Multiple Sclerosis incidence rate in southern Iran: A Bayesian epidemiological study
Notice bibliographique
Résumé
Abstract Background: Multiple Sclerosis (MS) remains to be a public health challenge, due to its unknown biological mechanism and clinical impact on young people. The prevalence of this disease in Iran is reported to be 5.3 to 74.28 per 100000 cases. Due to high prevalence of this disease in Fars province, this study aimed to assess the distribution of MS in this region in southern Iran by evaluating its covariates.Method: Data from 5,468 patients diagnosed with MS were collected, according to the McDonald’s criteria, which was reported by the MS Society of Fars from 1991 until 2016. Bayesian spatio-temporal models was also used to describe MS incidence in Fars province. We also investigated the association between overall MS incidence rate and the overall percentage of vitamin D intake, smokers in the population as well as the overall percentage of people with normal BMI as well as alcohol consumption in a population from 1991 until 2016 by Besag, York and Mollie's (BYM) model.Results: County-level crude incidence rates ranged from 0.22 to 11.31 cases per 100,000 population. The highest relative risk was estimated at 1.8 in the city of Shiraz, the capital of Fars province while the lowest relative risk was estimated at 0.11 in Zarindasht County in southern Fars. The percentages of vitamin D3 intake was significantly associated with the incidence of MS. Although 1% increase in Vitamin D3 intake is associated with 2% decrease in the risk of MS, 1% increase in smoking is associated with 16% increase in the risk of MS, respectively.Conclusion: Spatial analysis of MS showed low incidence rate of this disease in the south and south east of Fars province, which is due to the effect of different covariates. As suggested by previous studies, vitamin D and smoking among all covaiates 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 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 | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».