Bibliographic record
Abstract
Entre 2011 et 2012, 50 cas de tuberculose confirmés par culture ont été recensés dans un village Inuit de Nunavik, ce qui représente une incidence de 5% pour cette période. Parmi ceux ayant été infectés récemment, 20% ont développé une tuberculose active, alors que l'on s'attendait à ~5%. Des méthodes classiques de typage ont suggéré qu'il s'agissait d'une éclosion provenant d'une unique source ponctuelle et alarmante à la fois d'un point de vue de santé publique et pour la communauté. Cependant, des études moléculaires dans la région Arctique ont révélé une diversité bactérienne limitée. Il était donc possible que ces méthodes manquaient tout simplement de résolution afin de discriminer de réels événements de transmission d'une absence de transmission. De récents travaux utilisant une nouvelle méthode, le séquençage de génomes entiers, suggèrent que cette technique fournit des données de meilleure résolution et permettrait de discriminer de manière précise la transmission de la réactivation d'une infection précédente. Cependant, tandis que le séquençage de génomes devient la méthode de choix pour la détection de transmission de maladies infectieuses, les pipelines bio-informatiques - étapes requises permettant de traiter les données génétiques brutes en informations utilisables en épidémiologie - manquent de standardisation, avec le risque potentiel que le traitement arbitraire des données puisse affecter les conclusions épidémiologiques. À travers cette thèse, j'ai appliqué le séquençage de génomes entiers à une éclosion, puis une étude des populations, afin d'évaluer la transmission de la tuberculose dans le cadre d'une grande incidence. En procédant ainsi, j'ai examiné à la fois les aspects méthodologiques et les applications cliniques du séquençage de génomes entiers dédiés au contrôle de la tuberculose.
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 | 0.004 | 0.007 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.004 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.003 |
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".