Looking Forward by Looking Back: Using Historical Calibration to Improve Forecasts of Human Disease Vector Distributions
Notice bibliographique
Résumé
Arthropod disease vectors, most notably mosquitoes, ticks, tsetse flies, and sandflies, are strongly influenced by environmental conditions and responsible for the vast majority of global vector-borne human diseases. The most widely used statistical models to predict future vector distributions model species niches and project the models forward under future climate scenarios. Although these methods address variations in vector distributions through space, their capacity to predict changing distributions through time is far less certain. Here, we review modeling methods used to validate and forecast future distributions of arthropod vectors under the effects of climate change and outline the uses or limitations of these techniques. We then suggest a validation approach specific to temporal extrapolation models that is gaining momentum in macroecological modeling and has great potential for epidemiological modeling of disease vectors. We performed systematic searches in the Web of Science, ScienceDirect, and Google Scholar to identify peer-reviewed English journal articles that model arthropod disease vector distributions under future environment scenarios. We included studies published up to and including June, 2014. We identified 29 relevant articles for our review. The majority of these studies predicted current species niches and projected the models forward under future climate scenarios without temporal validation. Historically calibrated forecast models improve predictions of changing vector distributions by tracking known shifts through recently observed time periods. With accelerating climate change, accurate predictions of shifts in disease vectors are crucial to target vector control interventions where needs are greatest.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».