The effect of meteorological factors on severe fever with thrombocytopenia syndrome: Evidence from 34 Chinese cities
Notice bibliographique
Résumé
Background: Severe fever with thrombocytopenia syndrome (SFTS) is a climate-sensitive infectious disease, and its spatial distribution has been expanding in recent years. This study aimed to investigate the influence of meteorological factors on SFTS incidence. Methods: Data on SFTS was extracted from the Infectious Disease Surveillance Report Management System from January 1, 2011 to December 31, 2023. A two-stage hierarchical analytical framework was employed in this study. First, a distributed lag nonlinear model was utilized to characterize the nonlinear exposure-response relationships between meteorological factors and the incidence of SFTS at the municipal level. Second, a multivariate meta-analysis was conducted to synthesize city-specific effect estimates, with explicit adjustment for inter-regional heterogeneity. Results: : 0.10-0.80). Conclusions: This study demonstrates that temperature and precipitation significantly influence SFTS incidence, with effects lagging consistently by 1-2 months. These findings can be integrated into China's Smart Multi-Point Surveillance System by incorporating region-specific meteorological thresholds to trigger early warnings. The system could then activate targeted interventions, such as tick control measures, accounting for the observed 1-2 month lag between climatic conditions and disease occurrence. Such climate-adaptive approaches would enhance the precision and timeliness of SFTS prevention and control efforts nationwide.
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 | 0,006 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,006 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 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) | 0,002 | 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 ».