Participatory Disease Surveillance for the Early Detection of Cholera-Like Diarrheal Disease Outbreaks in Rural Villages in Malawi: Prospective Cohort Study
Notice bibliographique
Résumé
BACKGROUND: Cholera-like diarrheal disease (CLDD) outbreaks are complex and influenced by environmental factors, socioeconomic conditions, and population dynamics, leading to limitations in traditional surveillance methods. In Malawi, cholera is considered an endemic disease. Its epidemiological profile is characterized by seasonal patterns, often coinciding with the rainy season when contamination of water sources is more likely. However, the outbreak that began in March 2022 has extended to the dry season, with deaths reported in all 29 districts. It is considered the worst outbreak in the past 10 years. OBJECTIVE: This study aims to evaluate the feasibility and outcomes of participatory surveillance (PS) using interactive voice response (IVR) technology for the early detection of CLDD outbreaks in Malawi. METHODS: This longitudinal cohort study followed 740 households in rural settings in Malawi for 24 weeks. The survey tool was designed to have 10 symptom questions collected every week. The proxies' rationale was related to exanthematic, ictero-hemorragica for endemic diseases or events, diarrhea and respiratory/targeting acute diseases or events, and diarrhea and respiratory/targeting seasonal diseases or events. This work will focus only on the CLDD as a proxy for gastroenteritis and cholera. In this study, CLDD was defined as cases where reports indicated diarrhea combined with either fever or vomiting/nausea. RESULTS: =0.681404). Participation rates were slightly higher at the beginning of the study and decreased over time, thanks to the sensitization activities rolled out at the CBCCs level. In terms of the attack rates for CLDD, we observed similar rates between Maganga TA and Ndindi TA, at 16% and 15%, respectively. CONCLUSIONS: PS has proven to be valuable for the early detection of epidemics. IVR technology is a promising approach for disease surveillance in rural villages in Africa, where access to health care and traditional disease surveillance methods may be limited. This study highlights the feasibility and potential of IVR technology for the timely and comprehensive reporting of disease incidence, symptoms, and behaviors in resource-limited settings.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 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 ».