Individual and contextual risk factors for chikungunya virus infection: the SEROCHIK cross-sectional population-based study
Notice bibliographique
Résumé
The purpose of the study was to weigh the community burden of chikungunya determinants on Reunion island. Risk factors were investigated within a subset of 2101 adult persons from a population-based cross-sectional serosurvey, using Poisson regression models for dichotomous outcomes. Design-based risk ratios and population attributable fractions (PAF) were generated distinguishing individual and contextual (i.e. that affect individuals collectively) determinants. The disease burden attributable to contextual determinants was twice that of individual determinants (overall PAF value 89.5% vs. 44.1%). In a model regrouping both categories of determinants, the independent risk factors were by decreasing PAF values: an interaction term between the reporting of a chikungunya history in the neighbourhood and individual house (PAF 45.9%), a maximal temperature of the month preceding the infection higher than 28.5 °C (PAF 25.7%), a socio-economically disadvantaged neighbourhood (PAF 19.0%), altitude of dwelling (PAF 13.1%), cumulated rainfalls of the month preceding the infection higher than 65 mm (PAF 12.6%), occupational inactivity (PAF 11.6%), poor knowledge on chikungunya transmission (PAF 7.3%) and obesity/overweight (PAF 5.2%). Taken together, these covariates and their underlying causative factors uncovered 80.8% of chikungunya at population level. Our findings lend support to a major role of contextual risk factors in chikungunya virus outbreaks.
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 | 0,003 |
| 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 | 0,000 |
| 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 ».