Rift Valley Fever outbreaks in the East African Community: insights from ProMed data (2010–2024)
Notice bibliographique
Résumé
Background: Rift Valley Fever (RVF) is a mosquito-borne zoonotic disease that poses a serious threat to both humans and livestock across various regions, particularly in Africa, the Arabian Peninsula, and parts of the Indian Ocean Islands. This study seeks to analyze the spatial and temporal distribution and trends of RVF outbreaks within the East African Community (EAC) countries, offering insights into the patterns and progression of these outbreaks in the region. Methods: We conducted a retrospective analysis of the Program for Monitoring Emerging Diseases (ProMed), a digital, event-based disease surveillance system, to identify reports of outbreak events in Uganda, Kenya, Rwanda, Burundi, Tanzania, and South Sudan from 2010 to 2024. Outbreak events were systematically tabulated by year, and each record was reviewed to assess RVF outbreak characteristics, locations, trends, and spatial-temporal distribution over the past 14 years. Results: Between 2010 and 2024, 67 RVF outbreaks were documented across Uganda, Rwanda, Kenya, Tanzania, Burundi, and South Sudan, impacting both animal and human populations with confirmed cases and fatalities. Key interventions to contain these outbreaks included restricting animal movement, vaccination campaigns, disease awareness initiatives, enhanced surveillance, contact tracing, isolation, and treatment. Reporting of these outbreaks varied across regions, with a notable monthly increase in cases during May and June and the highest annual incidence observed in 2018. Conclusion: The recurrent and widespread outbreaks of Rift Valley Fever across East Africa highlight an urgent need for increased investment in research, surveillance, prevention, and control efforts to combat this disease.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».