Mapping rabies distribution in China: a geospatial analysis of national surveillance data
Notice bibliographique
Résumé
OBJECTIVES: Dog-mediated human rabies remains an important public health problem in China. In this study, we aimed to understand the spatiotemporal variation of rabies and examine its nonmedical ecological factors. METHODS: In this study, we used the annual incidence data for rabies at the province level in China to describe the incidence trends for the period 2004-2019 and used a Bayesian hierarchical spatiotemporal model to determine the impacts of environmental, economic, and demographic factors. RESULTS: From 2004 to 2019, there were 26,593 cases reported in 31 provinces in Mainland China, and the annual incidence increased from 0.02 per 100,000 in 2004 to 0.14 in 2007, substantially decreased in 2008, and was gradually declining thereafter. Guizhou, Guangxi, Hunan, and Hainan were four high-risk provinces, and Yunnan and Anhui provinces showed an increased risk in 2018 and 2019. Temperature and per capita gross domestic product were significantly positively correlated with the disease risk. The standardized morbidity ratio of rabies is likely to increase by 28% (relative risk: 1.28, 95% credible interval: 1.13-1.36) for every 1°C rise in temperature, and 17% (relative risk: 1.17, 95% credible interval: 1.01-1.34) for every 10,000 yuan increase in per capita gross domestic product. CONCLUSION: In most provinces in China, the risk of rabies has been reduced to a persistently low level. However, the progress of rabies control in six provinces have been less than satisfactory. The study highlights interventions, such as enhancing animal vaccination need to be implemented in these priority areas.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».