Public Health Surveillance and Infectious Disease Detection
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
Emerging infectious diseases, such as HIV/AIDS, SARS, and pandemic influenza, and the anthrax attacks of 2001, have demonstrated that we remain vulnerable to health threats caused by infectious diseases. The importance of strengthening global public health surveillance to provide early warning has been the primary recommendation of expert groups for at least the past 2 decades. However, despite improvements in the past decade, public health surveillance capabilities remain limited and fragmented, with uneven global coverage. Recent initiatives provide hope of addressing this issue, and new technological and conceptual advances could, for the first time, place capability for global surveillance within reach. Such advances include the revised International Health Regulations (IHR 2005) and the use of new data sources and methods to improve global coverage, sensitivity, and timeliness, which show promise for providing capabilities to extend and complement the existing infrastructure. One example is syndromic surveillance, using nontraditional and often automated data sources. Over the past 20 years, other initiatives, including ProMED-mail, GPHIN, and HealthMap, have demonstrated new mechanisms for acquiring surveillance data. In 2009 the U.S. Agency for International Development (USAID) began the Emerging Pandemic Threats (EPT) program, which includes the PREDICT project, to build global capacity for surveillance of novel infections that have pandemic potential (originating in wildlife and at the animal-human interface) and to develop a framework for risk assessment. Improved understanding of factors driving infectious disease emergence and new technological capabilities in modeling, diagnostics and pathogen identification, and communications, such as using the increasing global coverage of cellphones for public health surveillance, can further enhance global surveillance.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle