System dynamics model of cervical cancer vaccination and screening interventions in Kenya
Notice bibliographique
Résumé
Objectives \n \nThis paper presents a simulation model for evaluating the possible effects of a screening and vaccination campaign against Human Papillomavirus [HPV] in Kenya. \nMethod \n \nA System Dynamics model was developed using the iThink™ computer simulation package. The model was based on data extracted from epidemiological, demographic and published research and where data was not available, expert opinion was sought. The deterministic model stratified the population by vaccination status, screening status and HPV infection status. The model was simulated to estimate outputs for the next 50 years from 2011. Cost Utility indicators of Disability Adjusted Life Years (DALYs) and cost per averted DALY were used for economic evaluation. \nResults \n \nThe model predicted that catch up vaccination had the greatest impact in reducing the prevalence of cervical cancer. This was followed by Primary vaccination, with early detection through Screening having the lowest impact of the three choices of interventions in respect of averted cases of cervical cancer and DALY estimates. \nConclusion \n \nKenya as a country should consider adoption of secondary /catch up vaccination as an immediate measure to curb cervical cancer followed by primary vaccination of pre-adolescent girls. Screening should be a complementary measure(s). This model provides a policy decision support vehicle that can allow for choice between different interventions based on their expected outcomes. It also allows modification to accommodate new research results and information to assess the clinical impact of different policies and interventions in cervical cancer management in Kenya. \nKeywords: \nDynamic; Simulation; Cervical; Cancer; Kenya \nclose
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 | 0,001 | 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 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 ».