A multi-level analysis of risk factors for Schistosoma japonicum infection in China
Notice bibliographique
Résumé
OBJECTIVE: The aim of this study was to explore the risk factors of schistosomiasis japonica in China, using a hierarchical multi-level model with individuals nested within villages. METHODS: A cross-sectional survey of schistosomiasis japonica was conducted in 16 villages in the Chinese province of Hunan. A multi-level modeling technique (HLM version 6.04) was used to assess risk factors of schistosomiasis. The results from this multi-level model were compared with those from a conventional single-level logistic regression model. RESULTS: A total of 10,245 individuals were enrolled in this study, of whom about 4.1% were infected with Schistosoma japonicum. In the multi-level model analysis, individual level variables such as gender, age, and occupation, and village level variables such as type of S. japonicum endemic area, drinking water source, sewage treatment, June temperature, and April rainfall were associated with schistosomiasis japonica infection. Conventional single-level logistic regression analysis selected more independent variables, and had narrower confidence intervals around the corresponding regression coefficients. In particular, per capita income, precipitation in October, and density of infected snails were statistically significant in the conventional single-level logistic regression analysis but not in the multi-level model. CONCLUSIONS: Multi-level modeling is a useful tool in the analysis of risk factors of schistosomiasis japonica. Because the multi-level model captures the hierarchical structure of the data, it may be considered a more appropriate analytical tool for data of this type. This technique may also be useful in the analysis of other infectious diseases with a similar hierarchical structure.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».