MétaCan
Menu
Retour à la cohorte
Enregistrement W2068280229 · doi:10.1002/jmv.21892

Comparison of the incidence of influenza in relation to climate factors during 2000–2007 in five countries

2010· article· en· W2068280229 sur OpenAlexaffabout
Julian W. Tang, Florence YL Lai, Pagbajabyn Nymadawa, Yi‐Mo Deng, Mala Ratnamohan, Martin Petric, Tze Ping Loh, Nancy Wen Sim Tee, Dominic E. Dwyer, Ian Barr, Felix Y.W. Wong

Notice bibliographique

RevueJournal of Medical Virology · 2010
Typearticle
Langueen
DomaineMedicine
ThématiqueInfluenza Virus Research Studies
Établissements canadiensBC Centre for Disease Control
Organismes subventionnairesCity of MelbourneAustralian Government
Mots-clésIncidence (geometry)GeographyChinaRelative humidityClimate changeSeasonal influenzaDemographyClimatologySocioeconomicsMeteorologyMedicineCoronavirus disease 2019 (COVID-19)BiologyEcology

Résumé

récupéré en direct d'OpenAlex

Relatively few international comparisons of the incidence of influenza related to climate parameters have been performed, particularly in the Eastern hemisphere. In this study, the incidence of influenza and climate data such as temperature, relative humidity, and rainfall, from cities at different latitudes with contrasting climates: Singapore, Hong Kong (China), Ulaanbaatar (Mongolia), Vancouver (Canada), and three Australian cities (Brisbane, Melbourne and Sydney) were examined to determine whether there was any overall relationship between the incidence of influenza and climate. Applying time-series analyses to the more comprehensive datasets, it was found that relative humidity was associated with the incidence of influenza A in Singapore, Hong Kong, Brisbane, and Vancouver. In the case of influenza B, the mean temperature was the key climate variable associated with the incidence of influenza in Hong Kong, Brisbane, Melbourne, and Vancouver. Rainfall was not significantly correlated with the incidence of influenza A or B in any of these cities.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,038

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,052
Tête enseignante GPT0,430
Écart entre enseignants0,378 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations86
Publié2010
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Medical VirologyMême sujetInfluenza Virus Research StudiesTravaux en français237 207