Global and regional source attribution of Shiga toxin-producing<i>Escherichia coli</i>infections using analysis of outbreak surveillance data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Shiga toxin-producing Escherichia coli (STEC) infections pose a substantial health and economic burden worldwide. To target interventions to prevent foodborne infections, it is important to determine the types of foods leading to illness. Our objective was to determine the food sources of STEC globally and for the six World Health Organization regions. We used data from STEC outbreaks that have occurred globally to estimate source attribution fractions. We categorised foods according to their ingredients and applied a probabilistic model that used information on implicated foods for source attribution. Data were received from 27 countries covering the period between 1998 and 2017 and three regions: the Americas (AMR), Europe (EUR) and Western-Pacific (WPR). Results showed that the top foods varied across regions. The most important sources in AMR were beef (40%; 95% Uncertainty Interval 39-41%) and produce (35%; 95% UI 34-36%). In EUR, the ranking was similar though with less marked differences between sources (beef 31%; 95% UI 28-34% and produce 30%; 95% UI 27-33%). In contrast, the most common source of STEC in WPR was produce (43%; 95% UI 36-46%), followed by dairy (27%; 95% UI 27-27%). Possible explanations for regional variability include differences in food consumption and preparation, frequency of STEC contamination, the potential of regionally predominant STEC strains to cause severe illness and differences in outbreak investigation and reporting. Despite data gaps, these results provide important information to inform the development of strategies for lowering the global burden of STEC infections.
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.
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 | 0,000 |
| 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 découle