Canadian Aquaculture: Supporting the need to develop sentinel surveillance programs for antimicrobial resistance among Canadian marine aquaculture facilities
Notice bibliographique
Résumé
BACKGROUND AND AIM: Marine aquaculture is a rapidly expanding industry globally. Antimicrobial resistance (AMR) stemming from aquaculture is a public and occupational health concern but is poorly understood. Prescribed antibiotics are administered via fish-feed to treat infected fish, which also non-selectively exposes healthy stocks to the agents and increases antibiotic loads in surrounding environments. Consequential selection and amplification of AMR bacteria may create hotspots affecting aquaculture workers and their communities via consumption of contaminated fish and through direct or indirect occupational and environmental exposures to contaminants. Mitigative efforts have purportedly reduced antibiotic use but past and contemporary impacts on AMR exposures are unknown. This case study will identify regulatory and data gaps that currently hinder the implementation of sentinel surveillance strategies in Canada. METHODS: i) Profile antibiotic use by Canada’s marine aquaculture industry from 2016 to 2018 in comparison with other global industry leaders. ii) Comparative analysis of regulatory regime and surveillance differences across aquaculture-practicing leaders. RESULTS:Public reporting reveals Canadian marine aquaculture’s use of antibiotics was higher than reported in Norway, but lower than reported in Chile. There is no standardized monitoring for AMR via aquatic contaminants or identification of potential pathways from those contaminants to aquaculture workers and communities in Canada. This situation is somewhat different in other countries. Current data repositories are insufficient to elucidate the extent of human and environmental risk stemming from AMR emergence from within and around aquaculture sites. CONCLUSIONS:Canada should develop protective sentinel surveillance programs, but currently lacks the baseline studies required to stimulate evidence-based dialogue. Harmonization of data collection across jurisdictions can help define factors that increase selection pressure for the development of AMR in aquaculture settings. Furthermore, coordinated data management at the public health level can help flag health challenges potentially emerging from environmental exposures to AMR bacteria. KEYWORDS: Policy and practice, Pharmaceuticals, Occupational exposures
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 | 0,000 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».