Forecasting risk of tick-borne encephalitis (TBE): Using data from wildlife and climate to predict next year's number of human victims
Notice bibliographique
Résumé
BACKGROUND: Over the past quarter century, the incidence of tick-borne encephalitis (TBE) has increased in most European nations. However, the number of humans stricken by the disease varies from year to year. A method for predicting major increases and decreases is needed. METHODS: We assembled a 25-y database (1984-2008) of the number of human TBE victims and wildlife and climate data for the Stockholm region of Sweden, and used it to create easy-to-use mathematical models that predict increases and decreases in the number of humans stricken by TBE. RESULTS: Our best model, which uses December precipitation and mink (Neovison vison, formerly Mustela vison) bagging figures, successfully predicted every major increase or decrease in TBE during the past quarter century, with a minimum of false alarms. However, this model was not efficient in predicting small increases and decreases. CONCLUSIONS: Predictions from our models can be used to determine when preventive and adaptive programmes should be implemented. For example, in years when the frequency of TBE in humans is predicted to be high, vector control could be intensified where infested ticks have a higher probability of encountering humans, such as at playgrounds, bathing lakes, barbecue areas and camping facilities. Because our models use only wildlife and climate data, they can be used even when the human population is vaccinated. Another advantage is that because our models employ data from previously-established databases, no additional funding for surveillance is required.
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 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».