MétaCan
Menu
Retour à la cohorte
Enregistrement W3087533710 · doi:10.1111/tbed.13830

Development of simulation models for transmission of Salmonid Rickettsial Septicaemia between salt water fish farms in Chile

2020· article· en· W3087533710 sur OpenAlexaff
Masako Wada, Chun Ting Lam, Sarah M. Rosanowski, Thitiwan Patanasatienkul, Derek Price, Sophie St‐Hilaire

Notice bibliographique

RevueTransboundary and Emerging Diseases · 2020
Typearticle
Langueen
DomaineImmunology and Microbiology
ThématiqueAquaculture disease management and microbiota
Établissements canadiensFisheries and Oceans CanadaUniversity of Prince Edward Island
Organismes subventionnairesnon disponible
Mots-clésRainbow troutFisherySalmoOutbreakBiologyFish farmingTransmission (telecommunications)Veterinary medicineTroutAnimal scienceFish <Actinopterygii>Environmental scienceAquaculture

Résumé

récupéré en direct d'OpenAlex

This study aimed at estimating parameters representing between-farm transmission of Salmonid Rickettsial Septicaemia (SRS) in Chile, and developing and validating simulation models to predict weekly spread of SRS between farms in Los Lagos (Region 10), using InterSpread Plus. The model parameters were estimated by analyses of the historical SRS outbreak data. The models incorporated time and distance-dependent transmission kernels, representing the probabilities of waterborne spread of SRS between farms. Seven candidate transmission kernels were estimated, with varying maximum distance of between-farm SRS spread (15-60 km). Farms were categorized by size (small; medium; large) and species (Coho salmon; Atlantic salmon; rainbow trout). The time that it took a farm to recover from infection was parameterized to be shortest for small Coho farms (median: 7 weeks), followed by medium and large Coho farms (median: 25 weeks), Atlantic salmon farms (median: 42 weeks, any size) and rainbow trout farms (median: 43 weeks, any size). The relative infectiousness parameters of rainbow trout farms were 1.5-6.3 times that of Coho or Atlantic salmon, or those of large farms was 1.3-4.2 times that of small or medium farms. The models predicted SRS prevalence in Region 10 between 2013 and 2015 (79 weeks) with 76.5%-93.0% overall accuracy. The model with a transmission kernel of <20 km (P20) achieved a maximum overall accuracy (93.0%). Within each neighbourhood, the accuracy of P20 varied between 32.4% and 88.1%; 13/20 neighbourhoods had a reasonable temporal agreement between the simulated and actual dynamics of SRS (within 5th-95th percentiles), but 5/20 neighbourhoods underestimated and 2/20 overestimated the SRS spread. The model could be used for evaluation of semi-global control policies in Region 10, while addition of other factors such as seasonality, ocean currents, and movement of infected fish may improve the model performance at a finer scale.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,449
Score d'incertitude au seuil0,505

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,258
Écart entre enseignants0,233 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueTransboundary and Emerging DiseasesMême sujetAquaculture disease management and microbiotaTravaux en français237 207