Healthcare Utilization Patterns for Acute Febrile Illness in Bangladesh, Nepal, and Pakistan: Results from the Surveillance for Enteric Fever in Asia Project
Notice bibliographique
Résumé
Abstract Background Characterizing healthcare-seeking patterns for acute febrile illness is critical for generating population-based enteric fever incidence estimates from facility-based surveillance data. Methods We used a hybrid model in the Surveillance for Enteric Fever in Asia Project (SEAP) to assess incidence of enteric fever at 6 study hospitals in 3 countries. We recruited individuals presenting to the hospitals and obtained blood cultures to evaluate for enteric fever. For this analysis, we undertook cluster random household surveys in Dhaka, Bangladesh (2 sites); Karachi, Pakistan; Kathmandu, Nepal; and Kavrepalanchok, Nepal between January 2017 and February 2019, to ascertain care-seeking behavior for individuals with 1) fever for ≥3 consecutive days within the past 8 weeks; or 2) fever resulting in hospitalization within the past year. We also collected data about disease severity and household demographics and assets. We used mixed-effect multivariable logistic regression models to identify determinants of healthcare seeking at study hospitals and determinants of culture-confirmed enteric fever. Results We enrolled 31 841 households (53 926 children) in Bangladesh, 25 510 households (84 196 children and adults) in Nepal, and 21 310 households (108 031 children and adults) in Pakistan. Children <5 years were most likely to be taken to the study hospitals for febrile illness at all sites. Household wealth was positively correlated with healthcare seeking in 4 of 5 study sites, and at least one marker of disease severity was positively associated with healthcare seeking in 3 of 5 catchment areas. Wealth and disease severity were variably predictive of blood culture-confirmed enteric fever. Conclusions Age, household wealth, and disease severity are important determinants of healthcare seeking for acute febrile illness and enteric fever risk in these communities, and should be incorporated into estimation models for enteric fever incidence.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».