Planetary Health Design Lab (PHDL): A systems innovation platform to address climate-sensitive zoonoses in Nigeria
Notice bibliographique
Résumé
Introduction: Lassa fever, a climate-sensitive zoonotic disease endemic to West Africa, continues to challenge Nigeria’s health system due to environmental disruption, inadequate early warning mechanisms, and fragmented multi-sectoral governance. Between 2019 and 2024, Nigeria recorded over 5,000 confirmed cases, with case fatality ratios ranging from 15% to 20% in high-burden areas. Methods: This concept proposes the Planetary Health Design Lab (PHDL) as a systems innovation platform for integrating ecological and health data to address climate-sensitive zoonoses. The framework is designed to incorporate scenario modeling, spatial prioritization, and participatory systems mapping to co-create context-specific interventions. The proposed approach seeks to adapt decision-support systems for planetary health governance in LMICs. The conceptual model will be piloted using Nigeria as a case study, focusing on Lassa fever, with potential for international adaptation through future collaborations. Results: Early application of the PHDL in Nigeria demonstrates its potential to: (1) strengthen health and environment collaboration, (2) guide anticipatory interventions in Lassa fever hotspots, and (3) connect planetary health research with global technical partners. Cross-country partnerships in Japan and Canada offer complementary decision-support frameworks, including forest sector modeling and cumulative effects tools, adaptable to LMIC contexts. Conclusion: The PHDL offers a transdisciplinary, locally embedded, and globally networked innovation ecosystem for addressing Lassa fever and similar health risks at the human–nature interface. By institutionalizing systems thinking and nature-based governance, the lab supports sustainable epidemic preparedness and planetary health equity.
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 | 0,056 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».