Estimating the burden of rabies in Ethiopia by tracing dog bite victims
Notice bibliographique
Résumé
In developing countries where financial resources are limited and numerous interests compete, there is a need for quantitative data on the public health burden and costs of diseases to support intervention prioritization. This study aimed at estimating the health burden and post-exposure treatment (PET) costs of canine rabies in Ethiopia by an investigation of exposed human cases. Data on registered animal bite victims during the period of one year were collected from health centers in three districts, i.e. Bishoftu, Lemuna-bilbilo and Yabelo, to account for variation in urban highland and lowland areas. This data collection was followed by an extensive case search for unregistered victims in the same districts as the registered cases. Victims were visited and questioned on their use of PET, incurred treatment costs and the behavioral manifestations of the animal that had bitten them. Based on the collected data PET costs were evaluated by financial accounting and the health burden was estimated in Disability-Adjusted Life Years (DALYs). In total 655 animal bite cases were traced of which 96.5% was caused by dog bites. 73.6% of the biting dogs were suspected to be potentially rabid dog. Annual suspected rabid dog exposures were estimated per evaluated urban, rural highland and rural lowland district at, respectively, 135, 101 and 86 bites, which led, respectively, to about 1, 4 and 3 deaths per 100,000 population. In the same district order average costs per completed PET equaled to 23, 31 and 40 USD, which was significantly higher in rural districts. Extrapolation of the district results to the national level indicated an annual estimate of approximately 3,000 human deaths resulting in about 194,000 DALYs per year and 97,000 exposed persons requiring on average 2 million USD treatment costs per year countrywide. These estimations of the burden of rabies to the Ethiopian society provide decision makers insights into the potential benefits of implementing effective interventions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 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) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».