Expatriates ill after travel: Results from the Geosentinel Surveillance Network
Notice bibliographique
Résumé
BACKGROUND: Expatriates are a distinct population at unique risk for health problems related to their travel exposure. METHODS: We analyzed GeoSentinel data comparing ill returned expatriates with other travelers for demographics, travel characteristics, and proportionate morbidity (PM) for travel-related illness. RESULTS: Our study included 2,883 expatriates and 11,910 non-expatriates who visited GeoSentinel clinics ill after travel. Expatriates were more likely to be male, do volunteer work, be long-stay travelers (>6 months), and have sought pre-travel advice. Compared to non-expatriates, expatriates returning from Africa had higher proportionate morbidity (PM) for malaria, filariasis, schistosomiasis, and hepatitis E; expatriates from the Asia-Pacific region had higher PM for strongyloidiasis, depression, and anxiety; expatriates returning from Latin America had higher PM for mononucleosis and ingestion-related infections (giardiasis, brucellosis). Expatriates returning from all three regions had higher PM for latent TB, amebiasis, and gastrointestinal infections (other than acute diarrhea) compared to non-expatriates. When the data were stratified by travel reason, business expatriates had higher PM for febrile systemic illness (malaria and dengue) and vaccine-preventable infections (hepatitis A), and volunteer expatriates had higher PM for parasitic infections. Expatriates overall had higher adjusted odds ratios for latent TB and lower odds ratios for acute diarrhea and dermatologic illness. CONCLUSIONS: Ill returned expatriates differ from other travelers in travel characteristics and proportionate morbidity for specific diseases, based on the region of exposure and travel reason. They are more likely to present with more serious illness.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».