Source attribution of campylobacteriosis in Australia circa 2018
Notice bibliographique
Résumé
Abstract Background: Campylobacter spp. infections are the leading cause of foodborne gastroenteritis in high-income countries, including Australia. Campylobacter colonises a variety of mammalian and avian hosts that are reservoirs for human campylobacteriosis. Though most Australian outbreak investigations implicate chicken meat, the proportions of sporadic cases attributable to different animal reservoirs are unknown. Methods: Campylobacter isolates were obtained from notified human cases, and raw meat and offal from the major livestock in Australia: chickens, pigs, and ruminants (cattle and sheep) between 2017 and 2019. Isolates were speciated, with sequence types determined using multi-locus sequence genotyping. We used Bayesian source attribution models to estimate the proportion of human cases attributable to each livestock source by comparing the frequency of sequence types in cases and each animal source. We employed a model comparison approach with ten base models and explored adjusting these for age, gender, jurisdiction, rurality, and season. Four of the ten base models included an ‘unsampled’ source to estimate the proportion of cases attributable to wild, feral, or domestic animal reservoirs not sampled in our study. Results: We included 612 food and 710 human case isolates. The best fitting models attributed >80% of Campylobacter cases to chickens, with a greater proportion of Campylobacter coli (>84%) than Campylobacter jejuni (>77%). The best fitting model that included an unsampled source attributed 14% (95% CrI: 0.3-32%) to the unsampled source and only 2% to ruminants (95% CrI: 0.3-12%) and 2% to pigs (95% CrI: 0.2-11%.) The best fitting model that did not include an unsampled source attributed 12% to ruminants (95%CrI: 1.3-33%) and 6% to pigs (95%CrI: 1.1-19%.) Model fit was not improved by inclusion of case covariates. Conclusions: Chickens were the leading source of Campylobacter infections in our data and should remain the focus of interventions to reduce the burden in Australia.
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 | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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) | 0,009 | 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 ».