An Environmental Science and Engineering Framework for Combating Antimicrobial Resistance
Notice bibliographique
Résumé
On June 20, 2017, members of the environmental engineering and science (EES) community convened at the Association of Environmental Engineering and Science Professors (AEESP) Biennial Conference for a workshop on antimicrobial resistance. With over 80 registered participants, discussion groups focused on the following topics: risk assessment, monitoring, wastewater treatment, agricultural systems, and synergies. In this study, we summarize the consensus among the workshop participants regarding the role of the EES community in understanding and mitigating the spread of antibiotic resistance via environmental pathways. Environmental scientists and engineers offer a unique and interdisciplinary perspective and expertise needed for engaging with other disciplines such as medicine, agriculture, and public health to effectively address important knowledge gaps with respect to the linkages between human activities, impacts to the environment, and human health risks. Recommendations that propose priorities for research within the EES community, as well as areas where interdisciplinary perspectives are needed, are highlighted. In particular, risk modeling and assessment, monitoring, and mass balance modeling can aid in the identification of “hot spots” for antibiotic resistance evolution and dissemination, and can help identify effective targets for mitigation. Such information will be essential for the development of an informed and effective policy aimed at preserving and protecting the efficacy of antibiotics for future generations.
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 | 0,011 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,018 |
| Communication savante | 0,011 | 0,009 |
| Science ouverte | 0,004 | 0,009 |
| Intégrité de la recherche | 0,008 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».