A space time analysis evaluating the impact of hurricane sandy on HIV testing rates

Wilt, Grete E.; Adams, Erica; Thomas, Erin; Ekperi, Linda I.; LeBlanc, Tanya Telfair; Dunn, Ian S.; Molinari, Noelle-Angelique; Carbone, Eric G.

doi:10.1016/j.ijdrr.2018.04.003

Cited by 13 publications

(10 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…A Moran's I of approximately 0.2 or greater was regarded as highly clustered. 7 All mapping of HIV prevalence and hurricane events was conducted using ArcGIS version 10.6 (Environmental Systems Research Institute Inc., Redlands, CA, USA). All spatial analyses were conducted in GeoDa version 1.12 (University of Chicago, Chicago, IL, USA).…”

Section: Methodsmentioning

confidence: 99%

“…Previous studies have established that severe hurricane events contribute to negative health effects among people living with HIV (PLWH), [1][2][3] disruption of HIV medication regimens, 2, 4, 5 and impedance of usual HIV care services. 4,6,7 While this adverse association between HIV outcomes and hurricane disasters has been studied, research has not been conducted to investigate the spatial overlap between hurricane events and the epidemiology of HIV. Therefore, this study sought to examine the geographic distributions of hurricane events and HIV prevalence in the U.S.…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

A comparison of the geographic patterns of HIV prevalence and hurricane events in the United States

Sharpe

2019

Public Health

View full text Add to dashboard Cite

Objectives: Previous research has documented the adverse association between hurricanes and HIV health outcomes; however, no research has been conducted to examine whether there is spatial overlap between hurricane events and the epidemiology of HIV in the United States. The objectives of this study were to assess the geographic distributions of and spatial correlation between HIV prevalence and the occurrences of hurricanes in the U.S. Study design: Cross-sectional study. Methods: Data on HIV prevalence rates were obtained from the Centers for Disease Control and Prevention, and data on U.S. hurricane events between 1851-2017 were obtained from the National Oceanic and Atmospheric Administration. ArcGIS v10.6 was used for mapping HIV prevalence rates and occurrences of hurricane events, and GeoDa v1.12.1.131 was used to conduct all univariate and bivariate spatial autocorrelation analyses. Results: HIV and hurricanes primarily affected states located in the south and along the Gulf Coast. Major hurricanes were reported among these regions also. States recording 20 or more hurricanes between 1851-2017 had an average HIV prevalence rate of 447.0 cases per 100,000. States recording five or more major hurricanes between 1851-2017 had an average HIV prevalence rate of 416.4 cases per 100,000. Regarding univariate spatial autocorrelation, HIV prevalence was clustered (Moran's I: 0.1825; P: 0.002). Hurricane events were also clustered (Moran's I: 0.2792; P: 0.006), as were major hurricanes (Moran's I: 0.1961; P: 0.018). There was no statistically significant bivariate spatial autocorrelation between HIV and hurricanes nor HIV and major hurricanes.

show abstract

Section: Methodsmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

A comparison of the geographic patterns of HIV prevalence and hurricane events in the United States

Sharpe

2019

Public Health

View full text Add to dashboard Cite

show abstract

“…Los pesos W ij deciden la proximidad o vecindario de cada punto analizado (Camarero y Rozas, 2006). La definición del tipo de proximidad puede ser determinado en autocorrelación positiva I tiende a + 1; si no existe autocorrelación I = 0 y para la autocorrelación negativa I tiende a − 1 (Wilt et al, 2018;Yuan et al, 2018;Siabato y Manrique, 2019). Todo el proceso metodológico se muestra en la figura 2.…”

Section: Materiales Y Métodosunclassified

Identificación de áreas de contagio por COVID 19 mediante análisis espacial del equipamiento urbano en Puno, Perú.

Mamani¹,

Condori²,

Atamari³

et al. 2022

ISUCR

View full text Add to dashboard Cite

La crisis sanitaria del 2020 por el COVID 19 se ha convertido en el principal problema que enfrentan los gobiernos, en este contexto el análisis espacial es una herramienta que ayudaría al control de la pandemia. El propósito es identificar las zonas de riesgo de contagio COVID 19, a través del análisis espacial del equipamiento bancario y comercial en la ciudad de Puno. Se ha ubicado el equipamiento bancario y comercial en coordenadas UTM WGS 84, para la generación de superficies de respuesta mediante la densidad de Kernel, sumándose los resultados parciales a través del algebra de mapas además se identificó la autocorrelación espacial median el índice de Moran I. La zona de alto riesgo de contagio COVID 19 tiene un área 127 210,44 m2 de que representa el 14 % que abarca 13 manzanas, generando un patrón concéntrico en el centro de la ciudad de Puno, debido a la cercanía de equipamiento bancario con el comercial ocasionando desigualdad con otros sectores de la ciudad.

show abstract

“…El índice I de Moran es uno de los más utilizados y aplicados en varios y diversos estudios (Siabato y Manrique, 2019). Algunos casos puntuales de su aplicación son trabajos como el de Wilt et al (2018), quienes realizaron un análisis espacio temporal de los efectos del huracán Sandy en pruebas de VIH mediante I de Moran para detectar autocorrelación espacial en las zonas estadounidenses afectadas; o el de Yuan et al (2018) quienes analizaron la contaminación con tierras raras de los suelos urbanos en Londres, detectando hotspots a través del índice en mención.…”

Section: De Moranunclassified

Revisión de literatura: Autocorrelación Espacial - Índices para determinar su existencia en datos geográficos.

Bravo-López¹

2021

UDAVER

View full text Add to dashboard Cite

La importancia del espacio radica en que todos los eventos que ocurren en nuestro planeta, están ligados a una ubicación no solo espacial, sino también temporal; es decir, todo ocurre en algún lugar y en algún momento dado. Ante esto, es necesario identificar las propiedades relevantes de estos eventos. Estas propiedades se relacionan tanto con objetos del mundo real como con las relaciones espaciales entre ellos. En el contexto del análisis de datos espaciales, la dependencia espacial en los valores de los atributos se considera como una propiedad fundamental que se determina por la autocorrelación espacial que ha sido estudiada por varios autores, quienes han brindado diferentes definiciones de la misma; sin embargo se puede afirmar que, la autocorrelación espacial existe cuando una variable exhibe un patrón regular sobre el espacio en el que sus valores en un conjunto de ubicaciones dependen de los valores de la misma variable en otras ubicaciones. Cuando la autocorrelación espacial es fuerte, los valores cercanos de una variable están estrechamente relacionados entre sí; pero cuando es débil, o incluso inexistente, los valores de una variable se distribuyen aleatoriamente en el espacio. Existen varios índices formales que miden la autocorrelación espacial a nivel local o global, los cuales son aplicados en diversos ámbitos de estudio y que se describen en la presente revisión de literatura.

show abstract

A space time analysis evaluating the impact of hurricane sandy on HIV testing rates

Cited by 13 publications

References 11 publications

A comparison of the geographic patterns of HIV prevalence and hurricane events in the United States

A comparison of the geographic patterns of HIV prevalence and hurricane events in the United States

Identificación de áreas de contagio por COVID 19 mediante análisis espacial del equipamiento urbano en Puno, Perú.

Revisión de literatura: Autocorrelación Espacial - Índices para determinar su existencia en datos geográficos.

Contact Info

Product

Resources

About