Spatial scale effects in environmental risk-factor modelling for diseases
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
Studies attempting to identify environmental risk factors for diseases can be seen to extract candidate variables from remotely sensed datasets, using a single buffer-zone surrounding locations from where disease status are recorded. A retrospective case-control study using canine leptospirosis data was conducted to verify the effects of changing buffer-zones (spatial extents) on the risk factors derived. The case-control study included 94 case dogs predominantly selected based on positive polymerase chain reaction (PCR) test for leptospires in urine, and 185 control dogs based on negative PCR. Land cover features from National Land Cover Dataset (NLCD) and Kansas Gap Analysis Program (KS GAP) around geocoded addresses of cases/controls were extracted using multiple buffers at every 500 m up to 5,000 m, and multivariable logistic models were used to estimate the risk of different land cover variables to dogs. The types and statistical significance of risk factors identified changed with an increase in spatial extent in both datasets. Leptospirosis status in dogs was significantly associated with developed high-intensity areas in models that used variables extracted from spatial extents of 500-2000 m, developed medium-intensity areas beyond 2,000 m and up to 3,000 m, and evergreen forests beyond 3,500 m and up to 5,000 m in individual models in the NLCD. Significant associations were seen in urban areas in models that used variables extracted from spatial extents of 500-2,500 m and forest/woodland areas beyond 2,500 m and up to 5,000 m in individual models in Kansas gap analysis programme datasets. The use of ad hoc spatial extents can be misleading or wrong, and the determination of an appropriate spatial extent is critical when extracting environmental variables for studies. Potential work-arounds for this problem are discussed.
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 | 0,000 | 0,000 |
| 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) | 0,001 | 0,001 |
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