Bayesian modeling of <i>Escherichia coli</i> contamination in household drinking water in Bangladesh: evidence from the Multiple Indicator Cluster Survey 2019
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: From a public health standpoint, there is merit in determining the levels of Escherichia coli in drinking water, but surveillance datasets often report censored values that may hinder traditional statistical analysis. This study aims to identify sociodemographic factors associated with the presence of E. coli in household drinking water in Bangladesh using Bayesian models for censored data, utilizing data from 6069 households in the Multiple Indicator Cluster Survey 2019. METHODS: In terms of censoring, we considered two different Bayesian regression strategies: Bayesian Tobit Poisson regression and Bayesian Censored Generalized Poisson regression. RESULTS: The Bayesian Censored Generalized Poisson regression model was identified as the optimal model for analyzing household fecal contamination. Regression analysis revealed significant associations between household E. coli levels and various factors including division, livestock ownership, location of water sources, treatment of drinking water, household head education, wealth index, source of drinking water, place of handwashing and toilet facility. Households using tube wells had lower E. coli levels than those using other sources. Furthermore, households using pit latrines had 1.03 times higher contamination levels than those using flush latrines. CONCLUSIONS: Levels of fecal contamination in household water in Bangladesh were alarming. Our findings underscore the need for targeted policy interventions in specific population segments to address household fecal contamination, highlighting the link between sociodemographic and environmental factors with E. coli levels in drinking water.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle