Modelling morbidity for neglected tropical diseases: the long and winding road from cumulative exposure to long-term pathology
Notice bibliographique
Résumé
Reducing the morbidities caused by neglected tropical diseases (NTDs) is a central aim of ongoing disease control programmes. The broad spectrum of pathogens under the umbrella of NTDs lead to a range of negative health outcomes, from malnutrition and anaemia to organ failure, blindness and carcinogenesis. For some NTDs, the most severe clinical manifestations develop over many years of chronic or repeated infection. For these diseases, the association between infection and risk of long-term pathology is generally complex, and the impact of multiple interacting factors, such as age, co-morbidities and host immune response, is often poorly quantified. Mathematical modelling has been used for many years to gain insights into the complex processes underlying the transmission dynamics of infectious diseases; however, long-term morbidities associated with chronic or cumulative exposure are generally not incorporated into dynamic models for NTDs. Here we consider the complexities and challenges for determining the relationship between cumulative pathogen exposure and morbidity at the individual and population levels, drawing on case studies for trachoma, schistosomiasis and foodborne trematodiasis. We explore potential frameworks for explicitly incorporating long-term morbidity into NTD transmission models, and consider the insights such frameworks may bring in terms of policy-relevant projections for the elimination era. This article is part of the theme issue 'Challenges and opportunities in the fight against neglected tropical diseases: a decade from the London Declaration on NTDs'.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».