Spatiotemporal patterns in British racing and equestrian sports: Implications for pathogen transmission
Notice bibliographique
Résumé
BACKGROUND: The widespread assumption that there is minimal potential for pathogen transmission between British racehorse and sport horse populations remains unverified by empirical evidence. OBJECTIVES: To characterise spatiotemporal patterns of horse attendance at racing and other sport events in Great Britain in 2018. STUDY DESIGN: Spatiotemporal analysis. METHODS: Publicly available data from British Horseracing Authority, British Dressage, British Eventing, Endurance GB, and British Showjumping events in Great Britain during 2018 were analysed. Horse attendance was summarised by discipline, month, and season. Venue density was mapped with kernel density estimation. Sport venues within 5 km of racecourses with horse attendance within 24 h of racing were identified and Kulldorff's spatial scan statistic was used to detect significant time-space clustering of venue use. RESULTS: Excluding showjumpers, 49,012 horses competed in 8314 events across 598 venues during 2018, generating over 400,000 horse-venue attendances. Most horses (97.2%; n = 47,635/49,012) competed in a single discipline. Venue attendances peaked in summer and were concentrated in southeast England. There were five significant space-time clusters of venue-events within 5 km and 24 h of each other involving 5 racecourses and 8 sport venues. The most likely cluster was in the southeast of England, between January and July, with a relative risk of 62.54. MAIN LIMITATIONS: Inconsistent horse identification precluded horse-level analysis of showjumping data. CONCLUSIONS: Racehorse and sport horse populations competing in Great Britain are largely separate, but limited opportunities for local or indirect pathogen spread do exist during peak seasons in areas with high venue density.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,000 | 0,001 |
| 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 ».