Source attribution of campylobacteriosis in Australia, 2017–2019
Notice bibliographique
Résumé
Campylobacter jejuni and Campylobacter coli infections are the leading cause of foodborne gastroenteritis in high-income countries. Campylobacter colonizes a variety of warm-blooded hosts that are reservoirs for human campylobacteriosis. The proportions of Australian cases attributable to different animal reservoirs are unknown but can be estimated by comparing the frequency of different sequence types in cases and reservoirs. Campylobacter isolates were obtained from notified human cases and raw meat and offal from the major livestock in Australia between 2017 and 2019. Isolates were typed using multi-locus sequence genotyping. We used Bayesian source attribution models including the asymmetric island model, the modified Hald model, and their generalizations. Some models included an "unsampled" source to estimate the proportion of cases attributable to wild, feral, or domestic animal reservoirs not sampled in our study. Model fits were compared using the Watanabe-Akaike information criterion. We included 612 food and 710 human case isolates. The best fitting models attributed >80% of Campylobacter cases to chickens, with a greater proportion of C. coli (>84%) than C. jejuni (>77%). The best fitting model that included an unsampled source attributed 14% (95% credible interval [CrI]: 0.3%-32%) to the unsampled source and only 2% to ruminants (95% CrI: 0.3%-12%) and 2% to pigs (95% CrI: 0.2%-11%) The best fitting model that did not include an unsampled source attributed 12% to ruminants (95% CrI: 1.3%-33%) and 6% to pigs (95% CrI: 1.1%-19%). Chickens were the leading source of human Campylobacter infections in Australia in 2017-2019 and should remain the focus of interventions to reduce burden.
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 ».