开源环境数据作为牛调查的替代方案,用于评估接近淘汰的地区的杆菌病风险
Elise N Grover1, William B Allshouse1, Andrea J Lund1
1Department of Environmental and Occupational Health, Colorado School of Public Health, University of Colorado Anschutz Medical Campus, Aurora, USA.
International journal of health geographics
|June 2, 2023
概括
环境数据准确地预测了Schistosoma japonicum感染,在低传播地区的传统牛调查中表现出色. 这种方法可以识别高风险的家庭,以进行有针对性的istosomiasis 控制工作.
科学领域:
- 流行病学 流行病学
- 环境科学 环境科学
- 机器学习 机器学习
背景情况:
- 杆菌病的传播依赖于中间的牛,但它们的息地变异性使近乎消除的监测复杂化.
- 使用遥感数据的地理空间分析越来越多地用于识别病原体持久性的环境驱动因素.
研究的目的:
- 评估开源环境数据是否可以预测人类 Schistosoma japonicum 感染.
- 将环境数据模型的准确性与牛调查数据模型进行比较.
主要方法:
- 开发了两个随机森林机器学习模型,使用来自中国农村的2016年感染数据.
- 一个模型使用了牛调查数据;另一个模型使用了开源环境数据.
主要成果:
- 环境数据模型的准确性 (0.89) 和科恩的卡帕 (0.49) 比牛数据模型 (0.86,0.37) 更高.
- 关键预测因素包括接近水 (水指数的正常化差异) 和距离道路的距离.
- 感染风险增加与远离道路和靠近水道的房屋有关.
结论:
- 开源环境数据为在低传播环境中识别人类感染热点提供了更准确的方法.
- 环境变量突出显示了杆菌病的特定局部风险因素.
- 通过确定高风险家庭位置,研究结果指导了有针对性的监测和控制策略.
