Geospatial dynamics of COVID‐19 clusters and hotspots in Bangladesh
Notice bibliographique
Résumé
The coronavirus disease 2019 (COVID-19) is an emerging and rapidly evolving profound pandemic, which causes severe acute respiratory syndrome and results in significant case fatality around the world including Bangladesh. We conducted this study to assess how COVID-19 cases clustered across districts in Bangladesh and whether the pattern and duration of clusters changed following the country's containment strategy using Geographic information system (GIS) software. We calculated the epidemiological measures including incidence, case fatality rate (CFR) and spatiotemporal pattern of COVID-19. We used inverse distance weighting (IDW), Geographically weighted regression (GWR), Moran's I and Getis-Ord Gi* statistics for prediction, spatial autocorrelation and hotspot identification. We used retrospective space-time scan statistic to analyse clusters of COVID-19 cases. COVID-19 has a CFR of 1.4%. Over 50% of cases were reported among young adults (21-40 years age). The incidence varies from 0.03 - 0.95 at the end of March to 15.59-308.62 per 100,000, at the end of July. Global Moran's Index indicates a robust spatial autocorrelation of COVID-19 cases. Local Moran's I analysis stated a distinct High-High (HH) clustering of COVID-19 cases among Dhaka, Gazipur and Narayanganj districts. Twelve statistically significant high rated clusters were identified by space-time scan statistics using a discrete Poisson model. IDW predicted the cases at the undetermined area, and GWR showed a strong relationship between population density and case frequency, which was further established with Moran's I (0.734; p ≤ 0.01). Dhaka and its surrounding six districts were identified as the significant hotspot whereas Chattogram was an extended infected area, indicating the gradual spread of the virus to peripheral districts. This study provides novel insights into the geostatistical analysis of COVID-19 clusters and hotspots that might assist the policy planner to predict the spatiotemporal transmission dynamics and formulate imperative control strategies of SARS-CoV-2 in Bangladesh. The geospatial modeling tools can be used to prevent and control future epidemics and pandemics.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».