Generally, seafarers face a higher risk of illnesses and accidents than land workers. In most cases, there are no medical professionals on board seagoing vessels, which makes disease diagnosis even more difficult. When this occurs, onshore doctors may be able to provide medical advice through telemedicine by receiving better symptomatic and clinical details in the health abstracts of seafarers. The adoption of text mining techniques can assist in extracting diagnostic information from clinical texts. We applied lexicon sentimental analysis to explore the automatic labeling of positive and negative healthcare terms to seafarers' text healthcare documents. This was due to the lack of experimental evaluations using computational techniques. In order to classify diseases and their associated symptoms, the LASSO regression algorithm is applied to analyze these text documents. A visualization of symptomatic data frequency for each disease can be achieved by analyzing TF-IDF values. The proposed approach allows for the classification of text documents with 93.8% accuracy by using a machine learning model called LASSO regression. It is possible to classify text documents effectively with tidy text mining libraries. In addition to delivering health assistance, this method can be used to classify diseases and establish health observatories. Knowledge developed in the present work will be applied to establish an Epidemiological Observatory of Seafarers' Pathologies and Injuries. This Observatory will be a collaborative initiative of the Italian Ministry of Health, University of Camerino, and International Radio Medical Centre (C.I.R.M.), the Italian TMAS.

Objectives: The incidence of acute cardiac events is one of the main reasons for medical consultation, disembarkation, repatriation, and death among seafarers at sea. Managing cardiovascular risk factors, particularly those that can be modified, is the key to preventing cardiovascular disease. Therefore, this review estimates the pooled prevalence of major CVD risk factors among seafarers. Methods: We conducted a comprehensive search of studies published between 1994 and December 2021 in four international databases, namely PubMed/Medline, Scopus, Google Scholar, and Web of Science (WOS). Each study was evaluated for methodological quality using the Joanna Briggs Institute (JBI) critical appraisal tool for prevalence studies. The DerSimonian–Laird random-effects model with logit transformations was used to estimate the pooled prevalence of major CVD risk factors. The results were reported in accordance with the Preferred Items for Systematic Review and Meta-analysis (PRISMA) guidelines. Results: Out of all 1484 studies reviewed, 21 studies with 145,913 study participants met the eligibility criteria and were included in the meta-analysis. In the pooled analysis, the prevalence of smoking was found to be 40.14% (95% CI: 34.29 to 46.29%) with heterogeneity between studies (I2 = 98%, p < 0.01). The prevalence of hypertension, overweight, obesity, diabetes mellitus, and alcohol consumption was 45.32%, 41.67%, 18.60%, 12.70%, and 38.58%, respectively. However, the sensitivity analysis after excluding studies showed a pooled prevalence of hypertension, overweight, obesity, and diabetes mellitus of 44.86%, 41.87%, 15.99%, and 16.84%, respectively. The subgroup analysis demonstrated that smoking prevalence among seafarers had decreased significantly after 2013. Conclusion: This study demonstrated that CVD risk factors, particularly hypertension, overweight, smoking, alcohol consumption, and obesity, are prevalent among seafarers. These findings may serve as a guide for shipping companies and other responsible bodies in order to prevent CVD risk factors among seafarers. PROSPERO Registration: CRD42022300993.

Abstract Background The implementation genomic-based surveillance on emerging severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) variants in low-income countries, which have inadequate molecular and sequencing capabilities and limited vaccine storage, represents a challenge for public health. To date, there is little evidence on molecular investigations of SARS-CoV-2 variants in areas where they might emerge. We report the findings of an experimental SARS-CoV-2 molecular surveillance programme for migrants, refugees, and asylum seekers arriving to Europe via Italy through the Mediterranean Sea. Methods We descriptively analysed data on migrants collected at entry points in Sicily from February 2021 to May 2022. These entry points are integrated with a network of laboratories fully equipped for molecular analyses, which performed next-generation sequencing and used Nextclade and the Pangolin coronavirus disease 2019 (COVID-19) tools for clade/lineage assignment. Results We obtained 472 full-length SARS-CoV-2 sequences and identified 12 unique clades belonging to 31 different lineages. The delta variant accounted for 43.6% of all genomes, followed by clades 21D (Eta) and 20A (25.4% and 11.4%, respectively). Notably, some of the identified lineages (A.23.1, A.27, and A.29) predicted their introduction into the migration area. The mutation analysis allowed us to identify 617 different amino acid substitutions, 156 amino acid deletions, 7 stop codons, and 6 amino acid insertions. Lastly, we highlighted the geographical distribution patterns of some mutational profiles occurring in the migrants' countries of origin. Conclusions Genome-based molecular surveillance dedicated to migrant populations from low-resource areas may be useful for forecasting new epidemiological scenarios related to SARS-CoV-2 variants or other emerging pathogens, as well as for informing the updating of vaccination strategies.