Sacred journeys and pilgrimages: health risks associated with travels for religious purposes
Notice bibliographique
Résumé
BACKGROUND: Pilgrimages and travel to religious mass gatherings (MGs) are part of all major religions. This narrative review aims to describe some characteristics, including health risks, of the more well-known and frequently undertaken ones. METHODS: A literature search was conducted using keywords related to the characteristics (frequency of occurrence, duration, calendar period, reasons behind their undertaking and the common health risks) of Christian, Muslim, Hindu, Buddhist and Jewish religious MGs. RESULTS: About 600 million trips are undertaken to religious sites annually. The characteristics vary between religions and between pilgrimages. However, religious MGs share common health risks, but these are reported in a heterogenous manner. European Christian pilgrimages reported both communicable diseases, such as norovirus outbreaks linked to the Marian Shrine of Lourdes in France, and non-communicable diseases (NCDs). NCDs predominated at the Catholic pilgrimage to the Basilica of Our Lady of Guadalupe in Mexico, which documented 11 million attendees in 1 week. The Zion Christian Church Easter gathering in South Africa, attended by ~10 million pilgrims, reported mostly motor vehicle accidents. Muslim pilgrimages such as the Arbaeen (20 million pilgrims) and Hajj documented a high incidence of respiratory tract infections, up to 80% during Hajj. Heat injuries and stampedes have been associated with Hajj. The Hindu Kumbh Mela pilgrimage, which attracted 100 million pilgrims in 2013, documented respiratory conditions in 70% of consultations. A deadly stampede occurred at the 2021 Jewish Lag BaOmer MG. CONCLUSION: Communicable and NCD differ among the different religious MGs. Gaps exists in the surveillance, reporting and data accessibility of health risks associated with religious MGs. A need exists for the uniform implementation of a system of real-time monitoring of diseases and morbidity patterns, utilizing standardized modern information-sharing platforms. The health needs of pilgrims can then be prioritized by developing specific and appropriate guidelines.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,001 |
| Bibliométrie | 0,002 | 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 | 0,001 | 0,003 |
| 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 ».