Seasonality Assessment for Biosurveillance Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Biosurveillance systems for infectious diseases typically deal with nonlinear time series. This nonlinearity is due to the non-Gaussian and nonstationary nature of an outcome process. Infectious diseases (ID), waterborne and foodborne enteric infections in particular, are typically characterized by a sequence of sudden outbreaks, which are often followed by long low endemic levels. Multiple outbreaks occurring within a relatively short time interval form a seasonal pattern typical for a specific pathogen in a given population. Seasonal variability in the probability of exposure combined with a partial immunity to a pathogen adds to the complexity of seasonal patterns. Although seasonal variation is a well-known phenomenon in the epidemiology of enteric infections, simple analytical tools for examination, evaluation, and comparison of seasonal patterns are limited. This obstacle also limits analysis of factors associated with seasonal variations. The objectives of this paper are to outline the notion of seasonality, to define characteristics of seasonality, and to demonstrate tools for assessing seasonal patterns and the effects of environmental factors on such patterns. To demonstrate these techniques, we conducted a comparative study of seasonality in Salmonella cases as reported by the state surveillance system in relation to seasonality in ambient temperature, and found that the incidence in Salmonella infection peaked two weeks after a peak in temperature. The results suggest that ambient temperature can be a potential predictor of Salmonella infections at a seasonal scale.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 découle