<b>Use of high pathogenicity avian influenza propagation models in the Dominican Republic</b>
Bibliographic record
Abstract
A utilização de modelos epidemiológicos como uma ferramenta para avaliar o comportamento de algumas doenças é cada vez mais comum.Modelos têm sido utilizados para representar a infecção pela influenza aviária com base no histórico de surtos causados pelo subtipo H5N1 altamente patogênico, além disso, tem-se modelado transmissão intra-rebanho por causa do subtipo H7N7 a partir de dados de mortalidade.Os primeiros surtos de gripe aviária em aves de curral nas Américas vieram do subtipo H5N2; desde então, e por mais de 30 anos, a linhagem H5N2 Norte americana tem sido detectada em outros países das Américas.Um vírus do mesmo subtipo e linhagem foi detectado em 2007 na República Dominicana; para estudar o possível impacto de um surto sobre a população desenvolvemos um modelo SIR com vários cenários de infecção a partir de parâmetros de H5N2 linhagem Norte americano.O estudo foi baseado em uma população real através da rede de contato de aves formada por 951 granjas; foi representada transmissão por alta e baixa patogenicidade ao longo de um período de 100 dias sem utilização de estratégias de controle.Seis cenários para alta patogenicidade e seis para baixa patogenicidade foram simulados seguido com sete repetições; todos os cenários levaram a surtos com progressão semelhante com curva epidêmica em declínio a partir do dia 34; no cenário de baixa a infecção é mantida ao longo do tempo.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".