The quantified self during travel: mapping health in a prospective cohort of travellers
Notice bibliographique
Résumé
BACKGROUND: Travel medicine research has remained relatively unchanged in the face of rapid expansion of international travel and is unlikely to meet health challenges beyond infectious diseases. Our aim was to identify the range of health outcomes during travel using real-time monitoring and daily reporting of health behaviours and outcomes and identify traveller subgroups who may benefit from more targeted advice before and during travel. METHODS: We recruited a prospective cohort of travellers ≥ 18 years and planning travel to Thailand for <5 weeks from the travel clinics in Zurich and Basel (Switzerland). Participants answered demographic, clinical and risk behaviour questionnaires pre-travel and a daily health questionnaire each day during travel using a smartphone application. Environmental and location data were collected passively by GPS. Classification trees were used to identify predictors of health behaviour and outcomes during travel. RESULTS: Non-infectious disease events were relatively common, with 22.7% (17 out of 75 travellers) experiencing an accident, 40.0% ( n = 30) a wound or cut and 14.7% ( n = 11) a bite or lick from an animal. Mental health associated events were widely reported, with 80.0% ( n = 60) reporting lethargy, 34.7% ( n = 26) anxiety and 34.7% ( n = 26) feeling tense or irritable. Classification trees identified age, trip length, previous travel experience and having experienced a sports injury in the past year as the most important discriminatory variables for health threats. CONCLUSIONS: Our study offers a revolutionary look at an almost real-time timeline of health events and behaviours during travel using mHealth technology. Non-infectious disease related health issues were common in this cohort, despite being largely unaddressed in traditional travel medicine research and suggest a substantial potential for improving evidence-based travel medicine advice.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».