427 Arbeiten
Epidemiologie untersucht, wie sich Krankheiten in Populationen ausbreiten und welche Faktoren diesen Prozess beeinflussen. Dieser Bereich hilft uns zu verstehen, warum bestimmte Gruppen stärker betroffen sind und wie wir Infektionsketten wirksam unterbrechen können. Auf Gist.Science machen wir die neuesten Forschungsergebnisse aus diesem dynamischen Feld für alle verständlich, ohne dass Sie Fachjargon beherrschen müssen.
Alle hier gelisteten Studien stammen direkt von medRxiv, wo Forscher ihre Vorab-Veröffentlichungen teilen. Unser Team verarbeitet jedes neue Preprint in dieser Kategorie und erstellt sowohl eine einfache Zusammenfassung für ein breites Publikum als auch eine detaillierte technische Analyse für Experten. So bleiben Sie stets über den aktuellen Stand der Wissenschaft informiert, lange bevor die Ergebnisse in Fachzeitschriften veröffentlicht werden.
Im Folgenden finden Sie die aktuellsten Beiträge aus dem Bereich Epidemiologie, die wir gerade für Sie aufbereitet haben.
Diese Studie zeigt, dass bei der Vorhersage globaler COVID-19-Inzidenzen unter strukturellen Änderungen die Leistung von Prognosemodellen stark vom Vorhersagehorizont abhängt, wobei einfache Basismodelle wie der Drift- und die saisonale Naive-Methode oft komplexeren statistischen Verfahren überlegen bleiben.
Eine Kohortenstudie aus den USA zeigt, dass häufiger Alkoholkonsum und gleichzeitiges Rauchen in der Adoleszenz das Risiko für Herz-Kreislauf-Erkrankungen und Bluthochdruck im Erwachsenenalter bei Jugendlichen aus finanziell benachteiligten Familien stärker erhöhen als bei ihren privilegierten Altersgenossen, was auf eine ungleiche Anfälligkeit aufgrund des sozioökonomischen Hintergrunds hindeutet.
Die Studie zeigt, dass eine Kombination aus kurzfristigen Investitionen in neue Dengue-Impf- und Bekämpfungsmaßnahmen sowie langfristigen städtebaulichen Eingriffen zur Beseitigung von Moskitolebensräumen die einzige Strategie ist, um eine nachhaltige und dauerhafte Reduktion der Krankheitslast um über 90 % zu erreichen.
Diese Studie identifiziert mittels Proteomik und genetischer Analysen in britischen und chinesischen Populationen neue Proteincluster und kausale molekulare Pfade, die die Heterogenität der Typ-2-Diabetes-Ätiologie aufklären und potenzielle Ziele für präzisionsmedizinische Therapien bieten.
Diese Studie nutzt mathematische Modelle auf serologischen Daten von Kindern in England, um die jährlichen Norovirus-Infektionsraten und die Antikörperkinetik gegenüber GII.4-Varianten abzuschätzen, wobei hohe Infektionsraten, eine altersabhängige Verteilung und Hinweise auf immunologische Prägung identifiziert wurden, um Epidemien besser vorherzusagen.
Diese Studie zeigt, dass die Verteilung von Säugetierreservoiren den stärksten Prädiktor für das Vorkommen von Coccidioidomycose (Vallie-Fieber) im westlichen USA darstellt und durch die Integration ökologischer Daten mit epidemiologischen Daten sowohl die Risikokartierung verbessert als auch Unterberichterstattung in bestimmten Regionen aufdeckt.
Die Studie zeigt, dass ein höherer Bildungsabschluss bei Frauen den negativen Einfluss genetischer Veranlagung auf den BMI über den gesamten Erwachsenenalter hinweg abschwächt, während dieser schützende Effekt bei Männern fehlt.
Diese Studie vergleicht systematisch proteomische Organalterungsbiomarker mit etablierten multimodalen Biomarkern in der Lothian Birth Cohort 1936 und zeigt, dass zwar beschleunigte Alterung von Leber, Immunsystem und Herz mit einem höheren Sterberisiko verbunden sind, jedoch Biomarker wie das epigenetische Alter (GrimAge2), das Gesamtvolumen des Gehirns und kognitive Funktionen stärkere Prädiktoren für die Gesamtsterblichkeit darstellen, während die Analyse von 11.000 Plasmaproteinen spezifische Signaturproteine wie GDF15, CST3 und COL18A1 identifiziert.
Diese Studie stellt ein integriertes Fünf-Phasen-Rahmenwerk für die Erforschung geschlechtsbezogener Gewalt vor, das mittels synthetischer Daten, die an die kenianische Demografische und Gesundheitsumfrage angelehnt sind, zeigt, wie prädiktive Machine-Learning-Methoden und kausale Inferenz kombiniert werden können, um Risikofaktoren zu identifizieren und deren direkte Wirkmechanismen zu analysieren.
Diese Studie zeigt, dass scheinbare Interferenzsignale zwischen RSV und COVID-19 in US-Überwachungsdaten durch eine statistische Anpassung für gemeinsame Testneigung stark abgeschwächt werden und nicht robust sind, wobei die Methode aufgrund ihres konservativen Bias biologische Interferenz jedoch nicht vollständig ausschließen kann.