Severity of Infestation Levels of Tunga Penetrans in Central, Kenya: A Bayesian Cumulative Logit Model
Notice bibliographique
Résumé
Tungiasis is a neglected parasitic disease that significantly affects communities, especially in developing countries. This study developed a Bayesian severity of the jigger infestation model and its spatial counterpart. Putative determinants leading to different levels of infestation and the most affected areas were to be identified through the model. We collected data through a cross-sectional study with a multi-stage sampling design. A structured questionnaire was administered in each household to capture variables used for modelling jigger infestations. The severity of jigger infestation categorized for each individual was modelled against all the other predictor variables. It was also integrated with spatial data to determine the spatial distribution pattern of jigger infestation. A Bayesian multinomial logistic regression model was used to assess the association between various predictors and different infestation levels. Specifically, an ordered Bayesian Severity Hierarchical (OBSH) categorical model was obtained. This model was categorical based on the Counties (1-Nyeri, 2-Murang'a and 3-Kiambu). Results from this model showed that for a one-unit decrease in the poverty index at level 1 (individuals categorized as poor) there was about a 69% increase in the severity of jigger infestation. A one-unit increase in the percentage of clay in the soil increased the odds ratio of the severity of jigger infestation by a factor of 11.21 while a high percentage of nitrogen in the soil lowered the severity of infestation.  Severity of jigger infestation reduced from the baseline, Nyeri County to Kiambu County. It also increased with increasing altitude due to a decrease in nitrogen levels.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».