Monitoring of Farm-Level Antimicrobial Use to Guide Stewardship: Overview of Existing Systems and Analysis of Key Components and Processes
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
The acknowledgment of antimicrobial resistance (AMR) as a major health challenge in humans, animals and plants, has led to increased efforts to reduce antimicrobial use (AMU). To better understand factors influencing AMR and implement and evaluate stewardship measures for reducing AMU, it is important to have sufficiently detailed information on the quantity of AMU, preferably at the level of the user (farmer, veterinarian) and/or prescriber or provider (veterinarian, feed mill). Recently, several countries have established or are developing systems for monitoring AMU in animals. The aim of this publication is to provide an overview of known systems for monitoring AMU at farm-level, with a descriptive analysis of their key components and processes. As of March 2020, 38 active farm-level AMU monitoring systems from 16 countries were identified. These systems differ in many ways, including which data are collected, the type of analyses conducted and their respective output. At the same time, they share key components (data collection, analysis, benchmarking, and reporting), resulting in similar challenges to be faced with similar decisions to be made. Suggestions are provided with respect to the different components and important aspects of various data types and methods are discussed. This overview should provide support for establishing or working with such a system and could lead to a better implementation of stewardship actions and a more uniform communication about and understanding of AMU data at farm-level. Harmonization of methods and processes could lead to an improved comparability of outcomes and less confusion when interpreting results across systems. However, it is important to note that the development of systems also depends on specific local needs, resources and aims.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 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 découle