Unpacking factors influencing antimicrobial use in global aquaculture and their implication for management: a review from a systems perspective
Notice bibliographique
Résumé
Global seafood provides almost 20% of all animal protein in diets, and aquaculture is, despite weakening trends, the fastest growing food sector worldwide. Recent increases in production have largely been achieved through intensification of existing farming systems, resulting in higher risks of disease outbreaks. This has led to increased use of antimicrobials (AMs) and consequent antimicrobial resistance (AMR) in many farming sectors, which may compromise the treatment of bacterial infections in the aquaculture species itself and increase the risks of AMR in humans through zoonotic diseases or through the transfer of AMR genes to human bacteria. Multiple stakeholders have, as a result, criticized the aquaculture industry, resulting in consequent regulations in some countries. AM use in aquaculture differs from that in livestock farming due to aquaculture's greater diversity of species and farming systems, alternative means of AM application, and less consolidated farming practices in many regions. This, together with less research on AM use in aquaculture in general, suggests that large data gaps persist with regards to its overall use, breakdowns by species and system, and how AMs become distributed in, and impact on, the overall social-ecological systems in which they are embedded. This paper identifies the main factors (and challenges) behind application rates, which enables discussion of mitigation pathways. From a set of identified key mechanisms for AM usage, six proximate factors are identified: vulnerability to bacterial disease, AM access, disease diagnostic capacity, AMR, target markets and food safety regulations, and certification. Building upon these can enable local governments to reduce AM use through farmer training, spatial planning, assistance with disease identification, and stricter regulations. National governments and international organizations could, in turn, assist with disease-free juveniles and vaccines, enforce rigid monitoring of the quantity and quality of AMs used by farmers and the AM residues in the farmed species and in the environment, and promote measures to reduce potential human health risks associated with AMR.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».