Public Health Benefits from Livestock Rift Valley Fever Control: A Simulation of Two Epidemics in Kenya
Notice bibliographique
Résumé
In controlling Rift Valley fever, public health sector optimises health benefits by considering cost-effective control options. We modelled cost-effectiveness of livestock RVF control from a public health perspective in Kenya. Analysis was limited to pastoral and agro-pastoral system high-risk areas, for a 10-year period incorporating two epidemics: 2006/2007 and a hypothetical one in 2014/2015. Four integrated strategies (baseline and alternatives), combined from three vaccination and two surveillance options, were compared. Baseline strategy included annual vaccination of 1.2-11% animals plus passive surveillance and monitoring of nine sentinel herds. Compared to the baseline, two alternatives assumed improved vaccination coverage. A herd dynamic RVF animal simulation model produced number of animals infected under each strategy. A second mathematical model implemented in R estimated number people who would be infected by the infected animals. The 2006/2007 RVF epidemic resulted in 3974 undiscounted, unweighted disability adjusted life years (DALYs). Improving vaccination coverage to 41-51% (2012) and 27-33% (2014) 3 years before the hypothetical 2014/2015 outbreak can avert close to 1200 DALYs. Improved vaccinations showed cost-effectiveness (CE) values of US$ 43-53 per DALY averted. The baseline practice is not cost-effective to the public health sector.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».