Drivers of Uncertainty in Estimates of Foodborne Gastroenteritis Incidence
Notice bibliographique
Résumé
BACKGROUND: Estimates of the incidence of foodborne illness are increasingly used at national and international levels to quantify the burden of disease and advocate for improvements in food safety. The calculation of such estimates involves multiple datasets and several disease multipliers, applied to dozens of pathogens. Unsurprisingly, this process often produces wide interval estimates. MATERIALS AND METHODS: Using a model of foodborne gastroenteritis in Australia, we calculate the contribution of both data and multipliers to the width of the interval. We then compare pathogen-specific estimates of the proportion of gastroenteritis that is foodborne from national-level studies conducted in Canada, Greece, France, the Netherlands, New Zealand, the United Kingdom, and the United States. RESULTS: Overall, we estimate that 74% (range 63-92%) of the interval width for foodborne gastroenteritis in Australia is a result of uncertainty in the proportion of gastroenteritis that is due to contaminated food. Across national studies, we find considerable variability in point estimates and the width of interval estimates for the foodborne proportion for relatively common pathogens such as Salmonella spp., Campylobacter spp., and norovirus. CONCLUSIONS: While some uncertainty in estimates of gastroenteritis incidence is inevitable, an understanding of the drivers of this uncertainty can help to focus further research. In particular, this work highlights the value of studies quantifying the routes of transmission for common pathogens.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».