Spatial analysis and time-series modelling of Lassa fever cases in Nigeria: Insights from 2018-2023 Lassa fever national surveillance data
Notice bibliographique
Résumé
Introduction Lassa fever (LF) is a viral hemorrhagic fever endemic in Nigeria characterized by high morbidity and mortality rates. Despite significant efforts at reducing the burden of LF in Nigeria, it remains a public health concern with negative socio-economic and health impacts. Modeling and predicting LF outbreaks are crucial to ensure timely-targeted interventions. We therefore analyzed data to describe the recent five-year trend of LF, identify patterns, and made predictions. Methods We reviewed the LF historical surveillance data from the National Surveillance Database (Surveillance Outbreak Response Management and Analysis System – SORMAS) from January 2018 to December 2023. We summarized data using frequencies and percentages. We used a Multiplicative Time-series model to determine the trend and pattern of the Lassa fever cases. We then predicted cases for 2024 and 2025 by de-seasonalizing the observed cases using a seasonal variation index (SVI) adjustment mechanism. We employed R and QGIS (v.3.32.2) for spatial analysis. Results Two of the 36 states in Nigeria―Ondo and Edo―accounted for 65% of the total confirmed cases and 53% of total mortality in the country. The Lassa fever cases followed a downward trend (β=0.1777, R2=0.0018) from 2018 to 2023. Time-series analysis shows peak periods in the first quarter (January–March) accounting for 65% of the total cases and deaths yearly. The SVI was highest in quarter 1 (2.1637), and least in quarter 4 (0.3249). The projected confirmed cases for 2024 and 2025 were 453 and 392, respectively, with peaks in the first quarter. Conclusion A downward trajectory in confirmed cases of Lassa fever was observed in Nigeria. However, peak periods are expected in the first quarter of the year. Lassa fever burden was predominant in two states. Focusing on community-driven preventive interventions before the peak periods and in the hot spot areas will facilitate Lassa fever control in Nigeria.
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 | 0,013 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».