Characterizing social-ecological context and success factors of antimicrobial resistance interventions across the One Health spectrum: analysis of 42 interventions targeting E. coli
Notice bibliographique
Résumé
BACKGROUND: Antimicrobial resistance (AMR) is among the most pressing One Health issues. While interventions and policies with various targets and goals have been implemented, evidence about factors underpinning success and failure of interventions in different sectors is lacking. The objective of this study is to identify characteristics of AMR interventions that increase their capacity to impact AMR. This study focuses on AMR interventions targeting E. coli. METHODS: We used the AMR-Intervene framework to extract descriptions of the social and ecological systems of interventions to determine factors contributing to their success. RESULTS: We identified 52 scientific publications referring to 42 unique E. coli AMR interventions. We mainly identified interventions implemented in high-income countries (36/42), at the national level (16/42), targeting primarily one sector of society (37/42) that was mainly the human sector (25/42). Interventions were primarily funded by governments (38/42). Most intervention targeted a low leverage point in the AMR system, (36/42), and aimed to change the epidemiology of AMR (14/42). Among all included publications, 55% (29/52) described at least one success factor or obstacle (29/52) and 19% (10/52) identified at least one success factor and one obstacle. Most reported success factors related to communication between the actors and stakeholders and the role of media, and stressed the importance of collaboration between disciplines and external partners. Described obstacles covered data quality, access to data and statistical analyses, and the validity of the results. CONCLUSIONS: Overall, we identified a lack of diversity regarding interventions. In addition, most published E. coli interventions were poorly described with limited evidence of the factors that contributed to the intervention success or failure. Design and reporting guidelines would help to improve reporting quality and provide a valuable tool for improving the science of AMR 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 | 0,019 | 0,088 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,010 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».