Modeling Malaria Risk Factors by Logistic Regression Among Hilly Communities in Rural East Nusa Tenggara Province, Indonesia
Notice bibliographique
Résumé
Malaria is a global health problem, including in Indonesia.Currently, the highest malaria burden is in the eastern part of the country, particularly in East Nusa Tenggara Province (ENTP).Disparities in malaria risk factors among different geographical settings are significant.However, modeling the effect of malaria knowledge levels on malaria risk factors for rural hilly communities has not been investigated yet.This study used data from 986 rural adults living in hilly areas of ENTP.Data on malaria history of participants, their various demographic, environmental and behavioral aspects of malaria were collected.Modeling was performed by using a logistic regression model.This study found that the prevalence of malaria history in hilly communities was 11.4%.The prevalence was significantly higher among those with no education (adjusted odds ratio (AOR): 2.614, 95% confidence interval (CI): 1.428-4.787)compared to those with at least a junior high school education; a low level of malaria knowledge (AOR: 2.181 with 95% CI: 1.045-4.552)compared to those with a high-level malaria knowledge; non-use of bed nets (AOR: 2.001 with 95% CI: 1.219-3.286)compared to their counterpart.Malaria health interventions and malaria knowledge modules in the local curriculum are critical to achieving the achievement of malaria elimination by 2030 in ENTP.
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 | 0,003 | 0,006 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 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 ».