Modeling of the Deaths Due to Ebola Virus Disease Outbreak in Western Africa
Notice bibliographique
Résumé
Problem: The recent 2014 Ebola virus outbreak in Western Africa is the worst in history. It is imperative that appropriate statistical and mathematical models are used to identify risk factors and to monitor the development and spread of the disease. Method: Deaths data due to Ebola virus disease (EVD) in Guinea, Liberia, and Sierra Leone from October 10, 2014 to March 24, 2015 were collected via Situation Reports published by the World Health Organization [1]. Conditional autoregressive (CAR) models were applied to account for the spatial dependency in the countries along with the temporal dimension of the disease. Bayesian change-point models were used to identify key changes in growth and drop time points in the spatial distribution of deaths due to EVD within each country. Country-specific Poisson and negative binomial mixed models of covariate effects were applied to understand the between-country variability in deaths due to EVD. Results: Both CAR models and generalized linear mixed models identified statistically significant covariate effects; however, the CAR models depended on the interval of data analyzed, whereas the mixed models depended on the underlying distribution assumed. Bayesian change-point models identified one significant change-point in the distribution of deaths due to EVD within each country. Practical Application: CAR models, Bayesian change-point models, and generalized linear mixed models demonstrate useful techniques in modeling the incidence of deaths due to EVD.
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 | 0,010 | 0,208 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».