Innovations in public health surveillance: An overview of novel use of data and analytic methods
Notice bibliographique
Résumé
Innovative data sources and methods for public health surveillance (PHS) have evolved rapidly over the past 10 years, suggesting the need for a closer look at the scientific maturity, feasibility, and utility of use in real-world situations. This article provides an overview of recent innovations in PHS, including data from social media, internet search engines, the Internet of Things (IoT), wastewater surveillance, participatory surveillance, artificial intelligence (AI), and nowcasting. Examples identified suggest that novel data sources and analytic methods have the potential to strengthen PHS by improving disease estimates, promoting early warning for disease outbreaks, and generating additional and/or more timely information for public health action. For example, wastewater surveillance has re-emerged as a practical tool for early detection of the coronavirus disease 2019 (COVID-19) and other pathogens, and AI is increasingly used to process large amounts of digital data. Challenges to implementing novel methods include lack of scientific maturity, limited examples of implementation in real-world public health settings, privacy and security risks, and health equity implications. Improving data governance, developing clear policies for the use of AI technologies, and public health workforce development are important next steps towards advancing the use of innovation in PHS.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,107 | 0,097 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,021 | 0,015 |
| Études des sciences et des technologies | 0,002 | 0,016 |
| Communication savante | 0,012 | 0,013 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,006 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».