Can foodborne illness estimates from different countries be legitimately compared?: case study of rates in the UK compared with Australia, Canada and USA
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: Mathematical models have gained traction when estimating cases of foodborne illness. Model structures vary due to differences in data availability. This begs the question as to whether differences in foodborne illness rates internationally are real or due to differences in modelling approaches.Difficulties in comparing illness rates have come into focus with COVID-19 infection rates being contrasted between countries. Furthermore, with post-EU Exit trade talks ongoing, being able to understand and compare foodborne illness rates internationally is a vital part of risk assessments related to trade in food commodities. DESIGN: We compared foodborne illness estimates for the United Kingdom (UK) with those from Australia, Canada and the USA. We then undertook sensitivity analysis, by recreating the mathematical models used in each country, to understand the impact of some of the key differences in approach and to enable more like-for-like comparisons. RESULTS: Published estimates of overall foodborne illness rates in the UK were lower than the other countries. However, when UK estimates were adjusted to a more like-for-like approach to the other countries, differences were smaller and often had overlapping credible intervals. When comparing rates by specific pathogens, there were fewer differences between countries. The few large differences found, such as virus rates in Canada, could at least partly be traced to methodological differences. CONCLUSION: Foodborne illness estimation models are country specific, making international comparisons problematic. Some of the disparities in estimated rates between countries can be shown to be attributed to differences in methodology rather than real differences in risk.
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.
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 | 0,001 | 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 découle