Multiple sclerosis incidence rate in southern Iran: a Bayesian epidemiological study
Notice bibliographique
Résumé
BACKGROUND: Multiple Sclerosis (MS) remains to be a public health challenge, due to its unknown biological mechanisms and clinical impacts on young people. The prevalence of this disease in Iran is reported to be 5.30 to 74.28 per 100,000-person. Because of high prevalence of this disease in Fars province, the purpose of this study was to assess the spatial pattern of MS incidence rate by modeling both the associations s of spatial dependence between neighboring regions and risk factors in a Bayesian Poisson model, which can lead to the improvement of health resource allocation decisions. METHOD: Data from 5468 patients diagnosed with MS were collected, according to the McDonald's criteria. New cases of MS were reported by the MS Society of Fars province from 1991 until 2016. The association between the percentage of people with low vitamin D intake, smoking, abnormal BMI and alcohol consumption in addition to spatial structure in a Bayesian spatio-temporal hierarchical model were used to determine the relative risk and trend of MS incidence rate in 29 counties of Fars province. RESULTS: County-level crude incidence rates ranged from 0.22 to 11.31 cases per 100,000-person population. The highest relative risk was estimated at 1.80 in the county of Shiraz, the capital of Fars province, while the lowest relative risk was estimated at 0.11 in Zarindasht county in southern of Fars. The percentages of vitamin D supplementation intake and smoking were significantly associated with the incidence rate of MS. The results showed that 1% increase in vitamin D supplementation intake is associated with 2% decrease in the risk of MS and 1% increase in smoking is associated with 16% increase in the risk of MS. CONCLUSION: Bayesian spatio-temporal analysis of MS incidence rate revealed that the trend in the south and south east of Fars province is less steep than the mean trend of this disease. The lower incidence rate was associated with a higher percentage of vitamin D supplementation intake and a lower percentage of smoking. Previous studies have also shown that smoking and low vitamin D, among all covariates or risk factors, might be associated with high incidence of MS.
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 | 0,015 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».