How correlations between treatment access and surveillance inclusion impact neglected tropical disease monitoring and evaluation—A simulated study
Notice bibliographique
Résumé
Neglected tropical diseases (NTDs) largely impact marginalised communities living in tropical and subtropical regions. Mass drug administration is the leading intervention method for five NTDs; however, it is known that there is lack of access to treatment for some populations and demographic groups. It is also likely that those individuals without access to treatment are excluded from surveillance. It is important to consider the impacts of this on the overall success, and monitoring and evaluation (M&E) of intervention programmes. We use a detailed individual-based model of the infection dynamics of lymphatic filariasis to investigate the impact of excluded, untreated, and therefore unobserved groups on the true versus observed infection dynamics and subsequent intervention success. We simulate surveillance in four groups-the whole population eligible to receive treatment, the whole eligible population with access to treatment, the TAS focus of six- and seven-year-olds, and finally in >20-year-olds. We show that the surveillance group under observation has a significant impact on perceived dynamics. Exclusion to treatment and surveillance negatively impacts the probability of reaching public health goals, though in populations that do reach these goals there are no signals to indicate excluded groups. Increasingly restricted surveillance groups over-estimate the efficacy of MDA. The presence of non-treated groups cannot be inferred when surveillance is only occurring in the group receiving treatment.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».