Of Lyme disease and machine learning in a One Health world
Notice bibliographique
Résumé
Objective: Lyme disease is a vector-borne emerging zoonosis in Ontario driven by human population growth and climate change. Lyme disease is also a prime example of the One Health concept. While little can be done to immediately reverse climate change and population growth, public health must resort to health communication as its best option for disease control until an effective vaccine becomes available. Disease surveillance enabling precision public health has an important role in this respect: one of the goals of disease surveillance is to forecast the future burden of disease to inform those who need to know. The goal of this study was to forecast the burden of Lyme disease using automated machine learning and statistical learning approaches. Methods: Lyme disease reports were retrieved from Ontario's integrated Public Health Information System surveillance system from January 2005 to December 2023. The reports from January 2005 to December 2021 were used as training data, and reports from January 2022 to December 2023 served as validation data. Forecasts from a seasonal autoregressive integrated moving-average model were used as a benchmark for forecasts from a feed-forward single-layer neural network machine learning algorithm. Results: The Lyme disease burden in Ontario is predicted to increase dramatically. Neither the neural network nor the seasonal autoregressive integrated moving-average model proved to be generally more accurate. Conclusions: The increasing burden of human Lyme disease is concerning to public health, further indicating ecosystem changes and challenges for canine health. Clinical Relevance: Human Lyme disease surveillance provides useful information to veterinarians.
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 | 0,003 | 0,009 |
| 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 | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».