Time Series Analysis of Measles Incidence in Nigeria Using Surveillance Data from 2011 to 2022
Notice bibliographique
Résumé
Background: Measles is a highly contagious viral disease that primarily affects children, especially in underdeveloped nations. In Nigeria, inadequate vaccine coverage has sustained measles endemicity. This study analyzed the trend and seasonality of measles in Nigeria and forecasted its trajectory from January 2023 to December 2026. Methods and Materials: Time series analysis was applied to laboratory-confirmed measles cases from the World Health Organization case-based surveillance data reported in Nigeria from January 2011 to December 2022. The analysis was conducted using Seasonal and Trend decomposition using Loess and the Seasonal Autoregressive Integrated Moving Average (SARIMA) model, with model selection determined by the Akaike Information Criterion and validated using residual diagnostics. Measles incidence forecasts for 2023 to 2026 were generated, with predictive accuracy assessed using the root mean square error and mean absolute error (MAE). Results: A total of 203,587 measles cases were reported during this period, with an average incidence of 7.5 cases per one million individuals. Seasonal peaks were consistently observed from January to March, with no discernible long-term trend. The SARIMA (3, 0, 1)(1, 1, 1)₁₂ model demonstrated the best fit for forecasting, achieving an MAE of 3.2 cases per one million population when comparing predicted and observed incidence in 2023. Forecasts suggest the seasonal patterns and magnitudes will persist through 2026, assuming all factors remain constant. Conclusion: This study highlights seasonal peaks in measles incidence from January to March in Nigeria, highlighting the urgent need for improved vaccination coverage and targeted public health interventions during peak seasons to mitigate the disease burden.
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 | 0,004 | 0,006 |
| 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 | 0,001 | 0,001 |
| 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 ».