Bayesian hierarchical modeling of Mpox in the African region (2022–2024): Addressing zero-inflation and spatial autocorrelation
Notice bibliographique
Résumé
Mpox remains a signi_cant public health challenge in endemic regions of Africa. Understanding its spatial distribution and identifying key drivers in high-risk countries is critical for guiding e_ective interventions. This study applies a Zero-Inated Poisson (ZIP) model with spatial autocorrelation to estimate the adjusted relative risk (RR) of Mpox incidence across 24 African countries, strati_ed by Human Development Index (HDI) levels. The model accounts for overdispersion and excess zeros by incorporating spatial random e_ects and socio-environmental covariates, and was validated through model diagnostics and sensitivity analysis, demonstrating robustness of results. Spatial analysis revealed substantial heterogeneity in Mpox incidence, with elevated risk in the Democratic Republic of Congo (DRC), Nigeria, and Central African Republic (CAR) persisting after covariate adjustment (p < 0:001). Higher HDI levels were inversely associated with Mpox risk, with HDI quintile Q4 (very high HDI) showing a signi _cant reduction (aRR = 0.431; 95 % CrI: 0.099{0.724). Protective factors in low-risk areas included increased life expectancy at birth (aRR = 0.768; 95 % CrI: 0.688{0.892), higher educational attainment (aRR = 0.774; 95 % CrI: 0.680{0.921), nonlinear increases in gross national income (GNI) per capita, and a greater density of skilled health workers (aRR = 0.788; 95 % CrI: 0.701{0.934). Conversely, higher urban density was associated with increased Mpox risk, underscoring the inuence of population clustering on transmission dynamics. Notably, statistically signi_cant elevated-risk areas persisted in endemic countries of Western and Central Africa after covariate adjustment (p < 0:001). In contrast, previously undetected risk emerged in parts of Southern and Eastern Africa post-adjustment, revealing latent patterns obscured in the crude analysis (p < 0:001). Exceedance probability maps identi_ed countries with P(RR > 1) > 0.9 as priority areas for intensi_ed surveillance and targeted intervention. These patterns were not fully explained by the included covariates, suggesting the inuence of unmeasured factors such as environmental and climate variability, zoonotic reservoirs, or human{animal interactions. Further research is needed to deepen understanding of Mpox epidemiology and support locally tailored interventions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».