Bayesian Modelling of Tuberculosis Risk Factors in South Africa 2014
Notice bibliographique
Résumé
Background: Although the number of deaths has declined since 2007, Tuberculosis (TB) continues to be the number one cause of death in South Africa. To create a country free of TB, there is need for continued research to explore models that will provide the Department of Health with new interventions. Aim: This study was aimed at identifying the risk factors of active self-reported TB prevalence for South Africa in 2014. Methods: The Frequentist Logistic Regression (FLR) approach was applied on a sample of 19213 individuals taken from the National Income Dynamics Survey (NIDS) wave data. Bayesian analysis with non-informative priors were used to model Wave 1 to 3 data and elicitation of the obtained posterior density parameters by averaging done to obtain the informative priors used to model wave 4. The wave 4 results obtained under the two estimation approaches were compared as well as the results for non-informative and informative priors. Results: The findings show that self-reported TB prevalence is higher than the reported 1%, Human Immuno Deficiency Virus (HIV) remains a major threat to TB and Eastern Cape is the province mostly affected by TB with Limpopo recording the least prevalence. Poor living conditions and lower socio-economic conditions continue to be drivers of TB whilst English illiteracy, lack of Secondary/Tertiary education, alcohol consumption, marital status, gender and age groups also influence TB progression to disease. FLR yielded similar results to Bayesian with non-informative priors whilst the results are more precise for informative priors. Conclusion: This study identified individuals and communities at risk of developing active TB disease in South Africa.
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 | 0,009 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».