Amaç: Araştırmada, salgın yönetimi sürecinde karar vericiler tarafından uygulamaya konulan kararların koronavirüs hastalığı-2019 [coronavirus disease-2019 (COVID-19)] verilerinde meydana getirdiği anlamlı değişiklikleri ve kırılma noktalarını Joinpoint Regresyon Analizi (JRA) yöntemi kullanarak açıklamak amaçlanmıştır. Gereç ve Yöntemler: Çalışmada COVID-19 verileri olarak; yeni vaka sayısı, yeni vakaların yapılan testlere oranı, hastalığa bağlı ölüm sayısı, aktif vaka sayısı ve aktif vaka büyüme hızı kullanılmıştır. Yeni vaka sayısında 10 Mart 2020 ve 12 Mayıs 2020, diğer değişkenlerde ise 28 Mart 2020 ve 12 Mayıs 2020 tarihleri arası araştırmaya dâhil edilmiştir. Verilerin analizinde Joinpoint Regression Programı (JRP) 4.8.0.1 (Nisan 2020), SPSS Statistics 20 ve Microsoft Excel programları kullanılmıştır. Bulgular: Uzun dönemli eğilimde, günlük ortalama değişime göre yeni vakalarda %9, hastalığa bağlı ölümlerde %2,6, aktif vaka sayısında %3,9 anlamlı artışların olduğu, yeni vakaların yapılan testlere oranında ise %3,3 anlamlı düşüşün olduğu; aktif vakaların büyüme hızında 24 Nisan 2020 tarihine kadar pozitif, bu tarihten sonra ise negatif bölgede yer aldığı tespit edilmiştir. Kısa dönemli eğilimlerde, yeni vakalarda anlamlı 2 kırılma, 3 trend; hastalığa bağlı ölümlerde anlamlı 4 kırılma ve 4 trend; aktif vaka sayısında ise anlamlı 5 kırılma, 6 trendin olduğu, yeni vakaların yapılan testlere anlamlı bir Joinpoint olmadığı ve tek bir anlamlı trendin olduğu tespit edilmiştir. Sonuç: Dünya'da görülen ilk COVID-19 vakasından sonra alınan ulusal önlemler öncelikle virüsün Türkiye'ye geç gelmesini sağlamış, sonrasında ise alınan hızlı tedbirler ise salgının kontrol edilmesini de önemli derecede kolaylaştırmıştır. İlk dönemlerde alınan sınırlayıcı önlemlerin yeni ve aktif vakaların artışında yavaşlatıcı bir etkisinin olduğu, sokağa çıkma kısıtlamalarıyla birlikte ise verilerdeki negatif yönlü değişime önemli derecede katkı yaptığı söylenebilir. Özellikle sokağa çıkma kısıtlamasını takiben 8 gün sonra yeni vakalarda, 10 gün sonra da aktif vakalarda etkisini gösterdiğini ifade etmek mümkündür.
Anahtar Kelimeler: COVID-19; regresyon çözümlemesi; sağlık planlaması; sağlık politikası
Objective: In the study, it is aimed to explain the significant changes and joinpoints in the coronavirus disease-2019 (COVID19) data by using the Joinpoint Regression Analysis (JRA) method that caused by the decisions made by decision makers in the process of epidemic management. Material and Methods: In the study, as COVID19 data; new cases, the ratio of new cases to the number of tests performed, the daily deaths due to the disease, the number of active cases per day and the active case growth rate were used. When the data are analysed variables Turkey March 10-12 May 2020 for new cases and for other variables between the date's March 28-12 May 2020 were included in the study. Joinpoint Regression Program (JRP) 4.8.0.1 (April 2020), SPSS Statistics 20 and Microsoft Excel programs were used to analyze the data. Results: According to the long-term trend, there was a significant increase in 9% in new cases, 2.6% in disease-related deaths, and 3.9% in the number of active cases; 3.3% significant decrease in the ratio of new cases to the tests performed; It was determined that active cases were in the positive zone until April 24, 2020, and in the negative zone after this date. It was determined that there were two significant joinpoints, three trends in new cases; four significant joinpoints and four trends in disease-related deaths, five significant joinpoints, six trends in the number of active cases, new cases had no significant point in the tests and there was only one significant trend, in short-term trends. Conclusion: National precautions are taken after the first cases in the world COVID-19, the virus is primarily led to the late arrival of Turkey. Afterwards, the quick measures made significantly easier to control the outbreak. In the early periods, it can be said that limiting measures have a slowing effect on the increase of new cases and active cases, and the lackdowns have an important contribution to negative changes. Especially after eight days following the lackdown in new cases, ten days after the active case stated that it is possible to show the effect on.
