Spatial heterogeneity analysis for the transmission of syphilis disease in China via a data-validated reaction–diffusion model
Notice bibliographique
Résumé
Based on the distinctive spatial diffusion characteristics observed in syphilis transmission patterns, this paper introduces a novel reaction-diffusion model for syphilis disease dynamics, incorporating general incidence functions within a heterogeneous environment. We derive the basic reproduction number essential for threshold dynamics and investigate the uniform persistence of the model. We validate the model and estimate its parameters by employing the multi-objective Markov Chain Monte Carlo (MCMC) method, using real syphilis data from the years 2004 to 2018 in China. Furthermore, we explore the impact of spatial heterogeneity and intervention measures on syphilis transmission. Our findings reveal several key insights: (1) In addition to the original high-incidence areas of syphilis, Xinjiang, Guizhou, Hunan and Northeast China have also emerged as high-incidence regions for syphilis in China. (2) The latent syphilis cases represent the highest proportion of newly reported cases, highlighting the critical importance of considering their role in transmission dynamics to avoid underestimation of syphilis outbreaks. (3) Neglecting spatial heterogeneity results in an underestimation of disease prevalence and the number of syphilis-infected individuals, undermining effective disease prevention and control strategies. (4) The initial conditions have minimal impact on the long-term spatial distribution of syphilis-infected individuals in scenarios of varying diffusion rates. This study underscores the significance of spatial dynamics and intervention measures in assessing and managing syphilis transmission, which offers insights for public health policymakers.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».