Analyse exploratoire
Les modèles temporels dans le nombre de notifications de cas pour les deux maladies sont affichés sur la figure 2. Dans l’ensemble, les notifications de cas de TB en Éthiopie ont légèrement diminué de 94 999 en 2015 à 94 713 en 2016 mais ont augmenté à 96 300 en 2017, puis ont diminué à 53 675 en 2018 . Cependant, le nombre de notifications de cas de VIH enregistrées dans les établissements de santé du VIH est passée de 623 944 en 2015 à 915 015 en 2016 à 1 041 331 en 2017 et a diminué à 719 655 en 2018.
Fig. 2
Modèles temporels dans le nombre de notifications de cas VIH et TB
La figure 3, parcelles de profil de district, affichez les tendances temporelles des notifications de cas pour chaque maladie dans tous les districts. Pendant ce temps, la plupart des districts ont montré une augmentation ou une stabilité constante du nombre de notifications de cas VIH signalées au cours de la période de recherche. De plus, il existe un modèle non linéaire observé pour les autres districts du pays, comme le montre (voir la figure 3A). Cependant, le nombre de notifications de cas TB pour un assez grand nombre de districts avait un modèle non linéaire (voir Fig. 3b). Ceux-ci suggèrent des tendances variables du nombre de notifications pour le VIH et la tuberculose par district. Par conséquent, les variations des tendances temporelles entre les districts peuvent être attribuées à des disparités dans les facteurs causaux sous-jacentes et peuvent varier au fil du temps.
Fig. 3
Tracés de profil des districts pour le nombre de VIH (panneau un) et TB (panneau b) notifications
Les SIRS annuels moyens du VIH ont eu une incohérence dans la tendance; C’était 1,454, 1,281, 1,473 et 1,431 en 2015, 2016, 2017 et 2018, respectivement. Cependant, les SIR TB bruts avaient une tendance annuelle légèrement croissante; Il était de 1,229, 1,253, 1,300 et 1,337 en 2015, 2016, 2017 et 2018, respectivement. Pour déterminer les districts présentant des risques élevés de VIH et de tuberculose, nous avons produit une séquence de cartes pour le rapport d’incidence standardisé brut (non lisse) (calculé comme observé / attendu) pour chaque maladie, et ceux-ci sont affichés sur la figure 4 pour le VIH et dans Fig. 5 pour TB. Bien qu’il ait été observé que la majorité des districts identifiés comme à haut risque pour le VIH entre 2015 et 2018 ont également été classés comme à haut risque pour la tuberculose, les cartes du VIH (Fig. 4) et TB (Fig. 5) ont montré des spatio-temporels variables variables motifs. Les deux maladies semblent avoir au moins un district à haut risque dans chaque région et dans chaque administration de la ville, à l’exception de la région de Harari, qui avait un district à haut risque de VIH uniquement en 2018. Comme le montre les Fig. 4 et 5, la progression du risque au cours des quatre années 2015-2018 en tuberculose était significativement plus rapide que celle du VIH.
Fig. 4
Ratio d’incidence standardisé pour le VIH
Fig. 5
Ratio d’incidence standardisé pour TB
Analyse de sensibilité
Le dic et LS(CPO) Valeurs pour chacun des six prieurs des variances d’effets aléatoires variances Paramètres de précision ( varvec { tau} = ( tau _ { omega}, ~ tau _ { phi}, ~ tau _ { nu _d} , ~ tau _ { gamma _d}, tau _ { psi}) ) utilisé pour les modèles adaptés aux notifications de cas VIH et TB sont affichées le tableau 1. Par rapport aux valeurs DIC des autres modèles, les modèles, les modèles, les modèles, les modèles, les modèles, les Modèles, les Modèles, les Modèles, sont affichés. Ig(0,01, 0,01), une spécification utilisée dans [16]avait la plus petite valeur, 47695.36. Ce modèle avait également le plus bas LS(CPO) valeur, 6,97637, et le deuxième plus bas LS(CPO), 6.98102, est pour le modèle avec la spécification précédente par défaut utilisée dans la fonction INLA du package R-INLA [29] ( Gamma (1, 0,0005) ). Bien que la différence entre ces LS(CPO) Les valeurs sont très faibles, 0,00465, la différence entre leurs valeurs DIC respectives, 7,32, est supérieure à cinq, par conséquent, c’est une différence substantielle [37]. Par conséquent, le modèle avec le Ig(0,01, 0,01) Prior a fourni le meilleur ajustement pour les données et avait les meilleures performances prédictives. Ainsi, dans les sections qui suivent, nous présentons uniquement les résultats du modèle dans l’expression (1) avec Ig(0,01, 0,01) Avant.
