Geographical distribution and the impact of socio-environmental indicators on incidence of Mpox in Ontario, Canada
Notice bibliographique
Résumé
Background: Ontario, being one of Canada's largest provinces, has been central to the high incidence of human Mpox. Research is scarce on how socio-environmental factors influence Mpox incidences. This study seeks to explore potential geographical correlations and the relationship between indicators of social marginalization and Mpox incidence rate in Ontario. Methodology: We used surveillance data on confirmed human Mpox cases from May 1, 2022, to March 31, 2024, extracted from the Public Health Ontario website for this study. Spatial autocorrelation of Mpox incidence was investigated using spatial methods including Moran’s Index, Getis–Ord Gi*statistic, and spatial scan statistic. Following this, we adopted a generalized Poisson regression (GPR) model to estimate the incidence rate ratios (IRRs) based on the association between Ontario PHU-level marginalization and Mpox incidence, while adjusting for age and sex. The goodness-of-fit of the models was assessed using the Akaike Information Criterion (AIC), Akaike’s Information Criterion corrected (AICc), and the Bayesian Information Criterion (BIC). Results: Spatial scan statistics, LISA, and Getis-Ord Gi*statistics revealed similar results for PHUs with the highest rates of Mpox in Ontario. Our study detected statistically significantly higher Mpox cases in Toronto, Ottawa, Peterborough, Kingston, Peel, Wellington-Dufferin-Guelph, Middlesex-London, Halton region, Brant County, Hamilton, and Haldimand-Norfolk PHUs ([[EQUATION]]). Higher rates of Mpox infection in Ontario were associated with ethnic concentration (racialized, migrants or visible minority) [[EQUATION]]), and male gender ( [[EQUATION]]) and residential instability ( ). Conclusion: We identified major Mpox hotspots in Toronto. According to our model results, the high incidence rate may be influenced by the greater population of internal migrant population and younger individuals. Based on these insights, we recommend targeted interventions in the high-risk neighborhoods. Efforts to improve Mpox diagnosis and promote health equity among socioeconomically vulnerable populations, including racial and ethnic minorities, should be implemented.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».