CLIMATE CHANGE AND DENGUE: ANALYSIS OF HISTORICAL HEALTH AND ENVIRONMENT DATA FOR PERU
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
Background and Aims: Dengue, a mosquito-borne virual infection that is the most common cause of hemorrhagic fever globally, is rapidly spreading worldwide. An estimated 40% of the world’s population is at risk for this disease that is transmitted by Aedes sp. mosquitos (WHO 2009). The Aedes mosquito-Dengue virus lifecycle varies with temperature, and climate change may increase the risk of Dengue epidemics in the future (Watts et al. 1987). We examined whether changes in sea surface temperature (SST) along the Peruvian coast were associated with dengue incidence from 2002-2010. In Peru the effects of the El Niño cycle on weather conditions are pronounced, providing an ideal place to study fluctuations in climate and dengue incidence. Methods: We used negative binomial models (Hilbe 2007) to examine the relationship between Dengue cases and changes in SST across regions of Peru. Spearman’s rank test was used to determine the lagged SST term that was most correlated with Dengue incidence in each region. The negative binomial models included terms for tthe optimum lagged SST and a term for the trend of increasing Dengue incidence over the study period. Results: The magnitude and sign of the correlation coefficient of dengue and SST varied between the 15 regions of Peru with Dengue cases. 9 provinces had positive correlations between the two while 6 had negative correlations. The optimum lag ranged from 0 months to 6 months. In all of the regions but 1 lagged SST was a significant predictor of Dengue cases in the negative binomial model. Conclusions: The relationship between dengue and sea surface temperature in Peru appears to be significant across the country. Given the varied nature of the relationship between regions it is not possible to make accurate generalisations about this relationship in Peru. Accounting for additional climatic variables such as precipitation may help in improving the predictive model.
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 | 0,000 | 0,000 |
| 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