Factors that antimicrobial resistance in food systems: a participatory modelling approach
Notice bibliographique
Résumé
Abstract Background Antimicrobial resistance (AMR) emerges from a complex web of factors; understanding their dynamics is key to determining sustainable solutions. Thus, we aimed to create a model of the diverse factors influencing AMR in two food systems and model the impacts of interventions. Methods We built a causal loop diagram (CLD) of the factors driving AMR in the food chain via 4 participatory workshops (2 in Sweden; 2 in Malaysia) with diverse stakeholders. The CLD became the structure of a compartmental model, which was populated using data from multiple sources (e.g., interviews, surveillance data). Using fuzzy set theory, quantitative and qualitative data were converted to categorical variables. The compartmental model was created in AnyLogic and was used to test how expert-selected solutions (e.g., taxation) might impact AMR under different scenarios. Results Factors identified as influencing AMR across Europe and Southeast Asia clustered around key themes: on-farm (e.g., biosecurity); social (e.g., consumer demand); research (e.g., alternatives to antimicrobials [AMs]); economic (e.g., agricultural production levels); policy (e.g., trade agreements); and environment (e.g., waste management). Differences were identified between regions, for example, regulations and standards regarding imports or food safety were more relaxed in Southeast Asia than in Europe. Identified interventions included: AMR education in schools, training diverse stakeholders in AM stewardship, increased on-farm biosecurity measures to limit disease and the need for AMs, and taxing AM-containing products. Conclusions Our model captured a range of multi-level, interlinked factors that impact AMR in the European and Southeast Asian food system contexts. Preliminary findings suggest that different principles need to be cultivated (e.g., polycentric governance, cross-sector partnerships) to ensure that interventions addressing AMR are sustainable over time. Key messages Our study visually characterized the interlinked factors that impact AMR transmission and emergence in food systems. Our approach provides a tool to model impacts of potential interventions.
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 | 0,014 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».