Geographic Variability, Seasonality, and Increase in ASPCA Animal Poison Control Center Harmful Blue-Green Algae Calls—United States and Canada, 2010–2022
Notice bibliographique
Résumé
Harmful cyanobacteria (blue-green algae) exposures can cause illness or death in humans and animals. We characterized American Society for the Prevention of Cruelty to Animals (ASPCA) Animal Poison Control Center (APCC) harmful blue-green algae (HBGA) call data, compared it to a measure of harmful algal bloom public awareness, and considered its suitability as a public health information source. ASPCA APCC dog and cat “HBGA exposure” calls made 1 January 2010–31 December 2022 were included. We calculated annual HBGA call percentages and described calls (species, month, origin, exposure route). We characterized public awareness by quantifying Nexis Uni® (LexisNexis Academic; New York, NY, USA)-indexed news publications (2010–2022) pertaining to “harmful algal bloom(s)”. Call percentage increased annually, from 0.005% (2010) to 0.070% (2022). Of 999 HBGA calls, 99.4% (n = 993) were dog exposures. Over 65% (n = 655) of calls were made July–September, largely from the New England (n = 154 (15.4%)) and Pacific (n = 129 (12.9.%)) geographic divisions. Oral and dermal exposures predominated (n = 956 (95.7%)). Harmful algal bloom news publications increased overall, peaking in 2019 (n = 1834). Higher call volumes in summer and in the New England and Pacific geographic divisions drove HBGA call increases; public awareness might have contributed. Dogs and humans have similar exposure routes. ASPCA APCC HBGA call data could serve as a public health information source.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,001 | 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 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 ».