Published October 8, 2021 | Version v1
Publication Open

Spatio-temporal analysis and prediction of malaria cases using remote sensing meteorological data in Diébougou health district, Burkina Faso, 2016–2017

Creators

  • 1. Economic & Social Sciences, Health Systems & Medical Informatics
  • 2. Inserm
  • 3. Université des Sciences, des Techniques et des Technologies de Bamako
  • 4. Maladies Infectieuses et Vecteurs: Écologie, Génétique, Évolution et Contrôle
  • 5. Ministère De La Santé
  • 6. Institut de Recherche en Sciences de la Santé
  • 7. Progamme National Contre le Tuberculose

Description

Abstract Malaria control and prevention programs are more efficient and cost-effective when they target hotspots or select the best periods of year to implement interventions. This study aimed to identify the spatial distribution of malaria hotspots at the village level in Diébougou health district, Burkina Faso, and to model the temporal dynamics of malaria cases as a function of meteorological conditions and of the distance between villages and health centres (HCs). Case data for 27 villages were collected in 13 HCs. Meteorological data were obtained through remote sensing. Two synthetic meteorological indicators (SMIs) were created to summarize meteorological variables. Spatial hotspots were detected using the Kulldorf scanning method. A General Additive Model was used to determine the time lag between cases and SMIs and to evaluate the effect of SMIs and distance to HC on the temporal evolution of malaria cases. The multivariate model was fitted with data from the epidemic year to predict the number of cases in the following outbreak. Overall, the incidence rate in the area was 429.13 cases per 1000 person-year with important spatial and temporal heterogeneities. Four spatial hotspots, involving 7 of the 27 villages, were detected, for an incidence rate of 854.02 cases per 1000 person-year. The hotspot with the highest risk (relative risk = 4.06) consisted of a single village, with an incidence rate of 1750.75 cases per 1000 person-years. The multivariate analysis found greater variability in incidence between HCs than between villages linked to the same HC. The time lag that generated the better predictions of cases was 9 weeks for SMI1 (positively correlated with precipitation variables) and 16 weeks for SMI2 (positively correlated with temperature variables. The prediction followed the overall pattern of the time series of reported cases and predicted the onset of the following outbreak with a precision of less than 3 weeks. This analysis of malaria cases in Diébougou health district, Burkina Faso, provides a powerful prospective method for identifying and predicting high-risk areas and high-transmission periods that could be targeted in future malaria control and prevention campaigns.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

تكون برامج مكافحة الملاريا والوقاية منها أكثر كفاءة وفعالية من حيث التكلفة عندما تستهدف النقاط الساخنة أو تختار أفضل فترات السنة لتنفيذ التدخلات. تهدف هذه الدراسة إلى تحديد التوزيع المكاني للنقاط الساخنة للملاريا على مستوى القرية في منطقة ديبوغو الصحية، بوركينا فاسو، ونمذجة الديناميات الزمنية لحالات الملاريا كدالة لظروف الأرصاد الجوية والمسافة بين القرى والمراكز الصحية (HCs). تم جمع بيانات الحالة لـ 27 قرية في 13 مركزًا صحيًا. تم الحصول على بيانات الأرصاد الجوية من خلال الاستشعار عن بعد. تم إنشاء مؤشرين اصطناعيين للأرصاد الجوية (SMIS) لتلخيص متغيرات الأرصاد الجوية. تم اكتشاف النقاط الساخنة المكانية باستخدام طريقة مسح كولدورف. تم استخدام نموذج مضاف عام لتحديد الفارق الزمني بين الحالات و SMIs ولتقييم تأثير SMIs والمسافة إلى HC على التطور الزمني لحالات الملاريا. تم تزويد النموذج متعدد المتغيرات ببيانات من العام الوبائي للتنبؤ بعدد الحالات في التفشي التالي. بشكل عام، كان معدل الإصابة في المنطقة 429.13 حالة لكل 1000 شخص في السنة مع عدم تجانس مكاني وزماني مهم. تم اكتشاف أربع نقاط ساخنة مكانية، تشمل 7 من أصل 27 قرية، بمعدل حدوث 854.02 حالة لكل 1000 شخص في السنة. وتألفت النقطة الساخنة ذات الخطورة الأعلى (الخطورة النسبية = 4.06) من قرية واحدة، بمعدل إصابة يبلغ 1750.75 حالة لكل 1000 شخص في السنة. وجد التحليل متعدد المتغيرات تباينًا أكبر في الإصابة بين مراكز الرعاية الصحية مقارنة بالقرى المرتبطة بنفس مركز الرعاية الصحية. كان الفارق الزمني الذي أدى إلى تنبؤات أفضل للحالات هو 9 أسابيع لـ SMI1 (مرتبط بشكل إيجابي بمتغيرات هطول الأمطار) و 16 أسبوعًا لـ SMI2 (مرتبط بشكل إيجابي بمتغيرات درجة الحرارة. اتبع التنبؤ النمط العام للسلسلة الزمنية للحالات المبلغ عنها وتوقع بداية التفشي التالي بدقة أقل من 3 أسابيع. يوفر هذا التحليل لحالات الملاريا في منطقة ديبوغو الصحية، بوركينا فاسو، طريقة مستقبلية قوية لتحديد والتنبؤ بالمناطق عالية الخطورة وفترات الانتقال العالية التي يمكن استهدافها في حملات مكافحة الملاريا والوقاية منها في المستقبل.

