Assessment of seasonality of influenza in swine using field submissions to a diagnostic laboratory in Ontario between 2007 and 2012
Notice bibliographique
Résumé
BACKGROUND: Seasonality of any infectious disease is important for its control and monitoring. While influenza seasonality in people has been evaluated extensively, this question has not been studied well in swine populations. OBJECTIVE: The goal of this study was to investigate seasonality of influenza in swine, using diagnostic submissions to a diagnostic laboratory. METHODS: Two thousand seven hundred and eleven virological tests within 685 submissions and 5471 serological tests within 193 submissions in Ontario swine between 2007 and 2012 were included in the study and converted to total monthly number of virological and serological submissions, and the number of positive submissions. Data were analyzed by time-series decomposition, fixed-effect Poisson, random-effect Poisson regression with month as uncorrelated and correlated random effects. RESULTS: All approaches identified seasonality in virological submissions (P < 0.02) with peak in January and April, and a trough in July, but were not able to detect seasonality of influenza-positive virological submissions (P > 0.13). Seasonality of positive serological submissions was identified only if independence between months was assumed (P < 0.03). Almost 50% of serological submissions had evidence of exposure to H3N2 and H1N1. CONCLUSIONS: Thus, this study identified evidence of seasonality in influenza-like disease in swine herds, but not in circulation of influenza virus. Evidence of seasonality in exposure to influenza was dependent on assumptions of between-month correlation. High exposure to H3N2 and H1N1 subtypes warrants more detailed investigation of within-herd influenza virus circulation. The study provides initial insight into seasonality of influenza in swine and should be followed with herd-level studies.
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 | 0,001 | 0,002 |
| 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 | 0,000 |
| 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 ».