Factors impacting antimicrobial resistance in the South East Asian food system and potential places to intervene: A participatory, one health study
Notice bibliographique
Résumé
Background With AMU projected to increase, South East Asia (SEA) is at high risk of experiencing disproportionate health, social, and economic burdens due to antimicrobial resistance (AMR). