Monitoring of Antimicrobial Resistance in Animals: Principles and Practices
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This chapter reviews information relevant to the design and scope of antimicrobial resistance monitoring and surveillance programs for animals and food, with emphasis on program purposes and methods. The chapter describes some of the essential features of existing monitoring and surveillance programs in various countries around the world. It shows how these programs have been useful in improving understanding of resistance and its relation to antimicrobial use and other factors, guiding public policy, and measuring the impact of interventions on antimicrobial resistance in bacteria from animals, food, and humans. The major methodological considerations for the monitoring program include the types of samples to be collected, sampling strategies, species of bacteria, antimicrobials for susceptibility testing, data collection and analysis, and reporting of results. Comprehensive monitoring of antimicrobial resistance in animals in the context of animal and human health covers the entire farm-to-fork continuum. The Food and Drug Administration (FDA) Center for Veterinary Medicine (CVM) has been active in developing new approaches for the preapproval assessment of antimicrobial resistance risks from antimicrobials used in animals. The Japanese Veterinary Antimicrobial Resistance Monitoring (JVARM) program examines the susceptibility of bacteria from food-producing animals to antimicrobial agents. Most programs focus on pathogenic bacteria or Salmonella, but some also report data on resistance in indicator bacteria isolated from healthy animals. Knowledge about antimicrobial resistance should be combined with knowledge regarding the usage of antimicrobial agents for different food animal species, which also should be performed on an internationally comparable basis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle