Prioritizing Zoonotic Diseases: Differences in Perspectives Between Human and Animal Health Professionals in North America
Notice bibliographique
Résumé
Zoonoses pose a significant burden of illness in North America. Zoonoses represent an additional threat to public health because the natural reservoirs are often animals, particularly wildlife, thus eluding control efforts such as quarantine, vaccination and social distancing. As there are limited resources available, it is necessary to prioritize diseases in order to allocate resources to those posing the greatest public health threat. Many studies have attempted to prioritize zoonoses, but challenges exist. This study uses a quantitative approach, conjoint analysis (CA), to overcome some limitations of traditional disease prioritization exercises. We used CA to conduct a zoonoses prioritization study involving a range of human and animal health professionals across North America; these included epidemiologists, public health practitioners, research scientists, physicians, veterinarians, laboratory technicians and nurses. A total of 699 human health professionals (HHP) and 585 animal health professionals (AHP) participated in this study. We used CA to prioritize 62 zoonotic diseases using 21 criteria. Our findings suggest CA can be used to produce reasonable criteria scores for disease prioritization. The fitted models were satisfactory for both groups with a slightly better fit for AHP compared to HHP (84.4% certainty fit versus 83.6%). Human-related criteria were more influential for HHP in their decision to prioritize zoonoses, while animal-related criteria were more influential for AHP resulting in different disease priority lists. While the differences were not statistically significant, a difference of one or two ranks could be considered important for some individuals. A potential solution to address the varying opinions is discussed. The scientific framework for disease prioritization presented can be revised on a regular basis by updating disease criteria to reflect diseases as they evolve over time; such a framework is of value allowing diseases of highest impact to be identified routinely for resource allocation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,018 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».