Predictive modelling and spatial pattern of malaria prevalence and associated population and ecological risk factors in Rwanda = 르완다 말라리아 유병률의 예측 모델링과 공간 패턴 및 관련 인구학적·생태학적 위험요인

국문 초록 (Abstract)

배경
주로 암컷 아노펠레스 모기에 의해 전파되는 생명을 위협하는 기생충 질환인 말라리아는 전 세계적으로 지속적인 보건 부담을 야기하고 있다. 말라리아 전파를 통제하고 감소시키기 위한 전 세계적 노력에도 불구하고, 이 질병은 특히 르완다와 같은 국가의 보건 시스템에 상당한 부담을 계속 가하고 있다. 근거 기반 말라리아 중재 전략은 대상 집단 내에서 인구학적 위험 프로필, 생태학적 조건, 그리고 질병 유병률의 공간적 분포 간의 다인자적 관계에 대한 엄밀한 분석에 기반해야 한다. 동물 예방 효과(zooprophylaxis), 관개, 사회경제적 지위와 같은 생태학적 및 인구학적 요인들은 지역별 말라리아 유병률의 변이에 기여한다. 지리정보시스템(GIS)과 예측 모델링은 고위험 지역을 식별하고 이러한 위험요인들이 말라리아 전파에 미치는 영향을 평가하는 데 유용한 도구가 되었다. 이러한 통찰력은 말라리아 발생률을 효과적으로 감소시키고 공중보건 성과를 개선할 수 있는 표적화된 중재를 맞춤화하는 데 필수적이다. 따라서 본 박사학위논문의 주요 목적은 전국적으로 대표성을 갖는 2019-2020년 인구보건조사의 포괄적 데이터를 활용하여 르완다 전역의 말라리아 유병률 예측 모델을 개발하고 분석하는 동시에 공간 역학적 패턴과 관련된 인구 수준 및 생태학적 위험 변수를 매핑하는 것이다. 고위험 지역을 식별하고 말라리아 전파의 주요 동인을 이해함으로써, 본 연구는 더욱 정확하고 효과적인 말라리아 통제 프로그램에 기여하며, 궁극적으로 르완다 전역에서 말라리아 관련 이환율과 사망률의 의미 있는 감소를 위해 노력할 것이다.
방법
본 연구는 전국적 대표성을 제공하는 2019-2020년 실시된 르완다 제6차 인구보건조사(2019-2020 RDHS)의 포괄적 데이터를 활용하였다. R 버전 4.3.1을 사용한 로지스틱 회귀분석을 통해 인구 특성과 환경 요인이 르완다 전역의 말라리아 유병률에 미치는 영향을 조사하는 동시에 이러한 생태학적 결정요인과 질병 발생 간의 상호작용 관계를 탐구하였다.
5세 미만 아동과 여성의 말라리아 유병률은 신속진단검사와 혈액도말 현미경 검사를 통해 확인되었다. 르완다의 주요 말라리아 결정요인을 식별하기 위해 살충제 처리 모기장 사용과 가구 소득 지수와 같은 요인들을 조사하는 다변량 분석을 실시하였다. 또한 본 연구는 예측 모델링을 위한 기계학습 접근법의 잠재력을 탐구하여, 말라리아 유병률의 가장 중요한 예측인자를 찾아내기 위해 Lasso, Ridge, Elastic Net 회귀 기법을 구현하였다.
