Spatial multi-criteria decision analysis for the selection of sentinel regions in tick-borne disease surveillance
Notice bibliographique
Résumé
BACKGROUND: The implementation of cost-effective surveillance systems is essential for tracking the emerging risk of tick-borne diseases. In Canada, where Lyme disease is a growing public health concern, a national sentinel surveillance network was designed to follow the epidemiological portrait of this tick-borne disease across the country. The surveillance network consists of sentinel regions, with active drag sampling carried out annually in all regions to assess the density of Ixodes spp. ticks and prevalence of various tick-borne pathogens in the tick population. The aim of the present study was to prioritize sentinel regions by integrating different spatial criteria relevant to the surveillance goals. METHODS: We used spatially-explicit multi-criteria decision analyses (MCDA) to map priority areas for surveillance across Canada, and to evaluate different scenarios using sensitivity analyses. Results were shared with stakeholders to support their decision making for the selection of priority areas to survey during active surveillance activities. RESULTS: Weights attributed to criteria by decision-makers were overall consistent. Sensitivity analyses showed that the population criterion had the most impact on rankings. Thirty-seven sentinel regions were identified across Canada using this systematic and transparent approach. CONCLUSION: This novel application of spatial MCDA to surveillance network design favors inclusivity of nationwide partners. We propose that such an approach can support the standardized planning of spatial design of sentinel surveillance not only for vector-borne disease BDs, but more broadly for infectious disease surveillance where spatial design is an important component.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 ».