Tableau 1 Résumé du dic et LS(CPO) Valeurs des modèles inclus dans l’analyse de sensibilité
Les moyennes postérieures estimées et les intervalles crédibles (IC) des interceptions spécifiques à la maladie, dérivés de l’ancien sélectionné, sont résumés dans le tableau 2. De plus, les paramètres de précision des effets aléatoires spatiaux et temporels partagés et spécifiques à la maladie, ainsi que les effets Effet aléatoire d’interaction de l’espace et du temps, sont présentés dans le tableau 2. Le tableau contient également la variation de proportion (pour cent) du modèle expliqué par chaque effet aléatoire. Les résultats du modèle choisi indiquent qu’environ 53% de la variation des incidents VIH et TB pendant la période d’étude peut être prise en compte par l’influence combinée de la composante temporelle partagée, l’effet spatial spécifique à la maladie du VIH et l’effet d’interaction de l’espace et du temps.
Tableau 2 Statistiques sommaires pour les estimations des paramètres de précision des effets aléatoires et des coefficients pour les effets spatiaux et temporels partagés
Les moyens postérieurs pour les coefficients des modèles spatiaux partagés des deux maladies sont distincts les uns des autres, et les intervalles crédibles à 95% montrent que le poids du VIH est significativement supérieur à un. Ce dernier suggère que le VIH dépend davantage des modèles spatiaux partagés, donc son modèle spatial ressemble étroitement au modèle partagé. Les résultats montrent que l’effet aléatoire temporel partagé, l’effet aléatoire spatial spécifique à la maladie du VIH et l’effet d’interaction aléatoire entre l’espace et le temps expliquent la majeure partie de la variabilité de l’ordre respectif. Les variations expliquées par l’effet aléatoire spatial spécifique à la maladie du VIH et l’effet aléatoire temporel sont plus élevés que ceux de la tuberculose (tableau 2).
Analyse spatiale
Fig. 6
Moyens postérieurs de l’effet spatial total du VIH (panneau de gauche) et de la TB (panneau de droite)
Il y avait des divisions en tant que risque élevé dans les deux administrations de la ville, dans toutes les zones de la région AFAR; Dans AWI, East Gojjam, North Gondar, North et South Wollo et North Shewa dans la région d’Amhara; Dans les zones d’Asosa et de Kemashi dans la région de Benishangul-Gumuz; Dans les zones Anuak, Mezhenger et Nuer dans la région de Gambellla; Dans la région de Harari, Arsi, East Hararge, Horo Guduru Wolllega, Illubabor, Jimma, North Shewa et West Shewa dans la région d’Oromiya; Dans Bench Maji, Gamo Gofa, Gurage, Hadiya, Kffa, Sidama et Wolayta dans la région du SNNP; Dans les zones de Nogob et de Shebele dans la région somalienne; et les zones centrales et orientales de Tigray dans la région de Tigray.
Les districts à haut risque de la TB, la plupart d’entre eux se chevauchaient avec le district à haut risque du VIH, mais dans certaines régions, ils étaient différents. Le district qui présente un risque élevé de tuberculose était dans les deux administrations de la ville, dans toutes les zones de la région AFAR; Dans les zones d’East Gojjam, du sud de Wollo, du Nord Gondar et de North Shewa dans la région d’Amhara; Dans les zones de Kemashi et Metekel dans la région de Benishangul-Gumuz; Dans la zone Anuak dans la région de Gambella, la région de Harari, Arsi, Bale, East Wellega, Finfine Zuria, Ilu Aba Bora, Jimma et North Shewa, West Hararge et West Shewa dans la région d’Oromiya; Bench Maji, Gamo Gofa, Gurage, Kffa, Sidama, South Omo et Wolayta dans la région du SNNP; Dans les zones de Lder, Gode et Shinle dans la région somalienne et les zones centrales, nord-ouest et sud de Tigray dans la région de Tigray.
La figure 7 montre les risques relatifs pour l’effet spatial partagé ( ( Exp ( Omega _i) )) et les effets spatiaux spécifiques à la maladie ( ( Exp ( nu _ {di}) ) )). Dans les trois cartes, il y avait des districts communs à haut risque dans chaque région et les deux administrations de la ville. D’un autre côté, par rapport aux schémas spatiaux spécifiques à la maladie TB, le nombre de districts à risque relatif élevé ( (> 1,0 )) des schémas spatiaux spécifiques à la maladie du VIH est plus élevé, suivi du nombre de districts avec un Risque relatif élevé ( (> 1.0 )) de modèles spatiaux partagés. Cela peut être dû au fait que le VIH dépend plus du terme spatial partagé, ce qui signifie que le modèle partagé explique la plupart des schémas spécifiques à la maladie du VIH. La présence de variation spatiale ou de regroupement partagée représentée sur la figure 7a peut être interprétée comme une substitution pour les covariables qui présentent une variation spatiale non incluse dans le modèle mais partagée avec les deux maladies [27].
