MétaCan
Menu
Retour à la cohorte
Enregistrement W3115084376 · doi:10.15173/mumj.v17i1.2355

geospatial analysis of pertussis and its risk factors in southern Ontario from 2005–2016

2020· article· en· W3115084376 sur OpenAlexaffabout
Taha Abdulhakim Elghamudi, Olaf Berke

Notice bibliographique

RevueMcMaster University Medical Journal · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueData-Driven Disease Surveillance
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPoisson regressionPublic healthIncidence (geometry)DemographyWhooping coughPopulationGeographyGeospatial analysisHealth geographyContext (archaeology)Rate ratioBordetella pertussisSpatial epidemiologyEpidemiologyEnvironmental healthMedicineCartographyVaccinationHealth policyMathematicsImmunologyBiologyPathology

Résumé

récupéré en direct d'OpenAlex

Introduction: Pertussis, commonly known as whooping cough, is a bacterial respiratory tract infection caused by Bordetella pertussis. Pertussis affects more than 48 million people worldwide annually, most of whom are under the age of 5.
 Hypothesis & Objectives: The hypothesis being investigated is that pertussis incidence, between 2005 and 2016, is not equally distributed across public health units in southern Ontario. We aim to identify disease cluster locations and associate geospatial fluctuations in incidence rates with putative risk factors.
 Materials and Methods: Data was sourced from Public Health Ontario on pertussis incidence in southern Ontario for all ages, specifically for each public health unit’s geographical area. A choropleth map was generated using data smoothed by empirical Bayesian estimation in a spatial analysis context. Following the creation of an incidence map for southern Ontario, the spatial scan test was applied to elucidate the existence of any disease clusters at a public health unit level. Moran’s I was used to determine whether there was evidence of any spatial dependence in pertussis incidence. Finally, putative risk factors were assessed in Poisson regression models and spatial Poisson regression models as potential predictor variables.
 Results and Discussion: The flexible spatial scan test identified three spatial clusters where incidence rates of pertussis were higher than expected. A spatial Poisson regression model was fit that included predictor variables of socioeconomic status and population density. For every 100 people/km2 increase in population density there was a significant 6% increase in pertussis incidence (p=0.03). Interestingly, vaccination rates were not found to be predictive of pertussis incidence nor did the variable improve the model. This epidemiological study identifies where pertussis incidence is clustered and what variables it is associated with, both of which are valuable for public health purposes and as a reference for future research into pertussis.

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 candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,034
Score d'incertitude au seuil0,989

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0150,000

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 Opus0,017
Tête enseignante GPT0,216
Écart entre enseignants0,199 · 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.

Devis d'étudeObservationnel
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

Citations2
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueMcMaster University Medical JournalMême sujetData-Driven Disease SurveillanceTravaux en français237 207