Keywords: COVID-19; regression analysis; health planning; health policy
- Huang C, Wang Y, Li X, Ren L, Zhao J, Hu Y, Zhang L, et al. Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China. Lancet. 2020;395(10223):497-506. Erratum in: Lancet. 2020. [Crossref] [PubMed] [PMC]
- Cui J, Li F, Shi ZL. Origin and evolution of pathogenic coronaviruses. Nat Rev Microbiol. 2019;17(3):181-92. [Crossref] [PubMed] [PMC]
- Çetintepe SP, İlhan MN. COVID-19 salgınında sağlık çalışanlarında risk azaltılması. [Risk reduction in healthcare workers in the COVID-19 outbreak]. J Biotechnol Strateg Heal Res. 2020;1(Özel Sayı):50-4. [Crossref]
- Uludağ Ö. Koronavirüs enfeksiyonları ve yeni düşman: COVID-19. [Coronavirus infections and new enemy: COVID-19]. ADYÜ Sağlık Bilim Derg. 2020;6(1):118-27. [Crossref]
- Chen J. Pathogenicity and transmissibility of 2019-nCoV-A quick overview and comparison with other emerging viruses. Microbes Infect. 2020;22(2):69-71. [Crossref] [PubMed] [PMC]
- Shereen MA, Khan S, Kazmi A, Bashir N, Siddique R. COVID-19 infection: Origin, transmission, and characteristics of human coronaviruses. J Adv Res. 2020;24:91-8. [Crossref] [PubMed] [PMC]
- WHO. Novel Coronavirus (2019-nCoV) Situation Report-1. 21 January 2020. WHO. Erişim tarihi: 09.05.2020. Erişim linki: [Link]
- WHO. WHO Director-General's opening remarks at the media briefing on COVID-19. World Health Organization. Published 2020. Erişim tarihi: 09.05.2020. Erişim linki: [Link]
- Ergül B, Altin Yavuz A, Gündoğan Aşik E, Kalay B. Türkiye'deki COVID-19 enfeksiyonu: erken dönem istatistikleri ve hastalık seyrinin istatistiksel olarak modellenmesi. [Statistical evaluation of the COVID-19 outbreak data as of april around the world and in Turkey]. Anadolu Klin. 2020;25(Özel Sayı 1):130-41. [Crossref]
- Jin M, Tong Q. Rhabdomyolysis as potential late complication associated with COVID-19. Emerg Infect Dis. 2020;26(7):1618-20. [Crossref] [PubMed] [PMC]
- Yürümez Y, Alaçam M. Acil serviste Covid-19 ve yönetimi. [Covid-19 and management in emergency service]. J Biotechnol Strateg Heal Res. 2020;4(1):116-22. [Crossref]
- Altınkaya Z. 2020 koronavirus pandemisinde Avrupa Birliği Sağlık Politikaları ve Neoliberalism: İtalya Örneği [European union health policies and neoliberalism in the 2020 coronavirus pandemic: the case of Italy]. Yalova Sos Bilim Derg. 2020;10(20):1-31. [Link]
- Onder G, Rezza G, Brusaferro S. Case-fatality rate and characteristics of patients dying in relation to COVID-19 in Italy. JAMA. 2020;323(18):1775-6. [Crossref] [PubMed]
- Deniz PÖ, Kiraz EDE. Covid-19 pandemi sürecinde şehir sağlığı çalışmaları. [City health studies in the COVID-19 pandemic process]. J Biotechnol Strateg Heal Res. 2020;1(Özel Sayı):147-51. [Crossref]
- Sağlık Bakanlığı. [COVID-19 The New Coronavirus Disease]. Erişim Tarihi: 10.06.2020. Erişim linki: [Link]
- Akgül Ö. SARS-CoV-2/COVID-19 pandemisi. [SARS-CoV-2/COVID-19 pandemic]. Tıp Fakültesi Klin. 2020;3(1):1-4. [Crossref]
- Çakır Z, Savaş HB. İran'daki COVID-19 pandemisi için matematiksel bir modelleme. [A mathematical modelling for the COVID-19 pandemic in Iran]. Ortadogu Tıp Derg. 2020;12(2):206-10. [Crossref]
