A Method to Create Directed Acyclic Graphs from Cycles of Transmission of Zoonotic and Vector-Borne Infectious Agents
Notice bibliographique
Résumé
Background: The life cycles of zoonotic and vector-borne diseases can be complex. This complexity makes it challenging to identify factors that confound the association between an exposure of interest and infection in one of the susceptible hosts. In epidemiology, directed acyclic graphs (DAGs) can be used to visualize the relationships between exposures and outcomes and also to identify which factors confound the association between exposure and the outcome of interest. However, DAGs can only be used in situations where no cycle exists in the causal relationships being represented. This is problematic for infectious agents that cycle between hosts. Zoonoses and vector-borne diseases pose additional challenges with DAG construction since multiple required or optional hosts of different species may be part of the cycle. Methods: We review the existing examples of DAGs created for nonzoonotic infectious agents. We then demonstrate how to cut the transmission cycle to create DAGs where infection of a specific host species is the outcome of interest. We adapt our method to create DAGs using examples of transmission and host characteristics common to many zoonotic and vector-borne infectious agents. Results: We demonstrate our method using the transmission cycle of West Nile virus to create a simple transmission DAG that lacks a cycle. Conclusions: Using our work, investigators can create DAGs to help identify confounders of the relationships between modifiable risk factors and infection. Ultimately, a better understanding and control of confounding in measuring the impact of such risk factors can be used to inform health policy, guide public health and animal health interventions, and uncover gaps needing further research attention.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| 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) | 0,000 | 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 ».