Lessons learned from identifying clusters of severe acute respiratory infections with influenza sentinel surveillance, Bangladesh, 2009–2020
Notice bibliographique
Résumé
Background: We explored whether hospital-based surveillance is useful in detecting severe acute respiratory infection (SARI) clusters and how often these events result in outbreak investigation and community mitigation. Methods: During May 2009-December 2020, physicians at 14 sentinel hospitals prospectively identified SARI clusters (i.e., ≥2 SARI cases who developed symptoms ≤10 days of each other and lived <30 min walk or <3 km from each other). Oropharyngeal and nasopharyngeal swabs were tested for influenza and other respiratory viruses by real-time reverse transcriptase-polymerase chain reaction (rRT-PCR). We describe the demographic of persons within clusters, laboratory results, and outbreak investigations. Results: Field staff identified 464 clusters comprising 1427 SARI cases (range 0-13 clusters per month). Sixty percent of clusters had three, 23% had two, and 17% had ≥4 cases. Their median age was 2 years (inter-quartile range [IQR] 0.4-25) and 63% were male. Laboratory results were available for the 464 clusters with a median of 9 days (IQR = 6-13 days) after cluster identification. Less than one in five clusters had cases that tested positive for the same virus: respiratory syncytial virus (RSV) in 58 (13%), influenza viruses in 24 (5%), human metapneumovirus (HMPV) in five (1%), human parainfluenza virus (HPIV) in three (0.6%), adenovirus in two (0.4%). While 102/464 (22%) had poultry exposure, none tested positive for influenza A (H5N1) or A (H7N9). None of the 464 clusters led to field deployments for outbreak response. Conclusions: For 11 years, none of the hundreds of identified clusters led to an emergency response. The value of this event-based surveillance might be improved by seeking larger clusters, with stronger epidemiologic ties or decedents.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 ».