Multiple exposures, reinfection and risk of progression to active tuberculosis
Notice bibliographique
Résumé
A recent study reported on a tuberculosis (TB) outbreak in a largely Inuit village. Among newly infected individuals, exposure to additional active cases was associated with an increasing probability of developing active disease within a year. Using binomial risk models, we evaluated two potential mechanisms by which multiple infections during the first year following initial infection could account for increasing disease risk with increasing exposures. In the reinfection model , each infectious contact confers an independent risk of an infection, and infections contribute independently to active disease. In the threshold model , disease risk follows a sigmoidal function with small numbers of infectious contacts conferring a low risk of active disease and large numbers of contacts conferring a high risk. To determine the dynamic impact of reinfection during the early phase of infection, we performed simulations from a modified Reed–Frost model of TB dynamics following spread from an initial number of cases. We parametrized this model with the maximum-likelihood estimates from the reinfection and threshold models in addition to the observed distribution of exposures among new infections. We find that both models can plausibly account for the observed increase in disease risk with increasing infectious contacts, but the threshold model confers a better fit than a nested model without a threshold ( p = 0.04). Our simulations indicate that multiple exposures to infectious individuals during this critical time period can lead to dramatic increases in outbreak size. In order to decrease TB burden in high-prevalence settings, it may be necessary to implement measures aimed at preventing repeated exposures, in addition to preventing primary infection.
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 | 0,002 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».