A generalized framework for estimating snakebite underreporting using statistical models: A study in Colombia
Notice bibliographique
Résumé
Snakebite envenoming is a neglected tropical disease affecting deprived populations, and its burden is underestimated in some regions where patients prefer using traditional medicine, case reporting systems are deficient, or health systems are inaccessible to at-risk populations. Thus, the development of strategies to optimize disease management is a major challenge. We propose a framework that can be used to estimate total snakebite incidence at a fine political scale.First, we generated fine-scale snakebite risk maps based on the distribution of venomous snakes in Colombia. We then used a generalized mixed-effect model that estimates total snakebite incidence based on risk maps, poverty, and travel time to the nearest medical center. Finally, we calibrated our model with snakebite data in Colombia from 2010 to 2019 using the Markov-chain-Monte-Carlo algorithm. Our results suggest that 10.19% of total snakebite cases (532.26 yearly envenomings) are not reported and these snakebite victims do not seek medical attention, and that populations in the Orinoco and Amazonian regions are the most at-risk and show the highest percentage of underreporting. We also found that variables such as precipitation of the driest month and mean temperature of the warmest quarter influences the suitability of environments for venomous snakes rather than absolute temperature or rainfall.Our framework permits snakebite underreporting to be estimated using data on snakebite incidence and surveillance, presence locations for the most medically significant venomous snake species, and openly available information on population size, poverty, climate, land cover, roads, and the locations of medical centers. Thus, our algorithm could be used in other countries to estimate total snakebite incidence and improve disease management strategies; however, this framework does not serve as a replacement for a surveillance system, which should be made a priority in countries facing similar public health challenges.
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 | 0,011 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».