The application of epidemiology in aquatic animal health -opportunities and challenges
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
Over recent years the growth in aquaculture, accompanied by the emergence of new and transboundary diseases, has stimulated epidemiological studies of aquatic animal diseases. Great potential exists for both observational and theoretical approaches to investigate the processes driving emergence but, to date, compared to terrestrial systems, relatively few studies exist in aquatic animals. Research using risk methods has assessed routes of introduction of aquatic animal pathogens to facilitate safe trade (e.g. import risk analyses) and support biosecurity. Epidemiological studies of risk factors for disease in aquaculture (most notably Atlantic salmon farming) have effectively supported control measures. Methods developed for terrestrial livestock diseases (e.g. risk-based surveillance) could improve the capacity of aquatic animal surveillance systems to detect disease incursions and emergence. The study of disease in wild populations presents many challenges and the judicious use of theoretical models offers some solutions. Models, parameterised from observational studies of host pathogen interactions, have been used to extrapolate estimates of impacts on the individual to the population level. These have proved effective in estimating the likely impact of parasite infections on wild salmonid populations in Switzerland and Canada (where the importance of farmed salmon as a reservoir of infection was investigated). A lack of data is often the key constraint in the application of new approaches to surveillance and modelling. The need for epidemiological approaches to protect aquatic animal health will inevitably increase in the face of the combined challenges of climate change, increasing anthropogenic pressures, limited water sources and the growth in aquaculture.
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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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