Estimating burden of foodborne diseases where public health impact is higher and data scarcer: a study in four African countries
Notice bibliographique
Résumé
Abstract Low and middle-income countries, in particular from Africa, bear the highest burden of foodborne disease (FBD). However, because research and disease surveillance data from Africa are limited, previous burden estimates are subject to uncertainty. The main challenge to estimating burden of FBD in Africa is lack of data, where factors ranging from lack of capacity to lack of political commitment, and a focus on priority diseases, limit existing surveillance systems. To address this, we are working with Ethiopia, Mozambique, Nigeria, and Tanzania, to estimate the burden of, and strengthen surveillance systems for, FBD in Africa. We are conducting a population survey (to estimate incidence and distribution of diarrhea in the community), a systematic literature review (to estimate proportions of diarrheal disease caused by different agents), and an active review of available FBD reports (to estimate the extent of under-reporting in existing surveillance). Together, these findings will provide more accurate estimates of the burden of FBD for African countries. Lessons from this large-scale project can be extrapolated to other countries and regions where the burden is high but data are scarce. We highlight applying leadership attributes, including delegation of duties, setting milestones, regular meetings, transparency, and risk mitigation plans. The leading role of experts in this project helps to reduce hurdles. We have also adapted existing data collection tools for use across our diverse African study populations. We are engaging stakeholders who will use our research outputs, by involving them at all stages of the project. This integrated Knowledge Translation approach is translatable to other settings. These studies are part of FOCAL (Foodborne Disease Epidemiology, Surveillance, and Control in African LMIC), a multi-partner, multi-study project co-funded by the Bill and Melinda Gates Foundation and the United Kingdom's Department for International Development.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».