Differential impact of environment on malaria due to control interventions in Uganda, 2010-2018
Notice bibliographique
Résumé
Background and aim Studies have estimated the impact of environment on malaria incidence although few have explored the differential impact due to vector control interventions. We aimed to evaluate the influence of temperature, rainfall, humidity, and vegetation, in presence or absence of long-lasting insecticide treated bednets (LLIN) and indoor residual spraying (IRS). Methods This study used weekly malaria cases from 2010 to 2018 from six health facility-based malaria surveillance in Uganda. Environmental variables were extracted from remote sensing sources and include enhanced vegetation index (MODIS), cumulative rainfall (ARC2), minimum and maximum temperature (ERA5), specific humidity (ERA5), averaged over different time periods (one to four months). Non-linearity of environmental variables was investigated, and general linear models based on a negative binomial distribution was used to explore the influence of ITN and LLIN on the malaria-environment relationship. Results A total of 204,252 malaria cases were laboratory confirmed and the median (range) weekly cases was 58.0 (0-597), rainfall 18.6 mm (0-129), minimum temperature 17.6˚C (12.3-24.2), maximum temperature 26.7˚C (20.1-34.8), and humidity 0.014 kg.kg (0.006-0.018). The best fit model was with the meteorological measures averaged over 3 months. All environmental variables showed a relatively linear pattern. Both IRS and LLIN were significantly associated with risk reduction (IRR: 0.39, 95% CI: 0.36–0.42 ; IRR: 0.71, 95% CI: 0.67–0.75, respectively). Marginal effects of environmental variables showed that joint effect of IRS and LLIN reduced the weekly predicted counts of malaria by 72.5% compared to no intervention. Conclusion LLIN and IRS both reduced the influence of environmental drivers of malaria and therefore morbidity in various transmission setting in Uganda. The benefits appeared to be greatest when the two interventions are used in combination.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| 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 ».