The association between the incidence of Lyme disease in the United States and indicators of greenness and land cover
Notice bibliographique
Résumé
Abstract Background Lyme disease is the most common vector-borne illness in the United States. Incidence is related to specific environmental conditions such as temperature, metrics of land cover, and species diversity. Objective To determine whether greenness, as measured by the Normalized Difference Vegetation Index (NDVI), and other selected indices of land cover were associated with the incidence of Lyme disease in the northeastern USA, 2000-2018. Materials and Methods We conducted an ecological analysis of incidence rates in counties of 15 “high” incidence states and the District of Columbia for 2000-2018. Annual counts of Lyme disease by county were obtained from the US Centers for Disease Control and values of NDVI were acquired from the Moderate Resolution Imaging Spectroradiometer instrument aboard Terra and Aqua Satellites. County-specific values of population density, area of land and water were obtained from the US Census. Using quasi-Poisson regression, multivariable associations were estimated between the incidence of Lyme disease NDVI, land cover variables, human population density, and calendar year. Results We found that incidence increased by 7.1% per year (95% confidence interval: 6.8-8.2%). Land cover variables showed complex non-linear associations with incidence: average county-specific NDVI showed a ‘u-shaped” association, the standard deviation of NDVI showed a monotonic upward relationship, population density showed a decreasing trend, areas of land and water showed “n”-shaped relationships. We found an interaction between average and standard deviation of NDVI, with the highest average NDVI category, increased standard deviation of NDVI showed the greatest increase in rates. Discussion These associations cannot be interpreted as causal but indicate that certain patterns of land cover may have the potential to increase exposure to infected ticks and thereby may contribute indirectly to increased rates. Public health interventions could make use of these results in informing people where risks may be high.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,001 | 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 ».