Integration of empirical network data and agent-based modelling to examine the risk of equine influenza infection in equine athletes in Ontario, Canada
Notice bibliographique
Résumé
Horses are frequently transported, creating opportunities for the spread of pathogens. Disease transmission models for equine infectious diseases face limitations on their generalizability due to challenges in describing equine movement and the structure of their contact networks beyond simplistic assumptions. This study aimed to combine a stochastic, agent-based, SEIR model for equine influenza disease dynamics with an observed Ontario, Canada equine contact network structure to quantify the potential magnitude of equine influenza outbreaks in Ontario competition horses under different conditions. Different interventions were modelled to help provide insight into the impacts of biosecurity practices to mitigate population risk. Eight scenarios with different levels of vaccination (42.5-95 %) and horse contact rates (normal distributions with means of 2 and 5) were simulated within the competition network. Outcomes of interest for each scenario included attack rate, number of infected home facilities, number of infected competitions, and outbreak duration. For each scenario, 200 stochastic iterations were performed. The results demonstrate that decreasing contact between horses was more effective at reducing key outcome indicators (attack rate, number of home facilities with infected horses, number of competitions with infected horses) compared to any change in vaccination coverage among the non-competitor horse population. This model integrating disease dynamics of equine influenza and a parameterization of an Ontario competition network outlines the importance of the role of contact-related behaviours when discussing biosecurity risk mitigation measures for populations of Ontario equine athletes.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 ».