<i>Salmonella</i> Infections in Ninety Alberta Swine Finishing Farms: Serological Prevalence, Correlation Between Culture and Serology, and Risk Factors for Infection
Notice bibliographique
Résumé
The aim of this study was to determine serological prevalence for Salmonella in 90 Alberta finishing swine farms over a 5-month period; to evaluate the correlation between the detection of Salmonella by bacteriological culture and serology; and to identify risk factors for Salmonella seroprevalence. Participating farms were visited 3 times. A total of 30 blood and 15 fecal samples were collected from finishing pigs on each farm. VetScreen Salmonella covalent mix-ELISA (Svanovir) and conventional culture were performed. The apparent Salmonella seroprevalences at the sample and farm level were 13.2% (95% confidence interval [CI], 10.5-15.5%) and 83.3% (95% CI, 74-90.4%), respectively. Most of the farms had within-farm seroprevalence of <or=20%, indicating that pigs on these farms had a low exposure to Salmonella. The Salmonella farm status changed frequently across 3 visits. The correlation between fecal prevalence and seroprevalence at the farm and farm visit level was 0.71 (P < 0.0001) and 0.47 (P < 0.0001), respectively. The use of meal feed and the reported use of antimicrobials through water were associated with a lower farm seroprevalence for Salmonella. Longitudinal sampling and testing are required to properly evaluate Salmonella on-farm status. The interpretation of existing serological and culture tests for Salmonella in swine should take into consideration their imperfect sensitivity, what these tests actually measure (previous exposure vs. current shedding), and the Salmonella serovar distribution within the targeted population. Further work is necessary to demonstrate the effectiveness of on-farm interventions against Salmonella in swine.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».