Translated Description (French)

Résumé Les programmes de contrôle et de prévention du paludisme sont plus efficaces et rentables lorsqu'ils ciblent les points chauds ou sélectionnent les meilleures périodes de l'année pour mettre en œuvre des interventions. Cette étude visait à identifier la distribution spatiale des points chauds du paludisme au niveau des villages dans le district sanitaire de Diébougou, au Burkina Faso, et à modéliser la dynamique temporelle des cas de paludisme en fonction des conditions météorologiques et de la distance entre les villages et les centres de santé (CS). Des données de cas pour 27 villages ont été collectées dans 13 centres de santé. Les données météorologiques ont été obtenues par télédétection. Deux indicateurs météorologiques synthétiques (SMI) ont été créés pour résumer les variables météorologiques. Les points chauds spatiaux ont été détectés à l'aide de la méthode de balayage de Kulldorf. Un modèle additif général a été utilisé pour déterminer le délai entre les cas et les SMI et pour évaluer l'effet des SMI et de la distance aux CS sur l'évolution temporelle des cas de paludisme. Le modèle multivarié a été équipé de données de l'année épidémique pour prédire le nombre de cas dans l'épidémie suivante. Dans l'ensemble, le taux d'incidence dans la région était de 429,13 cas pour 1000 personnes-année avec d'importantes hétérogénéités spatiales et temporelles. Quatre points chauds spatiaux, impliquant 7 des 27 villages, ont été détectés, pour un taux d'incidence de 854,02 cas pour 1000 personnes-année. Le point chaud présentant le risque le plus élevé (risque relatif = 4,06) consistait en un seul village, avec un taux d'incidence de 1 750,75 cas pour 1 000 années-personnes. L'analyse multivariée a révélé une plus grande variabilité de l'incidence entre les CS qu'entre les villages liés au même CS. Le délai qui a généré les meilleures prédictions de cas était de 9 semaines pour le SMI1 (en corrélation positive avec les variables de précipitations) et de 16 semaines pour le SMI2 (en corrélation positive avec les variables de température. La prédiction a suivi le schéma général de la série chronologique des cas signalés et a prédit l'apparition de l'épidémie suivante avec une précision de moins de 3 semaines. Cette analyse des cas de paludisme dans le district sanitaire de Diébougou, au Burkina Faso, fournit une méthode prospective puissante pour identifier et prédire les zones à haut risque et les périodes de transmission élevée qui pourraient être ciblées dans les futures campagnes de contrôle et de prévention du paludisme.

Translated Description (Spanish)

Resumen Los programas de control y prevención de la malaria son más eficientes y rentables cuando se dirigen a los puntos críticos o seleccionan los mejores períodos del año para implementar las intervenciones. Este estudio tuvo como objetivo identificar la distribución espacial de los puntos críticos de malaria a nivel de aldea en el distrito de salud de Diébougou, Burkina Faso, y modelar la dinámica temporal de los casos de malaria en función de las condiciones meteorológicas y de la distancia entre las aldeas y los centros de salud (HC). Se recopilaron datos de casos de 27 aldeas en 13 centros de salud. Los datos meteorológicos se obtuvieron a través de teledetección. Se crearon dos indicadores meteorológicos sintéticos (SMI) para resumir las variables meteorológicas. Los puntos calientes espaciales se detectaron utilizando el método de escaneo de Kulldorf. Se utilizó un modelo aditivo general para determinar el lapso de tiempo entre los casos y los SMI y para evaluar el efecto de los SMI y la distancia a HC en la evolución temporal de los casos de malaria. El modelo multivariante se ajustó con datos del año epidémico para predecir el número de casos en el siguiente brote. En general, la tasa de incidencia en la zona fue de 429,13 casos por 1000 personas-año con importantes heterogeneidades espaciales y temporales. Se detectaron cuatro puntos críticos espaciales, que involucran a 7 de las 27 aldeas, con una tasa de incidencia de 854,02 casos por 1000 personas al año. El punto caliente con el mayor riesgo (riesgo relativo = 4.06) consistió en una sola aldea, con una tasa de incidencia de 1750.75 casos por 1000 personas-año. El análisis multivariante encontró una mayor variabilidad en la incidencia entre los HC que entre los pueblos vinculados al mismo HC. El lapso de tiempo que generó las mejores predicciones de casos fue de 9 semanas para SMI1 (correlacionado positivamente con las variables de precipitación) y 16 semanas para SMI2 (correlacionado positivamente con las variables de temperatura. La predicción siguió el patrón general de las series temporales de casos notificados y predijo el inicio del siguiente brote con una precisión de menos de 3 semanas. Este análisis de los casos de malaria en el distrito de salud de Diébougou, Burkina Faso, proporciona un poderoso método prospectivo para identificar y predecir áreas de alto riesgo y períodos de alta transmisión que podrían ser objeto de futuras campañas de control y prevención de la malaria.

