One Health–One Education: Medical and Veterinary Inter-Professional Training
Notice bibliographique
Résumé
Physicians and veterinarians are increasingly expected to collaborate across disciplines; however, in most cases their education and training remain isolated within their respective professions. Medical and veterinary students are rarely provided with opportunities for inter-professional learning during their coursework and clinical training. One Health serves as an ideal framework for developing problem-focused curricula that promote inter-professional teamwork. One Health issues (e.g., zoonotic diseases, water pollution, toxic waste, impact of climate change, and food safety and security) not only engage students across disciplines, but require faculty and senior leadership across various health-related fields to share knowledge and balance perspectives throughout curriculum development and implementation. In this article, we report on one of several interactive, small-group, case-based One Health curricular exercises developed collaboratively by students and faculty in our Schools of Medicine and Veterinary Medicine to ensure that all students, regardless of background or intended specialty, would receive a basic introduction to inter-professional collaboration in the context of a One Health clinical problem of the sort they might encounter in their future practice. Toxoplasmosis ( Toxoplasma gondii infection) was selected as the first case because of the potentially different perspectives that medical and veterinary practitioners may have on advising a pregnant woman with regard to risk factors, prevention, testing, and treatment. Our goal was to develop an evidence-based approach to this clinical case that could be used by both professions to assess environmental and zoonotic risk factors for T. gondii in human pregnancies.
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 | 0,002 | 0,003 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».