Extreme Precipitation, Drinking Water And Acute Gastro Intestinal Illness In A Canadian Surface Drinking Water System: Putative Links And Future Impact Of Climate Change
Notice bibliographique
Résumé
Introduction: Climate change is expected to increase the burden of waterborne acute gastrointestinal illness (AGI) due to the increased frequency and intensity of extreme precipitation events. Here we investigate the relationship between extreme precipitation and parasitic AGI and to project the impact of climate change on these illnesses. Methods: We included reported cryptosporidiosis and giardiasis cases served by a municipal surface drinking water system (DWS) in Canada from 2000-2009. The association between weekly cases and modeled extreme precipitation (>90th percentile) was assessed (up to 6 week lags), using distributed lag non-linear Poisson regression models adjusted for seasonality (in lieu of temperature), secular trend, preceding dry/wet period and holiday effects. Using the best fitting model, the mean annual case counts were predicted for 2010-2069 using downscaled precipitation projections from 10 global climate models under the representative concentration pathway 8.5. Results: Including 5738 cases, a significant increase in cryptosporidiosis and giardiasis 5-6 weeks after extreme precipitation was found during the study period 2000-2009. A greater effect was evident during the rainy season (RR, 95% CI: 1.17, 1.08-1.32 in lag 5; 1.34, 1.11-1.59 in lag 6) than the dry season (RR, 95% CI: 1.09, 1.02-1.26 in lag 5; 1.17, 1.01-1.39 in lag 6). By the 2060s, climate models indicate decrease in average weekly and extreme precipitation during dry seasons, and increase in rainy seasons compared to 2000-2009. This increases the annual disease burden by 10%-14% (ensemble mean 11%), mainly in the rainy season. Discussion: We present a modeling framework to study the impact of extreme weather on waterborne AGI and support the hypothesis that increases in extreme precipitation may increase the burden of these AGI in future. These results show the need for increasing the adaptive capacity of vulnerable DWS through standardized infrastructure.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».