Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phát triển bản đồ mật độ ruồi giác để hướng dẫn các can thiệp chống bệnh ngủ châu Phi ở phía Bắc Uganda
Parasites and Vectors - 2018
Tóm tắt
Kiểm soát véc tơ đang nổi lên như một thành phần quan trọng trong nỗ lực toàn cầu nhằm kiểm soát bệnh ngủ Gambia (trypanosomiasis châu Phi ở người, HAT). Việc triển khai các mục tiêu được điều trị bằng thuốc diệt côn trùng (“Mục tiêu Nhỏ”) để thu hút và tiêu diệt ruồi tsetse sống gần sông, các véc tơ của Trypanosoma brucei gambiense, đã cho thấy sự hiệu quả về chi phí. Khi phương pháp kiểm soát véc tơ này tiếp tục được áp dụng trên diện rộng, hiểu biết về sự phong phú của ruồi tsetse để định hướng cho việc triển khai các “Mục tiêu Nhỏ” sẽ trở nên ngày càng có giá trị. Trong bài báo này, chúng tôi sử dụng khung mô hình địa thống kê để sản xuất các bản đồ về mật độ ước lượng của ruồi tsetse dưới hai kịch bản: (i) khi có dữ liệu chính xác về mạng lưới sông địa phương; và (ii) khi thông tin về sông còn thiếu. Dữ liệu về mật độ ruồi tsetse được thu thập từ một khảo sát trước can thiệp thực hiện ở phía Bắc Uganda vào năm 2010. Dữ liệu mạng lưới sông được thu thập từ các bản đồ đã số hóa hoặc từ các dữ liệu mô hình độ cao kỹ thuật số (DEM) có độ phân giải 30 m như một đại diện cho dữ liệu sự thật trên mặt đất. Các biến môi trường khác được lấy từ dữ liệu viễn thám có độ phân giải công khai (ví dụ: Landsat, 30 m độ phân giải). Các mô hình địa thống kê phân phối nhị cực âm bị dồn nén đã được áp dụng cho dữ liệu mật độ bằng cách sử dụng phương pháp xấp xỉ Laplace lồng ghép tích hợp, và các bản đồ về mật độ ước lượng của ruồi tsetse đã được sản xuất. Hạn chế phân tích chỉ vào các bẫy nằm trong vòng 100 m của bất kỳ con sông nào, các mối liên hệ tích cực đã được xác định giữa chiều dài sông và độ ẩm tối thiểu của đất/thảm thực vật của khu vực xung quanh cùng số lượng ruồi bắt hàng ngày, trong khi các mối liên hệ tiêu cực đã được phát hiện với độ cao và khoảng cách đến sông. Các mô hình đầu ra có thể phân biệt chính xác giữa các bẫy có số lượng ruồi bắt cao và thấp (ví dụ: < 5 hoặc > 5 ruồi/ngày), với một ROC-AUC (đặc điểm nhận dạng đầu vào - diện tích dưới đường cong) lớn hơn 0.9. Trong khi đường đi chính xác của sông không được gần đúng tốt bằng cách sử dụng dữ liệu DEM, các mô hình sử dụng dữ liệu sông derived từ DEM hoạt động tương tự như các mô hình tích hợp thông tin sông địa phương chính xác hơn. Những mô hình này giờ đây có thể được sử dụng để hỗ trợ trong việc thiết kế, triển khai và giám sát các hoạt động kiểm soát ruồi tsetse ở phía Bắc Uganda và có thể được sử dụng như một khuôn khổ để thực hiện các nghiên cứu tương tự ở các khu vực khác nơi Glossina fuscipes fuscipes lây lan bệnh ngủ Gambia.
Từ khóa
#bệnh ngủ Gambia #kiểm soát véc tơ #ruồi tsetse #mô hình địa thống kê #UgandaTài liệu tham khảo
Franco JR, Simarro PP, Diarra A, Jannin JG. Epidemiology of human African trypanosomiasis. Clin Epidemiol. 2014;6:257–75.
