Air Passenger Travel and International Surveillance Data Predict Spatiotemporal Variation in Measles Importations to the United States
Notice bibliographique
Résumé
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.
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 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».