- Demirbilek Y, Pehlivantürk G, Özgüler ZÖ, Alp Meşe E. COVID-19 outbreak control, example of ministry of health of Turkey. Turk J Med Sci. 2020;50(SI-1):489-94. [Crossref] [PubMed] [PMC]
- Erdem İ. Koronavirüse (Covid-19) karşı Türkiye'nin karantina ve tedbir politikaları. [Quarantine and precaution policies of Turkey against coronavirus (Covid-19)]. Turkish Stud. 2020;15(4):377-88. [Crossref]
- Hang M. Preparing cities for epidemics : Lessons from the COVID19 outbreak. Urban Now Int J Urban Reg Res. 2020. [Link]
- Ferguson NM, Laydon D, Nedjati-Gilani G, Imai N, Ainslie K, Baguelin,M, et al. Impact of non-pharmaceutical interventions (NPIs) to reduce COVID-19 mortality and healthcare demand. Imperial College COVID-19 Response Team. 2020. [Link]
- Memikoglu O, Genc V. COVID-19. Ankara: Ankara Üniversitesi Tıp Fakültesi; 2020. [Link]
- WHO. Coronavirus disease 2019 (COVID-19): situation report-72. 2020. [Link]
- Martinez-Beneito MA, García-Donato G, Salmerón D. A Bayesian Joinpoint regression model with an unknown number of break-points. Ann Appl Stat. 2011;5(3):2150-68. [Crossref]
- Clegg LX, Hankey BF, Tiwari R, Feuer EJ, Edwards BK. Estimating average annual per cent change in trend analysis. Stat Med. 2009;28(29):3670-82. [Crossref] [PubMed] [PMC]
- Kim HJ, Fay MP, Feuer EJ, Midthune DN. Permutation tests for joinpoint regression with applications to cancer rates. Stat Med. 2000;19(3):335-51. Erratum in: Stat Med 2001;20(4):655. [Crossref] [PubMed]
- Rea F, Pagan E, Compagnoni MM, Cantarutt AA, Pugni P, Bagnardi V, et al. Joinpoint regression analysis with time-on-study as time-scale. Application to three Italian population-based cohort studies. Epidemiol Biostat Public Heal. 2017;14(3):1-8. [Link]
- Nistal-Nu-o B. Joinpoint regression analysis to evaluate traffic public health policies by national temporal trends from 2000 to 2015. Int J Inj Contr Saf Promot. 2018;25(2):128-33. [Crossref] [PubMed]
- Yiğit P, Kumru S. Türkiye'de 2003-2016. [Joinpoint regression analysis of the basic health indicators between the years of 2003-2016 in Turkey]. Turkiye Klin J Biostat. 2019;11(1):47-65. [Crossref]
- National Cancer Institute Division of Cancer Control & Population Sciences [İnternet]. [Erişim tarihi: 14.05.2020] Number of Joinpoints. Erişim linki: [Link]
- TÜBA. COVID-19 Pandemi Değerlendirme Raporu. Ankara; 2020. [Link]
- T.C. İçişleri Bakanlığı [İnternet]. © Türkiye Cumhuriyeti İçişleri Bakanlığı.[Erişim tarihi: 21.05.2020]. Duyurular. Erişim linki: [Link]
- Ucar A, Arslan S, Ozdemir MY. Nowcasting and forecasting the spread of COVID-19 and healthcare demand in Turkey, a modelling study. medRxiv. 2020. [Crossref]
- Chinazzi M, Davis JT, Ajelli M, Gioannini C, Litvinova M, Merler S, et al. The effect of travel restrictions on the spread of the 2019 novel coronavirus (COVID-19) outbreak. Science. 2020;368(6489):395-400. [Crossref] [PubMed] [PMC]
- Turk PJ, Chou SH, Kowalkowski MA, Palmer PP, Priem JS, Spencer MD, et al. Modeling COVID-19 latent prevalence to assess a public health ıntervention at a state and regional scale: retrospective cohort study. JMIR Public Health Surveill. 2020;6(2):e19353. [Crossref] [PubMed] [PMC]
.: Process List