The spatial-temporal distribution of hepatitis B virus infection in China,2006–2018
Notice bibliographique
Résumé
OBJECTIVES: Hepatitis B is a liver disease caused by Hepatitis B virus (HBV) infection and is highly prevalent in China. To better understand the epidemiological characteristics of hepatitis B in China and develop effective disease control strategies, we employed temporal and spatial statistical methods. METHODS: We obtained HBV incidence data from the Public Health Science Data Center of the Chinese Center for Disease Control and Prevention for the years 2006 to 2018. Using Geographic Information System (GIS) and SaTScan scanning technology, we conducted spatial autocorrelation analysis and spatiotemporal scan analysis to create a map and visualize the distribution of hepatitis B incidence. RESULTS: While hepatitis B incidence rebounded in 2011 and 2017, the overall incidence in China decreased.In the trend analysis by item, the incidence varies from high to low. The global spatial autocorrelation analysis revealed a clustered distribution, and the Moran index analysis of spatial autocorrelation within local regions identified five provinces as H-H clusters (hot spots), while one province was an L-L cluster (cold spot). Spatial scan analysis identified 11 significant spatial clusters. CONCLUSIONS: We found significant clustering in the spatial distribution of hepatitis B incidence and positive spatial correlation of hepatitis B incidence in China. We also identified high-risk times and regional clusters of hepatitis B incidence.
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 | 0,001 |
| 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 ».