How Does the Proportion of Never Treatment Influence the Success of Mass Drug Administration Programs for the Elimination of Lymphatic Filariasis?
Notice bibliographique
Résumé
BACKGROUND: Mass drug administration (MDA) is the cornerstone for the elimination of lymphatic filariasis (LF). The proportion of the population that is never treated (NT) is a crucial determinant of whether this goal is achieved within reasonable time frames. METHODS: Using 2 individual-based stochastic LF transmission models, we assess the maximum permissible level of NT for which the 1% microfilaremia (mf) prevalence threshold can be achieved (with 90% probability) within 10 years under different scenarios of annual MDA coverage, drug combination and transmission setting. RESULTS: For Anopheles-transmission settings, we find that treating 80% of the eligible population annually with ivermectin + albendazole (IA) can achieve the 1% mf prevalence threshold within 10 years of annual treatment when baseline mf prevalence is 10%, as long as NT <10%. Higher proportions of NT are acceptable when more efficacious treatment regimens are used. For Culex-transmission settings with a low (5%) baseline mf prevalence and diethylcarbamazine + albendazole (DA) or ivermectin + diethylcarbamazine + albendazole (IDA) treatment, elimination can be reached if treatment coverage among eligibles is 80% or higher. For 10% baseline mf prevalence, the target can be achieved when the annual coverage is 80% and NT ≤15%. Higher infection prevalence or levels of NT would make achieving the target more difficult. CONCLUSIONS: The proportion of people never treated in MDA programmes for LF can strongly influence the achievement of elimination and the impact of NT is greater in high transmission areas. This study provides a starting point for further development of criteria for the evaluation of NT.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».