Assessing the reporting of Dengue, Chikungunya and Zika to the National Surveillance System in Colombia from 2014–2017: A Capture-recapture analysis accounting for misclassification of arboviral diagnostics
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.
Notice bibliographique
Résumé
BACKGROUND: Chikungunya, dengue, and Zika are three different arboviruses which have similar symptoms and are a major public health issue in Colombia. Despite the mandatory reporting of these arboviruses to the National Surveillance System in Colombia (SIVIGILA), it has been reported that the system captures less than 10% of diagnosed cases in some cities. METHODOLOGY/PRINCIPAL FINDINGS: To assess the scope and degree of arboviruses reporting in Colombia between 2014-2017, we conducted an observational study of surveillance data using the capture-recapture approach in three Colombian cities. Using healthcare facility registries (capture data) and surveillance-notified cases (recapture data), we estimated the degree of reporting by clinical diagnosis. We fit robust Poisson regressions to identify predictors of reporting and estimated the predicted probability of reporting by disease and year. To account for the potential misclassification of the clinical diagnosis, we used the simulation extrapolation for misclassification (MC-SIMEX) method. A total of 266,549 registries were examined. Overall arboviruses' reporting ranged from 5.3% to 14.7% and varied in magnitude according to age and year of diagnosis. Dengue was the most notified disease (21-70%) followed by Zika (6-45%). The highest reporting rate was seen in 2016, an epidemic year. The MC-SIMEX corrected rates indicated underestimation of the reporting due to the potential misclassification bias. CONCLUSIONS: These findings reflect challenges on arboviruses' reporting, and therefore, potential challenges on the estimation of arboviral burden in Colombia and other endemic settings with similar surveillance systems.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle