Spatial-temporal variation and risk factor analysis of hand, foot, and mouth disease in children under 5 years old in Guangxi, China
Notice bibliographique
Résumé
BACKGROUND: Hand, foot and mouth disease (HFMD) incidence is a critical challenge to disease control and prevention in parts of China, particularly Guangxi. However, the association between socioeconomic factors and meteorological factors on HFMD is still unclear. METHODS: This study applied global and local Moran's I to examine the spatial pattern of HFMD and series analysis to explore the temporal pattern. The effects of meteorological factors and socioeconomic factors on HFMD incidence in Guangxi, China were analyzed using GeoDetector Model. RESULTS: This study collected 45,522 cases from 87 counties in Guangxi during 2015, among which 43,711 cases were children aged 0-4 years. Temporally, there were two HFMD risk peaks in 2015. One peak was in September with 7890 cases. The other appeared in May with 4687 cases of HFMD. A high-risk cluster was located in the valley areas. The tertiary industry, precipitation and second industry had more influence than other risk factors on HFMD incidence with explanatory powers of 0.24, 0.23 and 0.21, respectively. The interactive effect of any two risk factors would enhance the risk of HFMD. CONCLUSIONS: This study suggests that precipitation and tertiary industry factors might have stronger effects on the HFMD incidence in Guangxi, China, compared with other factors. High-risk of HFMD was identified in the valley areas characterized by high temperature and humidity. Local government should pay more attention and strengthen public health services level in this area.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 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 ».