All together now: aggregating multiple records to develop a person-based dataset to integrate and enhance infectious disease surveillance in Ontario, Canada
Notice bibliographique
Résumé
SETTING: Syndemics occur when two or more health conditions interact to increase morbidity and mortality and are exacerbated by social, economic, environmental, and political factors. Routine provincial surveillance in Ontario assesses and reports on the epidemiology of single infectious diseases separately. Therefore, we aimed to develop a method that allows disease overlaps to be examined routinely as a path to better understanding and addressing syndemics in Ontario. INTERVENTION: We extracted data for individuals with a record of chlamydia, gonorrhea, infectious syphilis, hepatitis B and C, HIV/AIDS, invasive group A streptococcal disease (iGAS), or tuberculosis in Ontario's reportable disease database from 1990 to 2018. We transformed the data into a person-based integrated surveillance dataset retaining individuals (clients) with at least one record between 2006 and 2018. OUTCOMES: The resulting dataset had 659,136 unique disease records among 470,673 unique clients. Of those clients, 23.1% had multiple disease records with 50 being the most for one client. We described the frequency of disease overlaps; for example, 34.7% of clients with a syphilis record had a gonorrhea record. We quantified known overlaps, finding 1274 clients had gonorrhea, infectious syphilis, and HIV/AIDS records, and potentially emerging overlaps, finding 59 clients had HIV/AIDS, hepatitis C, and iGAS records. IMPLICATIONS: Our novel person-based integrated surveillance dataset represents a platform for ongoing in-depth assessment of disease overlaps such as the relative timing of disease records. It enables a more client-focused approach, is a step towards improved characterization of syndemics in Ontario, and could inform other jurisdictions interested in adopting similar approaches.
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 | 0,001 | 0,008 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».