Near-Real-Time Surveillance of Illnesses Related to Shellfish Consumption in British Columbia: Analysis of Poison Center Data (Preprint)
Notice bibliographique
Résumé
BACKGROUND Data from poison centers have the potential to be valuable for public health surveillance of long-term trends, short-term aberrations from those trends, and poisonings occurring in near-real-time. This information can enable long-term prevention via programs and policies and short-term control via immediate public health response. Over the past decade, there has been an increasing use of poison control data for surveillance in the United States, Europe, and New Zealand, but this resource still remains widely underused. OBJECTIVE The British Columbia (BC) Drug and Poison Information Centre (DPIC) is one of five such services in Canada, and it is the only one nested within a public health agency. This study aimed to demonstrate how DPIC data are used for routine public health surveillance in near-real-time using the case study of its alerting system for illness related to consumption of shellfish (ASIRCS). METHODS Every hour, a connection is opened between the WBM software Visual Dotlab Enterprise, which holds the DPIC database, and the R statistical computing environment. This platform is used to extract, clean, and merge all necessary raw data tables into a single data file. ASIRCS automatically and retrospectively scans a 24-hour window within the data file for new cases related to illnesses from shellfish consumption. Detected cases are queried using a list of attributes: the caller location, exposure type, reasons for the exposure, and a list of keywords searched in the clinical notes. The alert generates a report that is tailored to the needs of food safety specialists, who then assess and respond to detected cases. RESULTS The ASIRCS system alerted on 79 cases between January 2015 and December 2016, and retrospective analysis found 11 cases that were missed. All cases were reviewed by food safety specialists, and 58% (46/79) were referred to designated regional health authority contacts for follow-up. Of the 42% (33/79) cases that were not referred to health authorities, some were missing follow-up information, some were triggered by allergies to shellfish, and some were triggered by shellfish-related keywords appearing in the case notes for nonshellfish-related cases. Improvements were made between 2015 and 2016 to reduce the number of cases with missing follow-up information. CONCLUSIONS The surveillance capacity is evident within poison control data as shown from the novel use of DPIC data for identifying illnesses related to shellfish consumption in BC. The further development of surveillance programs could improve and enhance response to public health emergencies related to acute illnesses, chronic diseases, and environmental exposures.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: oui | Observationnel | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: oui | Observationnel | high |
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».