Differential Influence of Environmental Factors on Malaria Due to Vector Control Interventions in Uganda
Notice bibliographique
Résumé
BACKGROUND: Few studies have explored how vector control interventions may modify associations between environmental factors and malaria. METHODS: We used weekly malaria cases reported from six public health facilities in Uganda. Environmental variables (temperature, rainfall, humidity, and vegetation) were extracted from remote sensing sources. The non-linearity of environmental variables was investigated, and negative binomial regression models were used to explore the influence of indoor residual spraying (IRS) and long-lasting insecticidal nets (LLINs) on associations between environmental factors and malaria incident cases for each site as well as pooled across the facilities, with or without considering the interaction between environmental variables and vector control interventions. RESULTS: An average of 73.3 weekly malaria cases per site (range: 0-597) occurred between 2010 and 2018. From the pooled model, malaria risk related to environmental variables was reduced by about 35% with LLINs and 63% with IRS. Significant interactions were observed between some environmental variables and vector control interventions. There was site-specific variability in the shape of the environment-malaria risk relationship and in the influence of interventions (6 to 72% reduction in cases with LLINs and 43 to 74% with IRS). CONCLUSION: The influence of vector control interventions on the malaria-environment relationship need to be considered at a local scale in order to efficiently guide control programs.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 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 ».