Leveraging artificial intelligence community analytics and nanopore metagenomic surveillance to monitor early enteropathogen outbreaks
Notice bibliographique
Résumé
Foodborne enteric infections are a major public health and economical burden, yet their surveillance often relies on latent indicators that delay containment efforts by several days and weeks. Conversely, whole metagenome shotgun sequencing of communal wastewater allows continuous monitoring of enteric pathogens. Spikes in abundance can be observed several weeks before the first case reports emerge. In addition, AI-driven social media mining, already in use for public opinion analytics, could be repurposed for predicting outbreaks at the community level by predicting the number of people experiencing symptoms in the population given their social media activity. Here we report how AI-driven community analytics and high-throughput long-read metagenomic surveillance of communal wastewater microbiota were combined to monitor non-typhoidal salmonellosis in Quebec City, Canada, from August 2023 to February 2024. Both approaches indicated similar fluctuations over time for: (i) people experiencing salmonellosis symptoms, and (ii) Salmonella enterica relative abundance in wastewater, with predicted cases leading metagenomic peaks by a week. Moreover, both approaches detected a maximum around September 13th, 2023, 5 weeks before a Salmonella food recall for the Quebec and Ontario provinces was made by the Public Health Agency of Canada. We therefore suggest that continuous AI-driven analytics and wastewater metagenomics monitoring could become part of a nationwide surveillance pipeline from the community scale to the molecular level.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».