The utility of a Geographic Information System in the detection of Tuberculosis transmission
Bibliographic record
Abstract
Introduction : La méthode traditionnelle d'évaluation des contacts d'un cas actif de tuberculose (TB) se concentre principalement à l'identification des noms des personnes contacts par le cas actif. Les systèmes d'information géographiques (SIG) pourraient être des outils nouveaux servant à identifier des lieux communs où la transmission peut se dérouler. Méthode : Nous avons réalisé une étude rétrospective à partir des dossiers de la santé publique de tous les 1536 cas de TB active sur l'île de Montréal de janvier 1996 à décembre 2004. Les adresses des résidences, du travail, de l'école et des activités sociales des patients ont été recueillies et géocodées. Nous avons alors utilisé les logiciels Crimestat et R afin d'identifier les cas situés dans un rayon de 15 mètres les uns des autres. Le génotypage des souches de M. tuberculosis a été effectué par la méthode de bandes IS6110. Cette méthode a été notre étalon-or pour déterminer la transmission. Résultats : Selon les génotypes partagés, 165 (15.8%) isolats ont été regroupés dans 57 agrégats variant de 2 à 11 membres. Les autres 878 isolats avaient des génotypes uniques. 1284 lieux ont été géocodés dont 196 impliquaient des cas avec des souches partagées avec d'autres patients montréalais. Parmi ces 196 lieux, seulement 17 (8.7%) cas de TB active ont partagé un lieux commun dans un rayon de 15 mètres avec un autre membre du même agrégat défini par le génotypage. Cependant, en utilisant la méthode d'échantillonnage du bootstrap pour comparer un échantillon de même taille à partir des 1088 lieux associés à des génotypes non-partagées, une moyenne de 18.34 cas (95% IC: 7.94 – 28.64) étaient dans un rayon de 15 mètres d'au moins un autre cas. Inversement, parmi 348 instances de lieux partagés, 17 (4.9%) impliquaient aussi des génotypes partagées. Conclusion : Lors d'une étude rétrospective dans laquelle la plupart des lie
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 | 0.007 | 0.025 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.007 | 0.005 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 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".