Analysis of patterns of livestock movements in the Cattle Corridor of Uganda for risk-based surveillance of infectious diseases
Notice bibliographique
Résumé
Introduction: The knowledge of animal movements is key to formulating strategic animal disease control policies and carrying out targeted surveillance. This study describes the characteristics of district-level cattle, small ruminant, and pig trade networks in the Cattle Corridor of Uganda between 2019 and 2021. Methodology: The data for the study was extracted from 7,043 animal movement permits (AMPs) obtained from the Ministry of Agriculture, Animal Industry and Fisheries (MAAIF) of Uganda. Most of the data was on cattle (87.2%), followed by small ruminants (11.2%) and pigs (1.6%). Two types of networks representing animal shipments between districts were created for each species based on monthly (n = 30) and seasonal (n = 10) temporal windows. Measures of centrality and cohesiveness were computed for all the temporal windows and our analysis identified the most central districts in the networks. Results: The median in-degree for monthly networks ranged from 0-3 for cattle, 0-1 for small ruminants and 0-1 for pigs. The highest median out-degrees for cattle, small ruminant and pig monthly networks were observed in Lira, Oyam and Butambala districts, respectively. Unlike the pig networks, the cattle and small ruminant networks were found to be of small-world and free-scale topologies. Discussion: The cattle and small ruminant trade movement networks were also found to be highly connected, which could facilitate quick spread of infectious animal diseases across these networks. The findings from this study highlighted the significance of characterizing animal movement networks to inform surveillance, early detection, and subsequent control of infectious animal disease outbreaks.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| 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 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 ».