Public Veterinary Medicine: Public Health: Rabies surveillance in the United States during 2018
Notice bibliographique
Résumé
OBJECTIVE: To describe rabies and rabies-related events occurring during 2018 in the United States. ANIMALS: All animals submitted for laboratory diagnosis of rabies in the United States during 2018. PROCEDURES: State and territorial public health departments provided data on animals submitted for rabies testing in 2018. Data were analyzed temporally and geographically to assess trends in domestic animal and wildlife rabies cases. RESULTS: During 2018, 54 jurisdictions reported 4,951 rabid animals to the CDC, representing an 11.2% increase from the 4,454 rabid animals reported in 2017. Texas (n = 695 [14.0%]), Virginia (382 [7.7%]), Pennsylvania (356 [7.2%]), North Carolina (332 [6.7%]), Colorado (328 [6.6%]), and New York (320 [6.5%]) together accounted for almost half of all rabid animals reported in 2018. Of the total reported rabies cases, 4,589 (92.7%) involved wildlife, with bats (n = 1,635 [33.0%]), raccoons (1,499 [30.3%]), skunks (1,004 [20.3%]), and foxes (357 [7.2%]) being the major species. Rabid cats (n = 241 [4.9%]) and dogs (63 [1.3%]) accounted for > 80% of rabid domestic animals reported in 2018. There was a 4.6% increase in the number of samples submitted for testing in 2018, compared with the number submitted in 2017. Three human rabies deaths were reported in 2018, compared with 2 in 2017. CONCLUSIONS AND CLINICAL RELEVANCE: The overall number of animal rabies cases increased from 2017 to 2018. Laboratory diagnosis of rabies in animals is critical to ensure that human rabies postexposure prophylaxis is administered judiciously.
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 | 0,006 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».