Published October 4, 2023
| Version v1
Publication
Open
Bayesian belief network modelling approach for predicting and ranking risk factors for malaria infections among children under 5 years in refugee settlements in Uganda
Creators
- 1. Makerere University
- 2. University of Massachusetts Amherst
- 3. Jomo Kenyatta University of Agriculture and Technology
Description
Abstract Background Malaria risk factors at household level are known to be complex, uncertain, stochastic, nonlinear, and multidimensional. The interplay among these factors, makes targeted interventions, and resource allocation for malaria control challenging. However, few studies have demonstrated malaria's transmission complexity, control, and integrated modelling, with no available evidence on Uganda's refugee settlements. Using the 2018–2019 Uganda's Malaria Indicator Survey (UMIS) data, an alternative Bayesian belief network (BBN) modelling approach was used to analyse, predict, rank and illustrate the conceptual reasoning, and complex causal relationships among the risk factors for malaria infections among children under-five in refugee settlements of Uganda. Methods In the UMIS, household level information was obtained using standardized questionnaires, and a total of 675 children under 5 years were tested for malaria. From the dataset, a casefile containing malaria test results, demographic, social-economic and environmental information was created. The casefile was divided into a training (80%, n = 540) and testing (20%, n = 135) datasets. The training dataset was used to develop the BBN model following well established guidelines. The testing dataset was used to evaluate model performance. Results Model accuracy was 91.11% with an area under the receiver-operating characteristic curve of 0.95. The model's spherical payoff was 0.91, with the logarithmic, and quadratic losses of 0.36, and 0.16 respectively, indicating a strong predictive, and classification ability of the model. The probability of refugee children testing positive, and negative for malaria was 48.1% and 51.9% respectively. The top ranked malaria risk factors based on the sensitivity analysis included: (1) age of child; (2) roof materials (i.e., thatch roofs); (3) wall materials (i.e., poles with mud and thatch walls); (4) whether children sleep under insecticide-treated nets; 5) type of toilet facility used (i.e., no toilet facility, and pit latrines with slabs); (6) walk time distance to water sources (between 0 and 10 min); (7) drinking water sources (i.e., open water sources, and piped water on premises). Conclusion Ranking, rather than the statistical significance of the malaria risk factors, is crucial as an approach to applied research, as it helps stakeholders determine how to allocate resources for targeted malaria interventions within the constraints of limited funding in the refugee settlements.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
من المعروف أن عوامل خطر الملاريا على مستوى الأسرة معقدة وغير مؤكدة وعشوائية وغير خطية ومتعددة الأبعاد. ويجعل التفاعل بين هذه العوامل التدخلات المستهدفة وتخصيص الموارد لمكافحة الملاريا أمرًا صعبًا. ومع ذلك، أظهرت دراسات قليلة تعقيد انتقال الملاريا والسيطرة عليها والنمذجة المتكاملة، مع عدم وجود أدلة متاحة على مستوطنات اللاجئين في أوغندا. باستخدام بيانات المسح الأوغندي لمؤشر الملاريا (UMIS) لعام 2018–2019، تم استخدام نهج نمذجة بديل لشبكة معتقدات بايزي (BBN) لتحليل وتوقع وترتيب وتوضيح المنطق المفاهيمي والعلاقات السببية المعقدة بين عوامل خطر الإصابة بالملاريا بين الأطفال دون سن الخامسة في مستوطنات اللاجئين في أوغندا. تم الحصول على معلومات على مستوى الأسرة باستخدام استبيانات موحدة، وتم اختبار ما مجموعه 675 طفلاً دون سن الخامسة للكشف عن الملاريا. من مجموعة البيانات، تم إنشاء ملف حالة يحتوي على نتائج اختبار الملاريا والمعلومات الديموغرافية والاجتماعية والاقتصادية والبيئية. تم تقسيم ملف الحالة إلى مجموعات بيانات تدريب (80 ٪، العدد = 540) واختبار (20 ٪، العدد = 135). تم استخدام مجموعة بيانات التدريب لتطوير نموذج BBN باتباع إرشادات راسخة. تم استخدام مجموعة بيانات الاختبار لتقييم أداء النموذج. كانت دقة نموذج النتائج 91.11 ٪ مع مساحة تحت منحنى خاصية تشغيل جهاز الاستقبال 0.95. كان العائد الكروي للنموذج 0.91، مع الخسائر اللوغاريتمية والتربيعية البالغة 0.36 و 0.16 على التوالي، مما يشير إلى قدرة تنبؤية وتصنيفية قوية للنموذج. كان احتمال اختبار الأطفال اللاجئين إيجابيًا، وسالبًا للملاريا 48.1 ٪ و 51.9 ٪ على التوالي. تضمنت عوامل خطر الملاريا الأعلى تصنيفًا بناءً على تحليل الحساسية ما يلي: (1) عمر الطفل ؛ (2) مواد السقف (أي أسطح القش )؛ (3) مواد الجدران (أي الأعمدة ذات الجدران الطينية والقش )؛ (4) ما إذا كان الأطفال ينامون تحت الناموسيات المعالجة بالمبيدات الحشرية ؛ 5) نوع مرفق المرحاض المستخدم (أي عدم وجود مرحاض، ومراحيض الحفرة ذات الألواح )؛ (6) مسافة السير إلى مصادر المياه (بين 0 و 10 دقائق )؛ (7) مصادر مياه الشرب (أي مصادر المياه المفتوحة، والمياه المنقولة بالأنابيب في المباني). تصنيف الخلاصة، بدلاً من الأهمية الإحصائية لعوامل خطر الملاريا، أمر بالغ الأهمية كنهج للبحوث التطبيقية، لأنه يساعد أصحاب المصلحة على تحديد كيفية تخصيص الموارد لتدخلات الملاريا المستهدفة ضمن قيود التمويل المحدود في مستوطنات اللاجئين.Translated Description (French)