Files

s41598-021-99457-9.pdf.pdf

Files (2.6 MB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:f4f2910b404659322265530af3946544
2.6 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
التحليل المكاني والزماني والتنبؤ بحالات الملاريا باستخدام بيانات الأرصاد الجوية للاستشعار عن بعد في منطقة ديبوغو الصحية، بوركينا فاسو، 2016–2017
Translated title (French)
Analyse spatio-temporelle et prédiction des cas de paludisme à l'aide de données météorologiques de télédétection dans le district sanitaire de Diébougou, Burkina Faso, 2016–2017
Translated title (Spanish)
Análisis espacio-temporal y predicción de casos de malaria utilizando datos meteorológicos de teledetección en el distrito sanitario de Diébougou, Burkina Faso, 2016–2017

Identifiers

Other
https://openalex.org/W3147990911
DOI
10.1038/s41598-021-99457-9

Is supplement to
https://openalex.org/W4391185460 (Other)
https://openalex.org/W4248922200 (Other)
https://openalex.org/W4240701259 (Other)
https://openalex.org/W4237056913 (Other)
https://openalex.org/W2769171888 (Other)
https://openalex.org/W2329563399 (Other)
https://openalex.org/W2253911628 (Other)
https://openalex.org/W2141955689 (Other)
https://openalex.org/W2003759188 (Other)
https://openalex.org/W2003348834 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes

References

  • https://openalex.org/W1542598141
  • https://openalex.org/W166157017
  • https://openalex.org/W1979276220
  • https://openalex.org/W1984322287
  • https://openalex.org/W1988419562
  • https://openalex.org/W1991620161
  • https://openalex.org/W1993686658
  • https://openalex.org/W2017396358
  • https://openalex.org/W2017707667
  • https://openalex.org/W2019448011
  • https://openalex.org/W2038943886
  • https://openalex.org/W2060298585
  • https://openalex.org/W2097472186
  • https://openalex.org/W2099165877
  • https://openalex.org/W2099736392
  • https://openalex.org/W2101301119
  • https://openalex.org/W2106594557
  • https://openalex.org/W2109862630
  • https://openalex.org/W2114746714
  • https://openalex.org/W2119160928
  • https://openalex.org/W2131989243
  • https://openalex.org/W2132030492
  • https://openalex.org/W2134881135
  • https://openalex.org/W2136691063
  • https://openalex.org/W2138055306
  • https://openalex.org/W2140308441
  • https://openalex.org/W2152291219
  • https://openalex.org/W2153947402
  • https://openalex.org/W2157355630
  • https://openalex.org/W2159815697
  • https://openalex.org/W2174045573
  • https://openalex.org/W2337567730
  • https://openalex.org/W2408069816
  • https://openalex.org/W2517235140
  • https://openalex.org/W2696767636
  • https://openalex.org/W2762004425
  • https://openalex.org/W2762880670
  • https://openalex.org/W2766445563
  • https://openalex.org/W2795038855
  • https://openalex.org/W2807218174
  • https://openalex.org/W2888250718
  • https://openalex.org/W2903540806
  • https://openalex.org/W2904822546
  • https://openalex.org/W2909481090
  • https://openalex.org/W2918764404
  • https://openalex.org/W2970618367
  • https://openalex.org/W3032998987
  • https://openalex.org/W3036207072
  • https://openalex.org/W3047234827
  • https://openalex.org/W3112717819
  • https://openalex.org/W4236158617
  • https://openalex.org/W4292804883
  • https://openalex.org/W4298870098