Agriculture and Agri-Food Canada’s research program on antimicrobial resistance
Notice bibliographique
Résumé
A key strategy for attenuating the development of antimicrobial resistance (AMR) is ensuring judicious use of antimicrobials in human and veterinary medicine and in agriculture. Research on AMR in agriculture includes risk assessment, risk management, and identifying the role of agricultural practices in development of AMR. Risk assessment includes an impact assessment of antimicrobial use in livestock and on the environment; for example, many antimicrobials are excreted unchanged and thus reach the environment through manure application. This creates the potential for AMR transmission through the food processing chain and into agro-ecosystems receiving the agricultural waste. Risk management includes the assessment of cost-effective methods to keep animals healthy without the need for antimicrobial use, such as the use of vaccines, nutritional supplements and pre-, pro- or synbiotics and of waste management strategies to avoid AMR transmission. Currently, there is an important gap in understanding the degree of human exposure to AMR that is generated through agriculture, the burden of illness of AMR pathogens in human populations and the relationship between exposure and burden of illness. It is important that research on the agricultural, environmental and human medicine dimensions of AMR not be undertaken in silos, which is why the United Nations and countries around the world are working together within the One Health Framework that considers the inter-relatedness of humans, animals and the environment.
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 | 0,000 | 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 | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».