Human-environment interactions on infectious disease risk in Brazil
Notice bibliographique
Résumé
Emerging and re-emerging infectious diseases pose a major threat to global health, yet little is known about their complex socio-ecological pathways that impact population health disproportionately at fine spatial scales. This is common in low-and middle-income countries with stark inequalities such as Brazil, which faces unprecedented changes in land-use and climate, and the burden of several epidemics, including the Zika virus, yellow fever virus, and SARS-CoV-2 responsible for the COVID-19 pandemic. This thesis presents research conducted on these diseases to advance knowledge on the relationships of ecological-epidemiological factors in natural and socio-institutional settings, which shape differential population risk to infectious diseases in Brazil. Guided by the theoretical frameworks of disease ecology and landscape epidemiology, this thesis uses large open-access datasets, GIS, and statistical modelling to explore the geographic spread of Zika virus, the emergence of yellow fever virus in the natural environment, differential risk to COVID-19 spread in the built environment, and population response to COVID-19 via immunisation. Forest cover and temperature fostered the environmental suitability of yellow fever, while race, income, and healthcare systems contributed to inequalities in access to COVID-19 testing, infection, and death. Mass vaccination campaigns illustrated in the context of COVID-19 showed that vaccine coverage varies by area, age, race, sex, and socioeconomic status. In these settings, population interconnectivity via settlement, mobility, and behaviour significantly influenced disproportionate geographic exposure to disease risk. Findings and implications from this research can be used to inform public health policies and interventions in Brazil. Future research should continue to explore the integration of large open-access datasets for understanding geographical inequalities in disease risk.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 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 ».