Résumé Contexte Les facteurs de risque de paludisme au niveau des ménages sont connus pour être complexes, incertains, stochastiques, non linéaires et multidimensionnels. L'interaction entre ces facteurs rend difficiles les interventions ciblées et l'allocation des ressources pour la lutte antipaludique. Cependant, peu d'études ont démontré la complexité de la transmission, le contrôle et la modélisation intégrée du paludisme, sans aucune preuve disponible sur les camps de réfugiés en Ouganda. À l'aide des données de l'Enquête sur les indicateurs du paludisme (UMIS) 2018–2019 en Ouganda, une approche de modélisation du réseau de croyances bayésiennes (BBN) a été utilisée pour analyser, prédire, classer et illustrer le raisonnement conceptuel et les relations de cause à effet complexes entre les facteurs de risque d'infections palustres chez les enfants de moins de cinq ans dans les camps de réfugiés en Ouganda. Méthodes Dans l'UMIS, les informations au niveau des ménages ont été obtenues à l'aide de questionnaires standardisés, et un total de 675 enfants de moins de 5 ans ont été testés pour le paludisme. À partir de l'ensemble de données, un fichier de cas contenant les résultats des tests de dépistage du paludisme, des informations démographiques, socio-économiques et environnementales a été créé. Le fichier de cas a été divisé en un ensemble de données de formation (80 %, n = 540) et de test (20 %, n = 135). L'ensemble de données de formation a été utilisé pour développer le modèle BBN en suivant des directives bien établies. L'ensemble de données de test a été utilisé pour évaluer les performances du modèle. Résultats La précision du modèle était de 91,11 % avec une aire sous la courbe caractéristique de fonctionnement du récepteur de 0,95. Le gain sphérique du modèle était de 0,91, avec les pertes logarithmiques et quadratiques de 0,36 et 0,16 respectivement, indiquant une forte capacité prédictive et de classification du modèle. La probabilité que les enfants réfugiés soient testés positifs et négatifs pour le paludisme était de 48,1 % et 51,9 % respectivement. Les facteurs de risque de paludisme les mieux classés sur la base de l'analyse de sensibilité comprenaient : (1) l'âge de l'enfant ; (2) les matériaux du toit (c.-à-d. les toits de chaume) ; (3) les matériaux des murs (c.-à-d. les poteaux avec de la boue et des murs de chaume) ; (4) si les enfants dorment sous des moustiquaires imprégnées d'insecticide ; 5) le type de toilettes utilisées (c.-à-d. pas de toilettes et latrines à fosse avec dalles) ; (6) la distance à pied des sources d'eau (entre 0 et 10 min) ; (7) les sources d'eau potable (c.-à-d. les sources d'eau à ciel ouvert et l'eau courante sur les lieux). Conclusion Le classement, plutôt que la signification statistique des facteurs de risque de paludisme, est crucial en tant qu'approche de la recherche appliquée, car il aide les parties prenantes à déterminer comment allouer des ressources pour des interventions ciblées contre le paludisme dans les limites d'un financement limité dans les camps de réfugiés.Translated Description (Spanish)
Resumen Antecedentes Se sabe que los factores de riesgo de malaria a nivel del hogar son complejos, inciertos, estocásticos, no lineales y multidimensionales. La interacción entre estos factores dificulta las intervenciones específicas y la asignación de recursos para el control de la malaria. Sin embargo, pocos estudios han demostrado la complejidad de la transmisión, el control y la modelización integrada de la malaria, sin evidencia disponible sobre los asentamientos de refugiados de Uganda. Utilizando los datos de la Encuesta de Indicadores de Malaria de Uganda (UMIS) de 2018–2019, se utilizó un enfoque alternativo de modelado de la red de creencias bayesianas (BBN) para analizar, predecir, clasificar e ilustrar el razonamiento conceptual y las complejas relaciones