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 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 | 0,009 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,010 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».