Modelling Factors that Predict Differences in Childhood Mortality in Lagos Communities Using Prognostic Logistic and Poisson Regression Models
Notice bibliographique
Résumé
Lagos State is a city with one of the largest concentration of people in the world with heterogenous behaviour and cultural beliefs. There are different prognostic models in the medical sciences, yet their real life application, especially to childhood mortality is limited. There are variations in childhood mortality rate across different communities in Lagos State. Childhood mortality is a subject of interest to World Health Organization (WHO) and one of the major Millennium Development Goals. In 2014, the Special Adviser to the Lagos State Governor on Public Health, Dr. Yewande Adeshina said that under-5 and infant mortality rates in Lagos state have reduced due to various health interventions being implemented in the State. However, the truth of the matter is that childhood mortality is still high and this is an indication that we still have lots of work to do in this regard. In this paper, prognostic models were used in modelling factors that predict the differences in childhood mortality in Lagos communities. Six models, two each from logistic regression, linear regression and Poisson regression models were used. Primary data were collected from mothers that fall in the age bracket (15-49), who reside in any of the 5 divisions of Lagos State, namely Ikorodu, Badagry, Lagos Mainland/Ikeja, Lagos Island and Epe. Five variables were identified as covariates. The prognostic multi-variable models were employed. The binary logistic regression model with 5 covariates was selected as the best model for the binary response variable, while the Poisson regression model with 4 covariates was selected as the best model for the count response variable. At the end of the research, Ikorodu, Badagry and Epe communities have higher than expected childhood mortality rates. Also, we estimated childhood mortality rate in Lagos State and measured the variations in childhood mortality across Lagos communities. The factors that predict these variations were detected and control measures were recommended to reduce the difference in childhood mortality rate in Lagos State.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».