Application of an automated surveillancedata–analysis system in a laboratory-based early-warning system for detection of an abortion outbreak in mares
Notice bibliographique
Résumé
OBJECTIVE: To develop an early-warning automated surveillance-data-analysis system for early outbreak detection and reporting and to assess its performance on an abortion outbreak in mares in Kentucky. SAMPLE POPULATION: 426 data sets of abortions in mares in Kentucky during December 2000 to July 2001. PROCEDURES: A custom software system was developed to automatically extract and analyze data from a Laboratory Information Management System database. The software system was tested on data on abortions in mares in Kentucky reported between December 1, 2000, and July 31, 2001. The prospective space-time permutations scan statistic, proposed by Kulldorff, was used to detect and identify abortion outbreak signals. RESULTS: Results indicated that use of the system would have detected the abortion outbreak approximately 1 week earlier than traditional surveillance systems. However, the geographic scale of analysis was critical for highest sensitivity in outbreak detection. Use of the lower geographic scale of analysis (ie, postal [zip code]) enhanced earlier detection of significant clusters, compared with use of the higher geographic scale (ie, county). CONCLUSIONS AND CLINICAL RELEVANCE: The automated surveillance-data-analysis system would be useful in early detection of endemic, emerging, and foreign animal disease outbreaks and might help in detection of a bioterrorist attack. Manual analyses of such a large number of data sets (ie, 426) with a computationally intensive algorithm would be impractical toward the goal of achieving near real-time surveillance. Use of this early-warning system would facilitate early interventions that should result in more positive health outcomes.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 ».