Perceived risk factors and risk pathways of Rift Valley fever in cattle in Ijara district, Kenya
Notice bibliographique
Résumé
Ijara district in Kenya was one of the hotspots of Rift Valley fever (RVF) during the 2006/2007 outbreak, which led to human and animal deaths causing major economic losses. The main constraint for the control and prevention of RVF is inadequate knowledge of the risk factors for its occurrence and maintenance. This study was aimed at understanding the perceived risk factors and risk pathways of RVF in cattle in Ijara to enable the development of improved community-based disease surveillance, prediction, control and prevention. A cross-sectional study was carried out from September 2012 to June 2013. Thirty-one key informant interviews were conducted with relevant stakeholders to determine the local pastoralists' understanding of risk factors and risk pathways of RVF in cattle in Ijara district. All the key informants perceived the presence of high numbers of mosquitoes and large numbers of cattle to be the most important risk factors contributing to the occurrence of RVF in cattle in Ijara. Key informants classified high rainfall as the most important (12/31) to an important (19/31) risk factor. The main risk pathways were infected mosquitoes that bite cattle whilst grazing and at watering points as well as close contact between domestic animals and wildlife. The likelihood of contamination of the environment as a result of poor handling of carcasses and aborted foetuses during RVF outbreaks was not considered an important pathway. There is therefore a need to conduct regular participatory community awareness sessions on handling of animal carcasses in terms of preparedness, prevention and control of any possible RVF epizootics. Additionally, monitoring of environmental conditions to detect enhanced rainfall and flooding should be prioritised for preparedness.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».