An application of spatial analysis and GIS in Tuberculosis (TB) cases in Central Luzon, Philippines
Notice bibliographique
Résumé
According to WHO (2022), tuberculosis (TB) is the primary cause of ill health and the leading cause of death globally. It is estimated that approximately a quarter of the world’s population has been infected. With 372,367 cases of tuberculosis in 2022, the Philippines is among the top eight countries that accounted for more than 66% of all TB cases worldwide. Region III, along with NCR and Region IV-A, is one of the regions in the Philippines with the highest incidence of TB. This paper utilized the geographical information system (GIS) for easier visualization, and Getis-Ord Analysis, a type of spatial analysis tool for quick interpretations to provide an evidence-based framework for TB response. The spatial analysis was conducted to (1) determine if there are clusters of TB cases in the region across various periods and (2) determine if there are hot spots of TB cases in the most recent TB data covering 2019, 2020, and 2021. The results indicate that only the 2019 TB cases exhibit significant non-random clusters. It is recommended that further investigation be conducted to determine if the spatial clustering in 2019 is associated directly or indirectly with the El Niño event that occurred that year. On the other hand, the non-significance of the results for the years 2020 and 2021 may be attributed to the underreporting due to the implemented health protocols implemented to minimize the spread of COVID-19 which affected the accuracy of the reported cases. The results of the paper may be used for optimal resource allocation in addressing the spread of the disease.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».