The effect of per capita income on the prevalence of schistosomiasis in selected African countries: a panel study
Notice bibliographique
Résumé
BACKGROUND: Schistosomiasis is one of the parasitic diseases of poverty caused by larval forms of trematode worms. Individuals get infected upon contact with water infected by these larvae through skin penetration. Thus, poor people without access to basic water and sanitation services, among others are more likely to contract the disease. The greatest burden of the disease is found in Africa where over 200 million people require preventive treatment. Given that Africa has experienced economic growth in recent times, albeit with some declines, this study investigated the effect of per capita income on the prevalence of schistosomiasis in selected countries on the continent. METHODS: The study employed panel data on 35 African countries over the period 2002-2019. The data were obtained from the Global Burden of Diseases Study (GBD) 2021 database and the World Bank's World Development Indicators (WB's WDI) database. Prevalence of schistosomiasis i) among males and females (overall), ii) among males and iii) among females were used as the baseline dependent variables. Three other indicators of schistosomiasis were used for robustness purposes. The growth rate of Gross Domestic Product (GDP) per capita (per capita income) was used as the main independent variable. The dynamic panel system Generalised Method of Moments (GMM) regression was employed as the empirical estimation technique. RESULTS: In the baseline, the study found a negative significant effect of per capita income on the prevalence of schistosomiasis (overall prevalence of schistosomiasis (β = -0.021, p < 0.05), prevalence of schistosomiasis among males (β = -0.04, p < 0.01) and prevalence of schistosomiasis among females (β = -0.04, p < 0.01)). The findings were not qualitatively different when the three other indicators of schistosomiasis were used. CONCLUSION: Enhancing per capita income on the African continent remains critical towards the fight against schistosomiasis. Therefore, measures such as educational and skills development, technological advancement, among others, that can enhance per capita income should be deepened by governments, firms (including financial institutions) and other stakeholders.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».