Cecchi G, Paone M, Argilés Herrero R, Vreysen M, Mattioli R, Kristjanson P, et al. Developing a continental atlas of the distribution and trypanosomal infection of tsetse flies (Glossina species). Parasit Vectors. 2015;8:284.
World Health Organization. Global Health Observatory Data Repository. 2016. http://apps.who.int/gho/data/node.main.A1636?lang=en. Accessed 22 May 2018.
Tirados I, Esterhuizen J, Kovacic V, Mangwiro TNC, Vale GA, Hastings I, et al. Tsetse control and Gambian sleeping sickness; Implications for control strategy. PLoS Negl Trop Dis. 2015;9:e0003822.
Lehane M, Alfaroukh I, Bucheton B, Camara M, Harris A, Kaba D, et al. Tsetse control and the elimination of Gambian sleeping sickness. PLoS Negl Trop Dis. 2016;10:e0004437.
Shaw APM, Tirados I, Mangwiro CTN, Esterhuizen J, Lehane MJ, Torr SJ, et al. Costs of using “tiny targets” to control Glossina fuscipes fuscipes, a vector of gambiense sleeping sickness in Arua District of Uganda. PLoS Negl Trop Dis. 2015;9:e0003624.
Simarro PP, Cecchi G, Franco JR, Paone M, Diarra A, Priotto G, et al. Monitoring the progress towards the elimination of Gambiense Human African trypanosomiasis. PLoS Negl Trop Dis. 2015;9:e0003785.
Simarro P, Franco J, Diarra A, Ruiz Postigo J, Jannin J. Diversity of human African trypanosomiasis epidemiological settings requires fine-tuning control strategies to facilitate disease elimination. Res Rep Trop Med. 2013;4:1–6.
Giddings L, Naumann A. Technical Memorandum JSC - 11652 (2nd edn), Remote sensing for control of tsetse flies, NASA. 1976.
Dicko AH, Lancelot R, Seck MT, Guerrini L, Sall B, Lo M, et al. Using species distribution models to optimize vector control in the framework of the tsetse eradication campaign in Senegal. Proc Natl Acad Sci USA. 2014;111:10149–54.
Matawa F, Murwira KS, Shereni W. Modelling the distribution of suitable Glossina spp. habitat in the north western parts of Zimbabwe using remote sensing and climate data. Geoinformatics Geostatistics An Overv. 2013;S1:S1–S016.
Rogers DJ. Satellites, space, time and the African trypanosomiasis. Adv Parasitol. 2000;47:129–71.
Kovalskyy V, Roy DP. The global availability of Landsat 5 TM and Landsat 7 ETM+ land surface observations and implications for global 30 m Landsat data product generation. Remote Sens Environ. 2013;130:280–93.
Dowman I, Reuter HI. Global geospatial data from Earth observation: status and issues. Int J Digit Earth. 2016;10:328–41.
Gouteux JP, Lancien J. The pyramidal trap for collecting and controlling tsetse flies (Diptera: Glossinidae). Comparative trials and description of new collecting technics. Trop Med Parasitol. 1986;37:61–6.
Kitron U, Otieno L, Hungerford L, Odulaja A, Brigham W, Okello O, et al. Spatial analysis of the distribution of tsetse flies in the Lambwe Valley, Kenya, Using Landsat TM satellite imagery and GIS. J Anim Ecol. 1996;65:371–80.
Rogers D. Study of a natural population of Glossina fuscipes fuscipes Newstead and a model of fly movement. J Anim Ecol. 1977;46:309.
Guerrini L, Bord JP, Ducheyne E, Bouyer J, Aubreville A, Bouyer J, et al. Fragmentation analysis for prediction of suitable habitat for vectors: example of riverine tsetse flies in Burkina Faso. J Med Entomol. 2008;45:1180–6.
Ducheyne E, Mweempwa C, De Pus C, Vernieuwe H, De Deken R, Hendrickx G, et al. The impact of habitat fragmentation on tsetse abundance on the plateau of eastern Zambia. Prev Vet Med. 2009;91:11–8.
