An ecological approach to predict areas with established populations of Ixodes scapularis in Quebec, Canada
Notice bibliographique
Résumé
Public health management of Lyme disease (LD) is a dynamic challenge in Canada. Climate warming is driving the northward expansion of suitable habitat for the tick vector, Ixodes scapularis. Information about tick population establishment is used to inform the risk of LD but is challenged by sampling biases from surveillance data. Misclassifying areas as having no established tick population underestimates the LD risk classification. We used a logistic regression model at the municipal level to predict the probability of I. scapularis population establishment based on passive tick surveillance data during the period of 2010-2017 in southern Quebec. We tested for the effect of abiotic and biotic factors hypothesized to influence tick biology and ecology. Additional variables controlled for sampling biases in the passive surveillance data. In our final selected model, tick population establishment was positively associated with annual cumulative degree-days > 0°C, precipitation and deer density, and negatively associated with coniferous and mixed forest types. Sampling biases from passive tick surveillance were controlled for using municipal population size and public health instructions on tick submissions. The model performed well as indicated by an area under the curve (AUC) of 0.92, sensitivity of 86% and specificity of 81%. Our model enables prediction of I. scapularis population establishment in areas which lack data from passive tick surveillance and may improve the sensitivity of LD risk categorization in these areas. A more sensitive system of LD risk classification is important for increasing awareness and use of protective measures employed against ticks, and decreasing the morbidity associated with LD.
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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 tête enseignante, 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 ».