Impact assessment of self-medication on COVID-19 prevalence in Gauteng, South Africa, using an age-structured disease transmission modelling framework
Notice bibliographique
Résumé
Abstract Introduction: Self-medication, as a global phenomenon, remains a pressing issue that requires attention worldwide, in particular, the Global South. It has been a hindrance to infectious disease control as it, in most cases dampens interventions put forth by health authorities. It is imperative, therefore, that disease dynamics relating to self-medication are incorporated into mathematical models used to inform infectious disease-related public health interventions and policy. COVID-19-associated self-medication is well documented, and its implications for disease prevention and control are alarming. We investigated the impact of self-medication across different age groups on the transmission dynamics of the disease; the interplay of vaccination and self-medication on the spread of the disease; and the age group with the most tendency for self-medication. We used Gauteng Province, South Africa, as a case study. Methods: We employed ordinary differential equations (ODEs), formulated within an age-structured compartmental disease modelling framework. Model parameters were estimated using a Markov Chain Monte Carlo (MCMC) estimation scheme. Uncertainty and sensitivity analysis were carried out on model parameters. Results: The model implied estimates indicates that self-medication is predominant among Age group 15-64 (83.13%), followed by Age group 65+ (44.17%). Age group 0-14 records 33.82%. The mean value of the basic reproduction number, first epidemic peak, and first epidemic peak time are 3.19838, 821536, and 214.988, respectively. Conclusion: Self-medicationplays a crucial role in combating COVID-19, and that regardless of the levelof effectiveness of instituted vaccination programs, it must be put in check. Appropriate campaign against COVID-19 related self-medication is justified. It is also worth noting that campaigns should target the active population (ages 14-64)
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,002 | 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 ».