Geographic clustering of travel-acquired infections in Ontario, Canada, 2008–2020
Notice bibliographique
Résumé
As the frequency of international travel increases, more individuals are at risk of travel-acquired infections (TAIs). In this ecological study of over 170,000 unique tests from Public Health Ontario's laboratory, we reviewed all laboratory-reported cases of malaria, dengue, chikungunya, and enteric fever in Ontario, Canada between 2008-2020 to identify high-resolution geographical clusters for potential targeted pre-travel prevention. Smoothed standardized incidence ratios (SIRs) and 95% posterior credible intervals (CIs) were estimated using a spatial Bayesian hierarchical model. High- and low-incidence areas were described using data from the 2016 Census based on the home forward sortation area of patients testing positive. A second model was used to estimate the association between drivetime to the nearest travel clinic and incidence of TAI within high-incidence areas. There were 6,114 microbiologically confirmed TAIs across Ontario over the study period. There was spatial clustering of TAIs (Moran's I = 0.59, p<0.0001). Compared to low-incidence areas, high-incidence areas had higher proportions of immigrants (p<0.0001), were lower income (p = 0.0027), had higher levels of university education (p<0.0001), and less knowledge of English/French languages (p<0.0001). In the high-incidence Greater Toronto Area (GTA), each minute increase in drive time to the closest travel clinic was associated with a 3% reduction in TAI incidence (95% CI 1-6%). While urban neighbourhoods in the GTA had the highest burden of TAIs, geographic proximity to a travel clinic in the GTA was not associated with an area-level incidence reduction in TAI. This suggests other barriers to seeking and adhering to pre-travel advice.
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) | 0,001 | 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 ».