Modelling of potential risk areas of pertussis cases in the Philippines using bioclimatic envelopes
Notice bibliographique
Résumé
OBJECTIVES: Pertussis remains a pressing public health concern in the Philippines despite being vaccine-preventable. The resurgence of the disease, driven by waning immunity, vaccine hesitancy and erratic outbreaks, underscores the need for innovative surveillance methods. Thus, this study intends to create a predictive model of potential risk areas for pertussis outbreaks in the Philippines using bioclimatic variables. METHODS: This study employs the maximum entropy algorithm to predict pertussis risk areas in the Philippines based on 19 bioclimatic variables. The occurrence data of reported pertussis cases were obtained from two sources: the National Disaster Risk Reduction and Management Council, covering 30 March-11 June 2024, and the Weekly Epidemiological Surveillance Report, spanning 1 January-12 October 2024. RESULTS: Key variables such as Mean Temperature of the Wettest Quarter (BIO8), Precipitation of the Wettest Quarter (BIO16) and Precipitation of the Driest Quarter (BIO17) were identified as significant predictors. Results revealed high-risk areas concentrated in northern Luzon, particularly Central Luzon (Region III), the major coastal areas of Ilocos (Region I), National Capital Region, MIMAROPA (Region IV-B), and an isolated area in Bicol (Region V). The model performance indicates excellent predictive accuracy (AUC = 0.972). CONCLUSION: The findings highlight how climatic factors shape pertussis distribution through anthropogenic means (e.g., higher humidity increases the chances of acquiring respiratory problems), providing a framework for eco-epidemiological risk assessment. This approach enhances targeted intervention planning, resource allocation, and early warning systems, particularly in resource-limited settings like the Philippines. The study underscores the role of Maximum Entropy in addressing re-emerging diseases, contributing to sustainable public health preparedness and mitigation strategies in tropical regions given that there is currently no predictive model for pertussis cases in the Philippines.
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 | 0,000 |
| 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 ».