A Mobile App and Dashboard for Early Detection of Infectious Disease Outbreaks: Development Study
Notice bibliographique
Résumé
BACKGROUND: Outbreaks of infectious diseases pose great risks, including hospitalization and death, to public health. Therefore, improving the management of outbreaks is important for preventing widespread infection and mitigating associated risks. Mobile health technology provides new capabilities that can help better capture, monitor, and manage infectious diseases, including the ability to quickly identify potential outbreaks. OBJECTIVE: This study aims to develop a new infectious disease surveillance (IDS) system comprising a mobile app for accurate data capturing and dashboard for better health care planning and decision making. METHODS: We developed the IDS system using a 2-pronged approach: a literature review on available and similar disease surveillance systems to understand the fundamental requirements and face-to-face interviews to collect specific user requirements from the local public health unit team at the Nepean Hospital, Nepean Blue Mountains Local Health District, New South Wales, Australia. RESULTS: We identified 3 fundamental requirements when designing an electronic IDS system, which are the ability to capture and report outbreak data accurately, completely, and in a timely fashion. We then developed our IDS system based on the workflow, scope, and specific requirements of the public health unit team. We also produced detailed design and requirement guidelines. In our system, the outbreak data are captured and sent from anywhere using a mobile device or a desktop PC (web interface). The data are processed using a client-server architecture and, therefore, can be analyzed in real time. Our dashboard is designed to provide a daily, weekly, monthly, and historical summary of outbreak information, which can be potentially used to develop a future intervention plan. Specific information about certain outbreaks can also be visualized interactively to understand the unique characteristics of emerging infectious diseases. CONCLUSIONS: We demonstrated the design and development of our IDS system. We suggest that the use of a mobile app and dashboard will simplify the overall data collection, reporting, and analysis processes, thereby improving the public health responses and providing accurate registration of outbreak information. Accurate data reporting and collection are a major step forward in creating a better intervention plan for future outbreaks of infectious diseases.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».