori SK, Al-Ansari N. Geographically weighted regression model for physical, social, and economic factors affecting the COVID-19 pandemic spreading. Environmental Science and Pollution Research 2022; 29(34):51507-20.
  14. Widiawaty MA, Lam KC, Dede M, Asnawi NH. Spatial differentiation and determinants of COVID-19 in Indonesia. BMC Public Health 2022; 22(1):1030.
  15. Nasseh N, Rahimi SM, Yousefi Robayat E, Riahi SM. Spatial and Temporal Distribution Analysis of the Effective Factors in the Prevalence of COVID-19 in South Khorasan Province. Green Development Management Studies 2022; 1(2):143-58.
  16. Karimi M, Kaffash Charandabi N. Spatial-temporal prediction of high-risk areas of Covid-19 disease using Geographically Weighted Regression and Multi Layer Perceptron neural network. Journal of Geomatics Science and Technology 2023; 12(3):17-38.
  17. Pratt B, Chang H. Effects of land cover, topography, and built structure on seasonal water quality at multiple spatial scales. Journal of hazardous materials 2012; 209:48-58.
  18. Erfanian M, Hosseinkhah M, Alijanpour A. Introduction to Ordinary Least Squares (OLS) and Geographically Weighted Regression (GWR) Methods in Spatial Modeling of Land Use Effects on Water Quality. Extension and Development of Watershed Management 2013; 1(1):33-8.
  19. Isazadeh V, Argany M, Ghanbari A, Mohammadi H. Temporal and spatial distribution modeling of corona virus spread (Case study: Qom and Mazandaran provinces). Environmental Management Hazards 2021; 8(1):81-98.
  20. Zare SN, Parizadi T, Hakimi M. Pathology of Rural Areas in Risks of COVID-19 (Case Study: Rural Areas of Ijroud City in Zanjan Province). Geography & Environmental Hazards 2022; 11(1).
  21. Lin CH, Wen TH. Using geographically weighted regression (GWR) to explore spatial varying relationships of immature mosquitoes and human densities with the incidence of dengue. International journal of environmental research and public health 2011; 8(7):2798-815.
  22. Mohan VR, Srinivasan M, Sinha B, Shrivastava A, Kanungo S, Natarajan Sindhu K, et al. Geographically weighted regression modeling of spatial clustering and determinants of focal typhoid fever incidence. The Journal of Infectious Diseases 2021; 224(Supplement_5):S601-11.
  23. Rugaimukam JJ, Mahande MJ, Msuya SE, Philemon RN. Risk factors for preterm birth among women who delivered preterm babies at Bugando medical Centre, Tanzania. SOJ Gynecol Obstet Womens Health 2017; 3(2):1-7.
  24. Mohammadinia A, Saeidian B, Pradhan B, Ghaemi Z. Prediction mapping of human leptospirosis using ANN, GWR, SVM and GLM approaches. BMC infectious diseases 2019; 19:1-18.
  25. Sohrabi D, Ghanbari Gorkani M. A survey on risk factors and outcomes of women with preterm labor admitted to Valieasr hospital in Zanjan. Nursing and Midwifery Journal 2011; 9(2):1-7.
  26. Gurung A, Wrammert J, Sunny AK, Gurung R, Rana N, Basaula YN, et al. Incidence, risk factors and consequences of preterm birth–findings from a multi-centric observational study for 14 months in Nepal. Archives of public health 2020; 78:1-9.
مجله زنان، مامایی و نازایی ایران
دوره 27، شماره 12
اسفند 1403
صفحه 43-60