Bayesian Inference and Sensitivity Analysis of Dengue Transmission in Sudan
Notice bibliographique
Résumé
Background: Dengue fever is a significant public health concern in Sudan as well as tropical regions. Mathematical and statistical methodologies are crucial for comprehending its transmission dynamics and informing effective control tactics. Methods: We developed a two-population compartmental model to capture dengue transmission between humans (susceptible, infected, recovered and disease- induced mortality) and mosquito vectors (susceptible and infected). Using the next-generation matrix approach, we derive an explicit expression for the basic re- production number (R0). For the assessment of critical epidemiological parameters such as the mosquito biting rate, probability of human to vector transmission, recovery rate, and dengue-induced fatality rate, Bayesian inference was employed. To evaluate the robustness of these findings, a global sensitivity analysis was performed utilizing Latin hypercube sampling and partial rank correlation coefficients. Results: Posterior estimates indicated R0 1.25 (95% credible interval: 1.11– 1.40), with the model showing strong agreement with case report data (R2 = 0.93). Sensitivity analysis showed that the mosquito biting rate as well as the transmission probability were the main drivers of epidemic potential with recovery and dengue- induced mortality exhibiting inhibiting negative effects on transmission. Conclusions: The results suggest that transmissible vector factors are an important component for dengue transmission in East Sudan. The preferred method for the control of future outbreaks is expected to concentrate on mosquito bites/human vector transmission.
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 | 0,052 | 0,106 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».