말라리아 분포의 공간적 차원은 통합 중첩 라플라스 근사법(INLA), 확률편미분방정식(SPDE), 핫스팟 식별, 공간 자기상관 분석을 포함한 고급 지리공간 방법을 사용하여 분석하였으며, 르완다 전역의 말라리아와 관련 위험요인의 지리적 패턴을 매핑하였다.
목적
본 연구의 주요 목표는 르완다 인구에서 말라리아 유병률을 가장 효과적으로 예측하는 요인들을 결정하고 이들의 공간적 분포 패턴을 조사하는 것이다. 또한, 살충제 처리 모기장(ITN) 사용, 연령, 성별과 같은 인구 수준 요인들과 고도, 관개 관행, 가축 소유와 같은 생태학적 결정요인들이 말라리아 전파 역학에 미치는 기여도를 평가하는 것을 목표로 한다.
결과
첫 번째 연구는 인구학적 변수와 생태학적 결정요인의 포괄적 조사를 통해 말라리아 유병률을 조사하였으며, 특히 르완다에서 관개, 고도, 축산업이 질병 발생에 미치는 역할을 구체적으로 탐구하였다. 결과에 따르면 약 1.79%의 사람들이 말라리아 양성 반응을 보였다. 관개 지역 근처나 낮은 고도 지역에 거주하는 것은 각각 약 1.5배와 5배의 말라리아 감염 위험을 증가시켰다(AOR 1.47(1.00–2.15), AOR 5.44(4.01–8.61)). 가축 소유는 질병 위험을 낮추는 것으로 나타났다(AOR 0.41(0.23–0.72)). 연구는 또한 가축 소유와 관개 간의 상호작용을 밝혔다. 이에 더해 거주지 유형, 연령, 소득, ITN 사용도 말라리아 유병률과 관련이 있었다. 본 연구는 르완다 내 말라리아의 지속적인 부담을 재확인하면서 맥락 특이적 예방 접근법의 필요성을 강조한다. 성공적인 말라리아 통제 이니셔티브는 축산 인구 역학을 포함한 환경적 결정요인과 사회인구학적 특성 간의 복잡한 관계를 신중히 통합해야 하며, 특히 저고도 지역과 광범위한 관개 인프라가 있는 지역에 거주하는 취약한 지역사회에 특별한 주의를 기울여야 한다.
두 번째 연구는 기계학습 방법이 르완다의 말라리아 유병률 예측과 말라리아 결정요인 파악에 어떻게 활용될 수 있는지 탐구하였다. 이 분석은 계절적 패턴, 아동 연령, 사회경제적 지위, 모기장 사용이 르완다 전역의 말라리아 유병률에 미치는 영향을 조사하였다. 고급 특성 선택 기법을 통해 LASSO 회귀가 10개의 예측 변수를 식별한 반면, Ridge와 Elastic Net 모델은 각각 20개와 15개의 특성을 포함시켰다. LASSO 접근법이 최소 오차율로 모델 단순성과 예측 정확성 간의 최적 균형을 제공하여 가장 효과적임이 입증되었다. 주요 발견사항은 24개월 이상의 아동, 가장 빈곤한 가정 출신, 낮은 고도 거주, 관개 시설 근처 거주 아동에서 말라리아 위험이 특히 높다는 것이었다.
