Burden and Cost of <i>Campylobacter</i> Risk Factors in Australia
Notice bibliographique
Résumé
Campylobacter is a globally important pathogen with well-studied risk factors, but the burden of risk factors has not been quantified. We quantified the cost of illness attributable to specific domestic risk factors for C. jejuni and C. coli in Australia. We used data from a 2018–2019 case–control study to estimate odds ratios and attributable fractions for risk factors. We used data on national incidence, hospitalization, and premature mortality to quantify burden. We then applied costs related to healthcare utilization, pain and suffering, premature mortality, and lost productivity to each risk factor. In Australia, C. jejuni caused 83.0% of campylobacteriosis infections and chicken consumption resulted in the highest attributable fraction (30.0%), costing approximately US$110 million annually. The excess burden of campylobacteriosis associated with the use of proton-pump inhibitors (PPIs) was US$45 million, with almost half these costs due to disease in adults over 65 years of age. Contact with young dogs (US$30 million) and chicken feces (US$10 million) also contributed to costs and burden. Campylobacteriosis is a significant cost to Australia, particularly because of lost productivity. Effective cross-sectoral interventions to improve chicken meat safety and reduce inappropriate use of PPIs might have substantial economic and human benefits.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».