MétaCan
Menu
Retour à la cohorte
Enregistrement W3127098747 · doi:10.3390/pathogens10020155

Air Passenger Travel and International Surveillance Data Predict Spatiotemporal Variation in Measles Importations to the United States

2021· article· en· W3127098747 sur OpenAlex
Marya Poterek, Moritz U. G. Kraemer, Alexander Watts, Kamran Khan, T. Alex Perkins

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevuePathogens · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueVirology and Viral Diseases
Établissements canadiensUniversity of TorontoBlueDot (Canada)St. Michael's Hospital
Organismes subventionnairesnon disponible
Mots-clésMeaslesStatisticsRegression analysisMeasles vaccineInflowGeographyReceiver operating characteristicEconometricsMathematicsVaccinationMeteorologyMedicineVirology

Résumé

récupéré en direct d'OpenAlex

Measles incidence in the United States has grown dramatically, as vaccination rates are declining and transmission internationally is on the rise. Because imported cases are necessary drivers of outbreaks in non-endemic settings, predicting measles outbreaks in the US depends on predicting imported cases. To assess the predictability of imported measles cases, we performed a regression of imported measles cases in the US against an inflow variable that combines air travel data with international measles surveillance data. To understand the contribution of each data type to these predictions, we repeated the regression analysis with alternative versions of the inflow variable that replaced each data type with averaged values and with versions of the inflow variable that used modeled inputs. We assessed the performance of these regression models using correlation, coverage probability, and area under the curve statistics, including with resampling and cross-validation. Our regression model had good predictive ability with respect to the presence or absence of imported cases in a given state in a given year (area under the curve of the receiver operating characteristic curve (AUC) = 0.78) and the magnitude of imported cases (Pearson correlation = 0.84). By comparing alternative versions of the inflow variable averaging over different inputs, we found that both air travel data and international surveillance data contribute to the model's ability to predict numbers of imported cases and individually contribute to its ability to predict the presence or absence of imported cases. Predicted sources of imported measles cases varied considerably across years and US states, depending on which countries had high measles activity in a given year. Our results emphasize the importance of the relationship between global connectedness and the spread of measles. This study provides a framework for predicting and understanding imported case dynamics that could inform future studies and outbreak prevention efforts.

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.

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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,211

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 Opus0,044
Tête enseignante GPT0,311
Écart entre enseignants0,266 · 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