LASSO 모델은 르완다의 말라리아 유병률 예측을 위한 단순하고 해석 가능하며 매우 정확한 솔루션을 제공하는 최고 성능 모델로 식별되었다. 특성 선택과 다중공선성 처리에서의 효과는 중요한 위험요인을 포착하는 견고한 모델을 보장한다. 훈련 및 검증 데이터셋 모두에서의 모델 성능에 대한 포괄적 평가와 강력한 예측 성능 지표는 공중보건 전략에 대한 모델의 적용 가능성을 강조한다. 본 연구는 말라리아 위험 예측에서 사회경제적 지위, 환경 조건, 예방 조치(예: 모기장 사용)의 중요성을 강조하며, 르완다의 말라리아 예방 노력에서 표적화된 중재를 위한 영역을 강조한다.
세 번째 연구는 르완다 말라리아 유병률의 공간적 패턴과 위험요인의 공간 모델링을 조사하였다. 본 연구는 공간적 의존성과 변이의 정확한 모델링을 위해 INLA와 SPDE 방법을 사용하였으며, 공간 자기상관과 핫스팟 분석을 통해 중요한 클러스터와 고위험 지역을 식별하였다. 결과는 특정 환경적 및 사회경제적 조건과 연결된 뚜렷한 핫스팟을 가진 말라리아 유병률의 현저한 공간적 이질성을 보여준다. Global Moran's I와 핫스팟 분석을 사용한 공간 자기상관 분석은 특히 르완다 남부와 동부 지역에서 말라리아 유병률의 핫스팟과 클러스터가 있음을 보여주었다. 북부와 서부는 말라리아 유병률의 콜드스팟을 나타냈다. 또한, 공간 분석은 특히 저지대에서의 말라리아 유병률과 르완다의 서로 다른 지역에 걸친 관련 위험요인의 다양한 지리적 분포를 보여준다. INLA SPDE 모델의 발견사항은 환경 요인, 인간 행동, 말라리아 전파 역학 간의 복잡한 상호작용을 강조한다. 이 분석은 지역 조건에 반응하는 다면적 말라리아 통제 전략을 위한 포괄적이고 다차원적인 접근법의 필요성을 명확히 한다. 후속 연구 노력은 이러한 역학적 연관성에 대한 향상된 설명을 제공하고 기후 변동성이 말라리아 전파 패턴에 미치는 영향을 조사하기 위해 종단 연구 설계의 구현을 우선시해야 한다. 이러한 연구 궤도는 환경 변화의 맥락 내에서 벡터-병원체-숙주 상호작용의 진화하는 역학을 포착하는 포괄적인 시간적 평가를 포함해야 한다.
결론
본 연구는 르완다의 말라리아 유병률에 영향을 미치는 결정요인과 이들의 공간적 분포에 대한 심층 분석을 제공한다. 예측 모델링과 공간 분석 기법을 통합함으로써, 본 연구는 말라리아 전파 역학에 대한 포괄적 이해를 제공하고 르완다 맥락에 맞춘 근거 기반 말라리아 통제 전략을 정보화한다. 우리 연구에서 식별된 예측인자들은 르완다의 말라리아 통제 노력을 강화하기 위한 정책적 초점과 중재를 필요로 한다. 우리 연구에서 사용된 기계학습 기법, 특히 LASSO 회귀 방법은 5세 미만 여성과 아동의 말라리아 유병률 예측인자를 식별하는 데 유리할 수 있다. 본 연구는 르완다 말라리아 유병률의 공간 역학에 대한 상세한 이해를 제공하여 표적화된 중재를 위한 중요한 영역을 강조한다. 마지막으로, INLA, SPDE, 공간 자기상관, 핫스팟 분석의 통합은 말라리아 감시 및 통제 전략을 위한 견고한 프레임워크를 제공한다. 이러한 발견사항은 정책입안자와 공중보건 관계자들이 고위험 지역에서 자원 배분을 최적화하고 효과적인 말라리아 예방 및 관리 프로그램을 구현하는 데 도움을 줄 수 있다.

