Integrated Social-Behavioral and Ecological Risk Maps to Prioritize Local Public Health Responses to Lyme Disease
Notice bibliographique
Résumé
BACKGROUND: The risk of contracting Lyme disease (LD) can vary spatially because of spatial heterogeneity in risk factors such as social-behavior and exposure to ecological risk factors. Integrating these risk factors to inform decision-making should therefore increase the effectiveness of mitigation interventions. OBJECTIVES: The objective of this study was to develop an integrated social-behavioral and ecological risk-mapping approach to identify priority areas for LD interventions. METHODS: The study was conducted in the Montérégie region of Southern Quebec, Canada, where LD is a newly endemic disease. Spatial variation in LD knowledge, risk perceptions, and behaviors in the population were measured using web survey data collected in 2012. These data were used as a proxy for the social-behavioral component of risk. Tick vector population densities were measured in the environment during field surveillance from 2007 to 2012 to provide an index of the ecological component of risk. Social-behavioral and ecological components of risk were combined with human population density to create integrated risk maps. Map predictions were validated by testing the association between high-risk areas and the current spatial distribution of human LD cases. RESULTS: <0.01) but was not significantly associated with social-behavioral risk. CONCLUSION: This study is an applied demonstration of how integrated social-behavioral and ecological risk maps can be created to assist decision-making. Social survey data are a valuable but underutilized source of information for understanding regional variation in LD exposure, and integrating this information into risk maps provides a novel approach for prioritizing and adapting interventions to the local characteristics of target populations. https://doi.org/10.1289/EHP1943.
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 | 0,001 | 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 | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».