Enhancing insights in sexually transmitted infection mapping: Syphilis in Forsyth County, North Carolina, a case study
Notice bibliographique
Résumé
In 2008-2011 Forsyth County, North Carolina (NC) experienced a four-fold increase in syphilis rising to over 35 cases per 100,000 mirroring the 2021 state syphilis rate. Our methodology extends current models with: 1) donut geomasking to enhance resolution while protecting patient privacy; 2) a moving window uniform grid to control the modifiable areal unit problem, edge effect and remove kriging islands; and 3) mitigating the "small number problem" with Uniform Model Bayesian Maximum Entropy (UMBME). Data is 2008-2011 early syphilis cases reported to the NC Department of Health and Human Services for Forsyth County. Results were assessed using latent rate theory cross validation. We show combining a moving window and a UMBME analysis with geomasked data effectively predicted the true or latent syphilis rate 5% to 26% more accurate than the traditional, geopolitical boundary method. It removed kriging islands, reduced background incidence rate to 0, relocated nine outbreak hotspots to more realistic locations, and elucidated hotspot connectivity producing more realistic geographical patterns for targeted insights. Using the Forsyth outbreak as a case study showed how the outbreak emerged from endemic areas spreading through sexual core transmitters and contextualizing the outbreak to current and past outbreaks. As the dynamics of sexually transmitted infections spread have changed to online partnership selection and demographically to include more women, partnership selection continues to remain highly localized. Furthermore, it is important to present methods to increase interpretability and accuracy of visual representations of data.
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 | 0,001 | 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 ».