Utilisation d’un modèle mathématique multi-compartimenté afin d’étudier la co-infection au VIH et au virus de Zika chez les femmes enceintes dans six pays d’Amérique latine et des Caraïbes.
Bibliographic record
Abstract
L’infection au virus de Zika chez la femme enceinte constitue un enjeu majeur de santé publique. Elle a été associée à un syndrome congénital de Zika pouvant entraîner chez le nouveau-né des troubles neurologiques. La propagation intense du virus en Amérique latine et dans les Caraïbes a poussé L’organisation Mondiale de la Santé à décréter une urgence de santé publique de portée internationale à son encontre en février 2016. Cependant, la co-infection avec d’autres virus rendant encore plus vulnérables les femmes enceintes n’a pas été totalement explorée. Le virus de Zika partage un mode de transmission avec le virus d’immunodéficience humaine (VIH). Il est donc pertinent de s’intéresser à la co-infection au virus de Zika (ZIKV) et au VIH chez la femme enceinte. Nous utiliserons un modèle compartimental prenant en compte les paramètres liés à l’infection aux deux virus chez la femme enceinte. Nous utiliserons les données d’une cohorte de femmes enceintes séropositives au VIH à Rio de Janeiro au Brésil afin d’effectuer des expérimentations numériques. Nous introduirons ensuite dans le modèle des paramètres liés à l’application de stratégies de contrôle de l’infection aux virus. Ce projet permet de mettre en exergue le fardeau qu’exerce le virus de Zika chez les femmes enceintes séropositives au VIH. D’autant plus que les projections estiment que d’ici 2100, la majeure partie des États-Unis et le sud du Canada seront habitables par les vecteurs compétents du ZIKV. Il semble donc pertinent de s’intéresser à cette problématique dès maintenant, puisqu’elle pourrait réémerger sous peu.
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 | 0.002 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.003 | 0.003 |
| Insufficient payload (model declined to judge) | 0.016 | 0.001 |
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".