Assessment of bidirectional impact of stigmatization induced self-medication on COVID-19 and malaria transmissions using mathematical modeling: Nigeria as a case study
Notice bibliographique
Résumé
The continual social and economic impact of infectious diseases on nations has maintained sustained attention on their control and treatment, of which self-medication has been one of the means employed by some individuals. Self-medication complicates the attempt of their control and treatment as it conflicts with some of the measures implemented by health authorities. Added to these complications is the stigmatization of individuals with some diseases in some jurisdictions. This study investigates the co-infection of COVID-19 and malaria and its related deaths and further highlights how self-medication and stigmatization add to the complexities of the fight against these two diseases using Nigeria as a study case. Using a mathematical model on COVID-19 and malaria co-infection, we address the question: to what degree does the impact of the interaction between COVID-19 and malaria amplify infections and deaths induced by both diseases via self-medication and stigmatization? We demonstrate that COVID-19 related self-medication due to misdiagnoses contributes substantially to the prevalence of disease. The control reproduction numbers for these diseases and quantification of model parameters uncertainties and sensitivities are presented. • Self-medication and stigmatization in the Global South complicate disease control. • Governments in the Global South face challenges like limited resources and poor health literacy. • We propose and analyze a model for COVID-19 and malaria with self-medication and stigma effects. • Findings show COVID-19 stigma and misdiagnosis boost self-medication and prevalence.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».