다국어 초록 (Multilingual Abstract)

Background
Malaria, a life-threatening parasitic disease transmitted primarily by female Anopheles mosquitoes, continues to exert a significant health burden globally. Despite global efforts to control and reduce malaria transmission, the disease continues to pose a substantial burden on health systems, particularly in countries like Rwanda. Evidence-based malaria intervention strategies must be grounded in rigorous analysis of the multifactorial relationships between demographic risk profiles, ecological conditions, and the spatial distribution of disease prevalence within target populations. Ecological and population factors such as zooprophylaxis, irrigation and socioeconomic status contribute to the variability of malaria prevalence across different regions. Geographic Information Systems (GIS) and predictive modeling have become valuable tools in identifying high-risk areas and assessing the influence of these risk factors on malaria transmission. Such insights are essential for tailoring targeted interventions that can effectively reduce malaria incidence and improve public health outcomes. Thus, the primary objective of this doctoral thesis is to develop and analyze predictive models for malaria prevalence while mapping spatial epidemiological patterns and their associated population-level and ecological risk variables across Rwanda, leveraging comprehensive data from the nationally representative 2019-2020 Demographic and Health Survey. By identifying high-risk areas and understanding the driving factors behind malaria transmission, this research will contribute to more precise and effective malaria control programs, ultimately working toward the meaningful reduction of malaria-related morbidity and mortality throughout Rwanda.
Methods
This research drew upon comprehensive data from Rwanda's sixth Demographic and Health Survey, conducted between 2019 and 2020(2019-2020 RDHS), which provided nationally representative coverage. Logistic regression analysis was employed using R version 4.3.1 to examine how population characteristics and environmental factors influence malaria prevalence across Rwanda, while also investigating the interactive relationships between these ecological determinants and disease occurrence.
Malaria prevalence among women and children under five years was determined through rapid diagnostic testing and blood smear microscopy. To identify key malaria determinants in Rwanda, multivariate analyses was conducted examining factors such as insecticide-treated net usage and household wealth indices. Additionally, this study explored the potential of machine learning approaches for predictive modeling, implementing Lasso, Ridge, and Elastic Net regression techniques to pinpoint the most significant predictors of malaria prevalence.
The spatial dimension of malaria distribution was analyzed using advanced geospatial methods, including Integrated Nested Laplace Approximations (INLA), Stochastic Partial Differential Equations (SPDE), hotspot identification, and spatial autocorrelation analyses to map the geographical patterns of malaria and associated risk factors throughout Rwanda.

Objectives
The main goal of this research is to determine which factors most effectively predict malaria prevalence among the Rwandan population and to examine their spatial distribution patterns. Additionally, the study aims to assess the contributions of population-level factors such as insecticide-treated net (ITN) usage, age, and sex, as well as ecological determinants including elevation, irrigation practices, and cattle ownership, to malaria transmission dynamics.

Results
The first study examined malaria prevalence through comprehensive examination of demographic variables and ecological determinants, specifically investigating the roles of irrigation, elevation and livestock farming in disease occurrence in Rwanda. like irrigation, elevation as well as livestock. on malaria in Rwanda. The results showed that about 1.79% of people tested positive for malaria. Living close to irrigation areas or in lower altitude areas really raised the chance of contracting malaria by about 1.5 and 5 times, respectively(AOR) 1.47(1.00–2.15) and AOR 5.44(4.01–8.61). Having livestock seemed to lower the risk of the disease (AOR 0.41(0.23–0.72). The study also revealed the interaction between owning livestock and irrigation. In addition, type of residence, age, income, and using ITNs also are related to malaria prevalence. This study reinforces the ongoing burden of malaria within Rwanda while emphasizing the necessity for context-specific prevention approaches. Successful malaria control initiatives must carefully integrate the complex relationships between environmental determinants, including livestock population dynamics, and sociodemographic characteristics, with particular attention directed toward vulnerable communities residing in low-altitude regions and areas with extensive irrigation infrastructure.

The second study explored how machine learning methods can be used to predict malaria prevalence in Rwanda as well as determinants of malaria in Rwanda. This analysis examined the influence of seasonal patterns, child age, socioeconomic status, and bed net utilization on malaria prevalence across Rwanda. Through advanced feature selection techniques, I found that LASSO regression identified 10 predictive variables, while Ridge and Elastic Net models incorporated 20 and 15 features respectively. The LASSO approach proved most effective, offering an optimal balance between model simplicity and predictive accuracy with minimal error rates. Key findings indicated that malaria risk among children was particularly elevated for those beyond 24 months of age, from the poorest families, residing at lower elevations, and living close to irrigation systems.
The LASSO model was identified as the best-performing model, offering a simple, interpretable, and highly accurate solution for predicting malaria prevalence in Rwanda. Its effectiveness in feature selection and handling multicollinearity ensures a robust model that captures significant risk factors. The comprehensive assessment of model performance on both training and validation datasets, alongside strong predictive performance metrics, underscores the model's applicability for public health strategies. This study highlights the importance of socio-economic status, environmental conditions, and preventive measures (e.g., mosquito net use) in predicting malaria risk, emphasizing areas for targeted intervention in malaria prevention efforts in Rwanda.

