Spatio-temporal analysis of malaria vector density from baseline through intervention in a high transmission setting
Notice bibliographique
Résumé
BACKGROUND: An increase in effective malaria control since 2000 has contributed to a decline in global malaria morbidity and mortality. Knowing when and how existing interventions could be combined to maximise their impact on malaria vectors can provide valuable information for national malaria control programs in different malaria endemic settings. Here, we assess the effect of indoor residual spraying on malaria vector densities in a high malaria endemic setting in eastern Uganda as part of a cohort study where the use of long-lasting insecticidal nets (LLINs) was high. METHODS: Anopheles mosquitoes were sampled monthly using CDC light traps in 107 households selected randomly. Information on the use of malaria interventions in households was also gathered and recorded via a questionnaire. A Bayesian spatio-temporal model was then used to estimate mosquito densities adjusting for climatic and ecological variables and interventions. RESULTS: Anopheles gambiae (sensu lato) were most abundant (89.1%; n = 119,008) compared to An. funestus (sensu lato) (10.1%, n = 13,529). Modelling results suggest that the addition of indoor residual spraying (bendiocarb) in an area with high coverage of permethrin-impregnated LLINs (99%) was associated with a major decrease in mosquito vector densities. The impact on An. funestus (s.l.) (Rate Ratio 0.1508; 97.5% CI: 0.0144-0.8495) was twice as great as for An. gambiae (s.l.) (RR 0.5941; 97.5% CI: 0.1432-0.8577). CONCLUSIONS: High coverage of active ingredients on walls depressed vector populations in intense malaria transmission settings. Sustained use of combined interventions would have a long-term impact on mosquito densities, limiting infectious biting.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,003 | 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 ».