Studying Factors Affecting Success of Antimicrobial Resistance Interventions through the Lens of Experience: A Thematic Analysis
Notice bibliographique
Résumé
Antimicrobial resistance (AMR) affects the environment, and animal and human health. Institutions worldwide have applied various measures, some of which have reduced antimicrobial use and AMR. However, little is known about factors influencing the success of AMR interventions. To address this gap, we engaged health professionals, designers, and implementers of AMR interventions in an exploratory study to learn about their experience and factors that challenged or facilitated interventions and the context in which interventions were implemented. Based on participant input, our thematic analysis identified behaviour; institutional governance and management; and sharing and enhancing information as key factors influencing success. Important sub-themes included: correct behaviour reinforcement, financial resources, training, assessment, and awareness of AMR. Overall, interventions were located in high-income countries, the human sector, and were publicly funded and implemented. In these contexts, behaviour patterns strongly influenced success, yet are often underrated or overlooked when designing AMR interventions. Improving our understanding of what contributes to successful interventions would allow for better designs of policies that are tailored to specific contexts. Exploratory approaches can provide encouraging results in complex challenges, as made evident in our study. Remaining challenges include more engagement in this type of study by professionals and characterisation of themes that influence intervention outcomes by context.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 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 ».