Disease control tools to secure animal and public health in a densely populated world
Notice bibliographique
Résumé
Animal health is a prerequisite for global health, economic development, food security, food quality, and poverty reduction, while mitigating against climate change and biodiversity loss. We did a qualitative review of 53 infectious diseases in terrestrial animals with data from DISCONTOOLS, a specialist database and prioritisation model focusing on research gaps for improving infectious disease control in animals. Many diseases do not have any appropriate control tools, but the prioritisation model suggests that we should focus international efforts on Nipah virus infection, African swine fever, contagious bovine pleuropneumonia, peste des petits ruminants, sheeppox and goatpox, avian influenza, Rift Valley fever, foot and mouth disease, and bovine tuberculosis, for the greatest impact on the UN's Sustainable Development Goals. Easy to use and accurate diagnostics are available for many animal diseases. However, there is an urgent need for the development of stable and durable diagnostics that can differentiate infected animals from vaccinated animals, to exploit rapid technological advances, and to make diagnostics widely available and affordable. Veterinary vaccines are important for dealing with endemic, new, and emerging diseases. However, fundamental research is needed to improve the convenience of use and duration of immunity, and to establish performant marker vaccines. The largest gap in animal pharmaceuticals is the threat of pathogens developing resistance to available drugs, in particular for bacterial and parasitic (protozoal, helminth, and arthropod) pathogens. We propose and discuss five research priorities for animal health that will help to deliver a sustainable and healthy planet: vaccinology, antimicrobial resistance, climate mitigation and adaptation, digital health, and epidemic preparedness.
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 | 0,022 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,010 |
| Communication savante | 0,011 | 0,016 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».