MétaCan
Menu
Retour à la cohorte
Enregistrement W2243831784 · doi:10.6000/1927-5129.2015.11.72

Analysis of Climatic Structure with Karachi Dengue Outbreak

2015· article· en· W2243831784 sur OpenAlexvenueno aff
Syed Afrozuddin Ahmed, Junaid Saghir Siddiqi, Sabah Quaiser, Afaq Ahmed Siddiqui

Notice bibliographique

RevueJournal of Basic & Applied Sciences · 2015
Typearticle
Langueen
DomaineMedicine
ThématiqueMosquito-borne diseases and control
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésDengue feverNegative binomial distributionPoisson regressionWind speedEnvironmental sciencePrincipal component analysisOutbreakClimatologyPopulationPoisson distributionHumidityRelative humidityPublic healthPrecipitationAtmospheric sciencesGeographyStatisticsMeteorologyMathematicsEnvironmental healthMedicineVirologyGeology

Résumé

récupéré en direct d'OpenAlex

Various studies have reported that global warming causes unstable climate and serious impact on physical environment and public health. The increasing incidence of dengue case is now a priority health issue and has become a health burden for Pakistan. In this study it has been investigated that spatial pattern of environment causes the emergence or increasing rate of dengue fever incidence that effects the population and its health. The climatic or environmental and the Dengue Fever (DF) case data was processed by coding, editing, tabulating, recoding and restructuring and finally applying different statistical methods, techniques and procedures for the analysis and interpretation. Five climatic variables which we have studied are precipitation (P), Maximum temperature (Mx), Minimum temperature (Mn), Humidity (H) and Wind speed (W) collected from 1980-2012. The data on Dengue Fever cases in Karachi for the period 2010 to 2012 are available and reported on weekly basis. Principal Component 1 (PC1) for all groups of the period can be interpreted as the General atmospheric condition. PC2 the second important climate factor for dengue period (2010-2012) comes out contrast between precipitation and wind speed. PC3 is the weighted difference between maximum temperature and wind speed. PC4 is the contrast between maximum and wind speed. Negative Binomial and Poisson regression model are used to correlate the dengue fever incidence to climatic variable and principal component (PC) score. Due to the problems of over dispersion the Poisson models are not useful for interpretation through Negative Binomial model we found that relative humidity causes an increase on the chances of dengue occurrence by 1.71% times. While maximum temperature positively influence on the chances dengue occurrence by 19.48% times. Minimum temperature affects on the chances of dengue occurrence by 11.51% times. Wind speed is effecting negatively on the weekly occurrence of dengue fever by 7.41%times.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,062
Score d'incertitude au seuil0,251

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,019
Tête enseignante GPT0,282
Écart entre enseignants0,262 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Basic & Applied SciencesMême sujetMosquito-borne diseases and controlTravaux en français237 207