An alternative method for monitoring and interpreting influenza A in communities using wastewater surveillance
Notice bibliographique
Résumé
Seasonal influenza is an annual public health challenge that strains healthcare systems, yet population-level prevalence remains under-reported using standard clinical surveillance methods. Wastewater surveillance (WWS) of influenza A can allow for reliable flu surveillance within a community by leveraging existing severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) WWS networks regardless of the sample type (primary sludge vs. primary influent) using an RT-qPCR-based viral RNA detection method for both targets. Additionally, current influenza A outbreaks disproportionately affect the pediatric population. In this study, we show the utility of interpreting influenza A WWS data with elementary student absenteeism due to illness to selectively interpret disease spread in the pediatric population. Our results show that the highest statistically significant correlation (R s = 0.96, p = 0.011) occurred between influenza A WWS data and elementary school absences due to illness. This correlation coefficient is notably higher than the correlations observed between influenza A WWS data and influenza A clinical case data (R s = 0.79, p = 0.036). This method can be combined with a suite of pathogen data from wastewater to provide a robust system for determining the causative agents of diseases that are strongly symptomatic in children to infer pediatric outbreaks within communities.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 ».