Travel-related infections presenting in Europe: A 20-year analysis of EuroTravNet surveillance data
Notice bibliographique
Résumé
BACKGROUND: Disease epidemiology of (re-)emerging infectious diseases is changing rapidly, rendering surveillance of travel-associated illness important. METHODS: We evaluated travel-related illness encountered at EuroTravNet clinics, the European surveillance sub-network of GeoSentinel, between March 1, 1998 and March 31, 2018. FINDINGS: 103,739 ill travellers were evaluated, including 11,239 (10.8%) migrants, 89,620 (86.4%) patients seen post-travel, and 2,880 (2.8%) during and after travel. Despite increasing numbers of patient encounters over 20 years, the regions of exposure by year of clinic visits have remained stable. In 5-year increments, greater proportions of patients were migrants or visiting friends and relatives (VFR); business travel-associated illness remained stable; tourism-related illness decreased. Falciparum malaria was amongst the most-frequently diagnosed illnesses with 5,254 cases (5.1% of all patients) and the most-frequent cause of death (risk ratio versus all other illnesses 2.5:1). Animal exposures requiring rabies post-exposure prophylaxis increased from 0.7% (1998-2002) to 3.6% (2013-2018). The proportion of patients with seasonal influenza increased from zero in 1998-2002 to 0.9% in 2013-2018. There were 44 cases of viral haemorrhagic fever, most during the past five years. Arboviral infection numbers increased significantly as did the range of presenting arboviral diseases, dengue and chikungunya diagnoses increased by 2.6% and 1%, respectively. INTERPRETATION: Travel medicine must adapt to serve the changing profile of travellers, with an increase in migrants and persons visiting relatives and friends and the strong emergence of vector-borne diseases, with potential for further local transmission in Europe. FUNDING: This project was supported by a cooperative agreement (U50CK00189) between the Centers for Disease Control and Prevention to the International Society of Travel Medicine (ISTM) and funding from the ISTM and the Public Health Agency of Canada.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».