Identifying geographic areas with high disease rates: when do confidence intervals for rates and a disease cluster detection method agree?
Notice bibliographique
Résumé
BACKGROUND: Geographic regions are often routinely monitored to identify areas with excess cases of disease. Further epidemiological investigations can be targeted to areas with higher disease rates than expected. Surveillance strategies typically include the calculation of sub-regional rates, and their associated confidence intervals, that are compared with the rate of the entire geographic region. More sophisticated approaches use disease cluster detection methods that require specialized software. These approaches are not the same but may lead to similar results in specific situations. A natural question arises as to when these different approaches lead to the same conclusions. We compare the Besag and Newell 1 cluster detection method, suitable for geographic areas with diverse population sizes, with confidence intervals for crude and directly standardized rates. The cluster detection method tests each area at a pre-specified cluster size. Conditions when these methods agree and disagree are provided. We use a dataset on self-inflicted injuries requiring medical attention as an illustration and give power comparisons for a variety of situations. RESULTS: Three conditions must be satisfied for the confidence interval and cluster detection methods to both provide statistically significant higher rates for an individual administrative area. These criteria are based on observed and expected cases above specific thresholds. In our dataset, two areas are significant with both methods and one additional area is identified with the cluster detection method. Power comparisons for different scenarios suggest that the methods have similar power for detecting rates that are twice as large as the overall rate and when the overall rate and sample sizes are not too small. The cluster detection method has better power when the size of the cluster is relatively small. CONCLUSION: The cluster size plays a key role in the comparability of methods. The cluster detection method is preferred when the cluster size exceeds the number of cases in an administrative area or when the expected number of cases exceeds a threshold.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».