Fig. 7
Risque relatif de modèles spatiaux partagés ( ( Omega _ {i} )) et des modèles spatiaux spécifiques à la maladie ( ( nu _ {di} )))
Analyse temporelle
Les risques relatifs associés à l’effet aléatoire temporel partagé ( exp ( phi _t) ), effets aléatoires temporels spécifiques à la maladie ( Exp ( Gamma _ {dt}) ), et l’effet de tendance partagée ( exp ( phi _t + gamma _ {dt}) ) sont représentés sur la figure 8. L’effet aléatoire temporel partagé suggère une légère augmentation du risque de 2015 à 2017, puis une diminution du risque en 2018. Les valeurs estimées des risques sont dans l’intervalle [0.808, 1.165]. L’effet temporel spécifique à la maladie du VIH ne s’écarte pas du modèle temporel partagé (ses valeurs varient entre 0,773 et 1,177). Cependant, le modèle temporel spécifique pour la tuberculose présente un risque relatif proche de un pour la période d’étude (sa valeur varie entre 0,947 et 1,102). Les parcelles de la figure 8 montrent que l’effet temporel partagé capture presque la tendance croissante du risque VIH pour les trois premières années d’étude, puis une tendance diminuée en 2018, tandis que l’effet spécifique est négligeable car les estimations de risque relatives sont très proches d’un pour toutes les années.
Fig. 8
Risques relatifs de l’effet temporel partagé ( exp ( phi _t) ) (un), effets temporels spécifiques à la maladie ( exp ( gamma _ {dt}) ) (b, c) et effet temporel total ( exp ( phi _t + gamma _ {dt}) ) (d)
Semblable à l’effet aléatoire temporel partagé et à la tendance temporelle spécifique à la maladie du VIH, la tendance temporelle combinée pour le VIH a montré une augmentation initiale du risque au cours des trois premières années, puis une tendance décroissante pour 2018 (ses valeurs varient entre 0,653 et 1,293), tandis que La tendance temporelle combinée de la tuberculose était presque constante à 1 au cours de la période d’étude (ses valeurs varient entre 0,990 et 1,022). Sur la base des données de notification des cas, le risque relatif de VIH avait une tendance croissante entre 2016 et 2018, et ce risque était généralement plus élevé que le risque relatif de tuberculose au cours de la même période.
Le tableau 2 affiche également des statistiques sommaires des poids ( kappa _d ), (d = 1, 2 ) pour la tendance temporelle partagée. Le poids pour le VIH ( ( kappa _1 = 0,964 )) était plus élevé que celui de TB ( ( kappa _2 = 0,582 )). Étant donné que le poids pour le VIH est très proche de l’un, cela suggère que cette maladie a une forte dépendance à l’égard du modèle temporel partagé.
Analyse spatio-temporelle conjointe
Pour identifier les districts ayant les interactions dans l’espace-temps les plus substantielles, nous avons produit une carte mettant en évidence les districts ayant des probabilités postérieures de présenter un risque relatif supérieur à un (risque relatif de dépasse) pour l’interaction spatio-temporelle conjointe lissée pour chaque période d’étude de la figure 9. Dans la figure, si la probabilité postérieure d’un district est dans l’intervalle [0.81, 1.00]Ensuite, il est compté comme une zone à haut risque pour une maladie (VIH ou TB) [40]. Le nombre de districts par région avec des probabilités postérieures dans l’intervalle [0.81, 1.00] Varie entre 0 et 21 en 2015 (0 districts dans les régions de Benishengul-Gumuz et Harari et 21 districts de la région d’Oromia); Entre 0 et 14 en 2016 (0 districts dans les régions AFAR, Benishengul-Gumuz, Gembella et Harari, et 14 districts de la région d’Oromia); Entre 0 et 16 en 2017 (0 districts dans les deux administrations de la ville, AFAR, Benishengul-Gumuz, Gambella et Harari, et 16 districts de la région d’Oromia), et entre 0 et 11 en 2018 (0 œuvre dans les deux administrations de la ville , Benishengul-Gumuz, Gambella et Harari, et 11 districts de la région d’Oromia). Le pays comptait 58, 32, 43 et 27 de ces districts en 2015, 2016, 2017 et 2018, respectivement.
Fig. 9
Probabilités postérieures d’avoir une estimation du terme d’interaction espace-temps commun Risque relatif ( exp ( psi _ {it}) ) supérieur à 1, ie (p ( exp ( psi _ {it})>> 1 | textbf {y}) ) pour chaque période d’étude
In 2015, Relatatively More Districts with high risks were notre in East and West Gojjam, South Gondar and South Wollo Zones in the Amhara region, Bale, West Hararge, West Hararge, West Hararge and West Wollega Zones in the Oromiya region, Gurage zone in Région SNNP, zones Tigray est et nord-ouest dans la région de Tigray. De même, en 2016, de telles choses ont été observées dans les zones nord et Wollo dans la région d’Amhara, dans le nord et l’ouest de Shoa, dans l’est et l’ouest de Wolllega dans la région d’Oromiya; En 2017, les zones North et South Wollo et North Shewa dans la région d’Amhara, East Hararge et West Shoa dans la région d’Orpmiya et les zones centrales et Tigray sud de la région du Tigray; Où 2018, dans la zone West Shoa dans la région d’Oromia et la zone de Gamo Goffa dans la région du SNNP.
#Modélisation #spatiotemporelle #conjointe #tuberculose #virus #limmunodéficience #humaine #Éthiopie #utilisant #une #approche #hiérarchique #bayésienne #BMC #Santé #publique