The third study investigated spatial patterns and spatial modelling of risk factors for malaria prevalence in Rwanda. This study employed INLA and SPDE methods for precise modeling of spatial dependencies and variations, while spatial autocorrelation and hotspot analysis were used to identify significant clusters and high-risk areas. The results reveal pronounced spatial heterogeneity in malaria prevalence, with distinct hotspots linked to specific environmental and socio-economic conditions. The spatial autocorrelation analysis using Global Moran’s I and hotspots analysis demonstrated that there are hotspots and clusters for malaria prevalence in Rwanda especially in South and Easter parts of Rwanda. The north and West exhibited the cold spots for malaria prevalence. In addition, Spatial analysis demonstrates varying geographical distributions of malaria prevalence especially in the lowlands and its associated risk factors across different regions of Rwanda. The findings from the INLA SPDE model highlight the complex interplay between environmental factors, human behavior, and malaria transmission dynamics. This analysis elucidates the imperative for comprehensive, multidimensional approaches for multi-faceted malaria control strategies that are responsive to local conditions. Subsequent investigative endeavors should prioritize the implementation of longitudinal research designs to provide enhanced elucidation of these epidemiological associations and examine the ramifications of climatic variability on malaria transmission patterns. Such research trajectories should encompass comprehensive temporal assessments that capture the evolving dynamics of vector-pathogen-host interactions within the context of environmental transformation.

Conclusion
This research provides in-depth analysis of the determinants influencing malaria prevalence in Rwanda and their spatial distribution. By integrating predictive modeling and spatial analysis techniques, this study provides a comprehensive understanding of malaria transmission dynamics and informs evidence-based malaria control strategies tailored to the Rwandan context. The predictors identified in our study warrant policy focus and interventions to enhance malaria control efforts in Rwanda. The machine learning techniques used in our research, particularly the LASSO regression method, could be advantageous for identifying predictors of malaria prevalence among women and children under the age of 5. The study provides a detailed understanding of the spatial dynamics of malaria prevalence in Rwanda, highlighting critical areas for targeted interventions. Lastly, the integration of INLA, SPDE, spatial autocorrelation, and hotspot analysis offers a robust framework for malaria surveillance and control strategies. These findings can assist policymakers and public health officials in optimizing resource allocation and implementing effective malaria prevention and management programs in high-risk areas.

목차 (Table of Contents)

• Contents
• Abstract iii
• List of tables xiii
• List of figures xiv
• CHAPTER 1. Introduction 1
• 1.1. Background 2
• 1.2. Approach of this thesis 14
• 1.3. Purpose of research and structure of the thesis 15
• CHAPTER 2. Malaria prevalence and associated population and ecological risk factors in Rwanda 23
• 2.1. Introduction 24
• 2.2. Methods 29
• 2.3. Results 36
• 2.4. Discussion 42
• 2.6. Conclusions 53
• CHAPTER 3. Determinants of malaria persistence and predictive modelling of malaria prevalence in Rwanda 55
• 3.1. Introduction 56
• 3.2. Methods 63
• 3.3. Results 66
• 3.4. Discussion 79
• 3.5. Conclusion 83
• CHAPTER 4. Spatial modelling of risk factors for malaria prevalence in Rwanda 85
• 4.1. Introduction 86
• 4.2. Methods 91
• 4.3. Results 98
• 4.4. Discussion 114
• CHAPTER 5. Overall discussion and conclusion 123
• 5.1. Summary 124
• 5.2. Interpretation and Implication 127
• 5.3. Limitations and future researches 133
• 5.4. Conclusion 137
• References 139
• Abstract in Korean 167