Mweempwa C, Marcotty T, De Pus C, Penzhorn BL, Dicko AH, Bouyer J, et al. Impact of habitat fragmentation on tsetse populations and trypanosomosis risk in Eastern Zambia. Parasit Vectors. 2015;8:406.
Lindgren F, Rue H. Bayesian spatial modelling with R - INLA. J Stat Softw. 2015;63:1–25.
Rue H, Martino S, Chopin N. Approximate Bayesian inference for latent Gaussian models by using integrated nested Laplace approximations. J R Stat Soc Ser B (Statistical Methodol). 2009;71:319–92.
Bivand RS, Gómez-Rubio V, Rue H. Spatial Data Analysis with R - INLA with Some Extensions. J Stat Softw. 2015;63:1–31.
Lindgren F, Rue H, Lindström J. An explicit link between Gaussian fields and Gaussian Markov random fields: the stochastic partial differential equation approach. J R Stat Soc Ser B (Statistical Methodol). 2011;73:423–98.
R-INLA. The R-INLA project: Likelihoods [Internet]. 2016. Available from: http://www.r-inla.org/models/likelihoods. Accessed 22 May 2018.
Gelman A, Carlin JB, Stern HS, Dunson DB, Vehtari A, Rubin DB. Bayesian data analysis. 3rd ed. Florida. USA: CRC Press; 2013.
Brier GW. Verification of forecasts expressed in terms of probability. Mon Weather Rev. 1950;78:1–3.
Hanley JA, Receiver operating characteristic (ROC) curves. Wiley StatsRef Stat Ref Online. UK: John Wiley & Sons, Ltd; 2014.
Machado A de B. Révision systématique des glossines du groupe palpalis - Diptera. Publicacoes Cult da Cia Diam. Angola. 1954;22:1–189.
Bursell E. The water balance of tsetse pupae. Philos Trans R Soc Lond B Biol Sci. 1958;241:179–210.
Yang K, Li M, Liu Y, Cheng L, Duan Y, Zhou M. River delineation from remotely sensed imagery using a multi-scale classification approach. IEEE J Sel Top Appl Earth Obs Remote Sens. 2014;7:4726–37.
Jiang H, Feng M, Zhu Y, Lu N, Huang J, Xiao T. An automated method for extracting rivers and lakes from Landsat imagery. Remote Sens. 2014;6:5067–89.
Robinson T, Rogers D, Williams B. Mapping tsetse habitat suitability in the common fly belt of southern Africa using multivariate analysis of climate and remotely sensed vegetation data. Med Vet Entomol. 1997;11:235–45.
Rogers DJ, Williams BG. Monitoring trypanosomiasis in space and time. Parasitology. 1993;106:S77–92.
Vale GA, Hargrove J, Lehane MJ, Solano P, Torr SJ. Optimal strategies for controlling riverine tsetse flies using targets: a modelling study. PLoS Negl Trop. 2015;9:e0003615.
Lord J, Torr S, Augty H, Brock P, Byamunga M, Hargrove J, et al. Geostatistical models using remotely-sensed data predict savanna tsetse decline across the interface between protected and unprotected areas in Serengeti, Tanzania. J Appl Ecol. 2018;00218901. https://besjournals.onlinelibrary.wiley.com/doi/full/10.1111/1365-2664.13091.
Rock KS, Torr SJ, Lumbala C, Keeling MJ. Quantitative evaluation of the strategy to eliminate human African trypanosomiasis in the Democratic Republic of Congo. Parasit Vectors. 2015;8:532.
Wang L, Qu JJ. Satellite remote sensing applications for surface soil moisture monitoring: A review. Front Earth Sci China. 2009;3:237–47.
Ndossi MI, Avdan U. Application of open source coding technologies in the production of land surface temperature (LST) maps from Landsat: a PyQGIS plugin. Remote Sens. 2016;8:413.