Impact of meteorological factors on the incidence of childhood hand, foot, and mouth disease (HFMD) analyzed by DLNMs-based time series approach
Notice bibliographique
Résumé
BACKGROUND: Hand, foot, and mouth disease (HFMD) has become an emerging infectious disease in China in the last decade. There has been evidence that meteorological factors can influence the HFMD incidence, and understanding the mechanisms can help prevent and control HFMD. METHODS: HFMD incidence data and meteorological data in Minhang District, Shanghai were obtained for the period between 2009 and 2015. Distributed lag non-linear models (DLNMs) were utilized to investigate the impact of meteorological factors on HFMD incidence after adjusting for potential confounders of long time trend, weekdays and holidays. RESULTS: There was a non-linear relationship between temperature and HFMD incidence, the RR of 5th percentile compared to the median is 0.836 (95% CI: 0.671-1.042) and the RR of 95th percentile is 2.225 (95% CI: 1.774-2.792), and the effect of temperature varied across age groups. HFMD incidence increased with increasing average relative humidity (%) (RR = 1.009, 95% CI: 1.005-1.015) and wind speed (m/s) (RR = 1.197, 95% CI: 1.118-1.282), and with decreasing daily rainfall (mm) (RR = 0.992, 95% CI: 0.987-0.997) and sunshine hours (h) (RR = 0.966, 95% CI: 0.951-0.980). CONCLUSIONS: There were significant relationships between meteorological factors and childhood HFMD incidence in Minhang District, Shanghai. This information can help local health agencies develop strategies for the control and prevention of HFMD under specific climatic conditions.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 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 ».