MétaCan
Menu
Retour à la cohorte
Enregistrement W2107192955 · doi:10.1073/pnas.1006219107

Global capacity for emerging infectious disease detection

2010· article· en· W2107192955 sur OpenAlexaff
Emily H. Chan, Timothy F. Brewer, Lawrence C. Madoff, Marjorie Pollack, Amy L. Sonricker, Mikaela Keller, Clark C. Freifeld, Michael Blench, Abla Mawudeku, John S. Brownstein

Notice bibliographique

RevueProceedings of the National Academy of Sciences · 2010
Typearticle
Langueen
DomaineMedicine
ThématiqueData-Driven Disease Surveillance
Établissements canadiensPublic Health Agency of CanadaMcGill University
Organismes subventionnairesU.S. National Library of MedicineNational Institutes of HealthWorld Health Organization
Mots-clésOutbreakPublic healthInfectious disease (medical specialty)MedicinePandemicHazard ratioGeographyDiseaseEnvironmental healthDemographyCoronavirus disease 2019 (COVID-19)Confidence intervalInternal medicineVirologyPathology

Résumé

récupéré en direct d'OpenAlex

The increasing number of emerging infectious disease events that have spread internationally, such as severe acute respiratory syndrome (SARS) and the 2009 pandemic A/H1N1, highlight the need for improvements in global outbreak surveillance. It is expected that the proliferation of Internet-based reports has resulted in greater communication and improved surveillance and reporting frameworks, especially with the revision of the World Health Organization's (WHO) International Health Regulations (IHR 2005), which went into force in 2007. However, there has been no global quantitative assessment of whether and how outbreak detection and communication processes have actually changed over time. In this study, we analyzed the entire WHO public record of Disease Outbreak News reports from 1996 to 2009 to characterize spatial-temporal trends in the timeliness of outbreak discovery and public communication about the outbreak relative to the estimated outbreak start date. Cox proportional hazards regression analyses show that overall, the timeliness of outbreak discovery improved by 7.3% [hazard ratio (HR) = 1.073, 95% CI (1.038; 1.110)] per year, and public communication improved by 6.2% [HR = 1.062, 95% CI (1.028; 1.096)] per year. However, the degree of improvement varied by geographic region; the only WHO region with statistically significant (α = 0.05) improvement in outbreak discovery was the Western Pacific region [HR = 1.102 per year, 95% CI (1.008; 1.205)], whereas the Eastern Mediterranean [HR = 1.201 per year, 95% CI (1.066; 1.353)] and Western Pacific regions [HR = 1.119 per year, 95% CI (1.025; 1.221)] showed improvement in public communication. These findings provide quantitative historical assessment of timeliness in infectious disease detection and public reporting of outbreaks.

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)0,017
score de la tête « metaresearch » (Gemma)0,054
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,025
Score d'incertitude au seuil0,087

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0170,054
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0080,007
Études des sciences et des technologies0,0010,002
Communication savante0,0060,009
Science ouverte0,0020,009
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0250,005

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 Opus0,030
Tête enseignante GPT0,325
Écart entre enseignants0,295 · 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

Citations250
Publié2010
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProceedings of the National Academy of SciencesMême sujetData-Driven Disease SurveillanceTravaux en français237 207