పియస్ కిప్ంగెటిచ్ కిరుయ్, బెన్సన్ కిప్కెంబోయ్ కెండుయివో మరియు ఎడ్వర్డ్ హుంజా వైథాకా
ట్రాకోమా అనేది నిర్లక్ష్యం చేయబడిన ఉష్ణమండల వ్యాధి మరియు అంధత్వానికి ప్రధాన అంటు కారణం, కెన్యాలో ఇది 19% అంధత్వానికి కారణం. కెన్యాలో అనుబంధిత ప్రమాద కారకాలపై గత పరిశోధనలు సాంప్రదాయ ప్రభావ సర్వే డేటాపై మాత్రమే ఆధారపడి ఉన్నాయి, అయితే ట్రాకోమా ట్రాన్స్మిషన్ను మోడలింగ్ చేయడంలో పర్యావరణ మరియు వాతావరణ సంభావ్య ప్రమాద కారకాలను చేర్చాల్సిన అవసరాన్ని కోరుతున్నప్పటికీ, అనుమానిత స్థానిక ప్రాంతాలలో వ్యాప్తి యొక్క ఏకరీతి పంపిణీ లేదు. కాబట్టి మా అధ్యయనం సాంప్రదాయ రిగ్రెషన్ మోడల్లతో పోలిస్తే వేరియబుల్ ఎంపిక, అంచనా మరియు అంచనాలలో ప్రాదేశిక రిగ్రెషన్ మోడల్లను ఉపయోగించడం ద్వారా ట్రాకోమా యొక్క ప్రాబల్యాన్ని మరియు దాని సంబంధిత ప్రమాద కారకాలను నిర్ణయించడం లక్ష్యంగా పెట్టుకుంది. ట్రాకోమా సర్వేలు మరియు రిమోట్గా గ్రహించిన పర్యావరణ మరియు వాతావరణ డేటా నుండి డేటాను ఉపయోగించడం ద్వారా, ప్రాదేశిక మరియు నాన్-స్పేషియల్ రిగ్రెషన్ నమూనాలు అమలు చేయబడ్డాయి. రిగ్రెషన్ ఫలితాలు క్రిగింగ్ మరియు భౌగోళికంగా వెయిటెడ్ రిగ్రెషన్ ఉపయోగించి ప్రాదేశిక ఇంటర్పోలేషన్లో ఉపయోగించబడ్డాయి. వర్షపాతం, పిల్లల ముఖంలో ఈగలు ఉండటం, పిల్లల మురికి ముఖాలు మరియు శుష్కత్వం ట్రాకోమా ప్రసారానికి దోహదపడే ముఖ్యమైన వేరియబుల్స్గా గుర్తించబడ్డాయి. స్పేషియల్ లాగ్ మోడల్ 385.08 యొక్క అకైకే సమాచార ప్రమాణం యొక్క అతి తక్కువ విలువను కలిగి ఉంది కాబట్టి మిగిలిన రిగ్రెషన్స్ మోడల్లతో పోలిస్తే సాపేక్షంగా మెరుగైన పనితీరును కనబరిచింది. డేటా సేకరించబడని ప్రదేశాలలో ప్రాబల్యాన్ని అంచనా వేయడంలో, భౌగోళికంగా వెయిటెడ్ రిగ్రెషన్ కంటే మల్టీవియారిట్ రిగ్రెషన్ క్రిగింగ్ కొంచెం మెరుగ్గా ఉంది. వేరియబుల్ ఎంపిక మరియు ట్రాకోమా ప్రాబల్యం యొక్క ప్రాదేశిక అంచనా రెండింటిలోనూ సాంప్రదాయ రిగ్రెషన్ మోడల్లతో పోలిస్తే ప్రాదేశిక రిగ్రెషన్ నమూనాలు మెరుగ్గా పనిచేస్తాయని అధ్యయనం చూపిస్తుంది. AIC విలువ మరియు R-స్క్వేర్డ్ ఆధారంగా వేరియబుల్ ఎంపికలో ఇతర రిగ్రెషన్ మోడల్లతో పోలిస్తే ప్రాదేశిక లాగ్ సాపేక్షంగా మెరుగ్గా ఉన్నప్పటికీ, ప్రాదేశిక రిగ్రెషన్లలో పొందబడిన ముఖ్యమైన వేరియబుల్స్ ఒకే విధంగా ఉన్నాయి. రెండు ప్రాదేశిక ఇంటర్పోలేషన్ పద్ధతుల మధ్య కనీస వ్యత్యాసం ఉంది.