causales entre los factores de riesgo para las infecciones de malaria entre los niños menores de cinco años en los asentamientos de refugiados de Uganda. Métodos En el UMIS, la información a nivel de hogar se obtuvo mediante cuestionarios estandarizados, y un total de 675 niños menores de 5 años fueron sometidos a pruebas de malaria. A partir del conjunto de datos, se creó un archivo de casos que contenía los resultados de las pruebas de malaria, información demográfica, socioeconómica y ambiental. El archivo de casos se dividió en conjuntos de datos de capacitación (80%, n = 540) y pruebas (20%, n = 135). El conjunto de datos de capacitación se utilizó para desarrollar el modelo BBN siguiendo pautas bien establecidas. El conjunto de datos de pruebas se utilizó para evaluar el rendimiento del modelo. Resultados La precisión del modelo fue del 91,11% con un área bajo la curva característica de funcionamiento del receptor de 0,95. La rentabilidad esférica del modelo fue de 0,91, con pérdidas logarítmicas y cuadráticas de 0,36 y 0,16, respectivamente, lo que indica una fuerte capacidad predictiva y de clasificación del modelo. La probabilidad de que los niños refugiados dieran positivo y negativo para la malaria fue del 48,1% y 51,9%, respectivamente. Los factores de riesgo de malaria mejor clasificados según el análisis de sensibilidad incluyeron: (1) edad del niño; (2) materiales del techo (es decir, techos de paja); (3) materiales de la pared (es decir, postes con paredes de barro y paja); (4) si los niños duermen bajo redes tratadas con insecticida; 5) tipo de inodoro utilizado (es decir, sin inodoro y letrinas de pozo con losas); (6) distancia de tiempo a pie a las fuentes de agua (entre 0 y 10 minutos); (7) fuentes de agua potable (es decir, fuentes de agua abierta y agua corriente en las instalaciones). Conclusión La clasificación, en lugar de la importancia estadística de los factores de riesgo de malaria, es crucial como enfoque de la investigación aplicada, ya que ayuda a las partes interesadas a determinar cómo asignar recursos para intervenciones específicas contra la malaria dentro de las limitaciones de la financiación limitada en los asentamientos de refugiados.Files
s12936-023-04735-8.pdf
Files
(3.0 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:b82bf8e6397c3d4624f0ff8ee80b65b4
|
3.0 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- نهج نمذجة شبكة المعتقدات البايزية للتنبؤ بعوامل خطر الإصابة بالملاريا وتصنيفها بين الأطفال دون سن 5 سنوات في مستوطنات اللاجئين في أوغندا
- Translated title (French)
- Approche de modélisation du réseau de croyances bayésiennes pour prédire et classer les facteurs de risque d'infections palustres chez les enfants de moins de 5 ans dans les camps de réfugiés en Ouganda
- Translated title (Spanish)
- Enfoque de modelado de redes de creencias bayesianas para predecir y clasificar los factores de riesgo de infecciones de malaria entre niños menores de 5 años en asentamientos de refugiados en Uganda
Identifiers
- Other
- https://openalex.org/W4387324640
- DOI
- 10.1186/s12936-023-04735-8
References
- https://openalex.org/W1542774706
- https://openalex.org/W1848777915
- https://openalex.org/W1973107043
- https://openalex.org/W2045257928
- https://openalex.org/W2047581137
- https://openalex.org/W2048076161
- https://openalex.org/W2067627945
- https://openalex.org/W2079087023
- https://openalex.org/W2085593420
- https://openalex.org/W2117843969
- https://openalex.org/W2467153539
- https://openalex.org/W2533292708
- https://openalex.org/W2590531652
- https://openalex.org/W2729337865
- https://openalex.org/W2774161943
- https://openalex.org/W2796146072
- https://openalex.org/W2888087778
- https://openalex.org/W2894026248
- https://openalex.org/W2940113904
- https://openalex.org/W2942575637
- https://openalex.org/W2946405783
- https://openalex.org/W2972535098
- https://openalex.org/W2991211569
- https://openalex.org/W3018704683
- https://openalex.org/W3036102204
- https://openalex.org/W3041532377
- https://openalex.org/W3067239940
- https://openalex.org/W3094240419
- https://openalex.org/W3101888243
- https://openalex.org/W3128499523
- https://openalex.org/W3131858786
- https://openalex.org/W4205989240
- https://openalex.org/W4220841552
- https://openalex.org/W4281253245
- https://openalex.org/W4281260152
- https://openalex.org/W4306698106
- https://openalex.org/W4313314154
- https://openalex.org/W4321231519
- https://openalex.org/W4324131063
- https://openalex.org/W4362736265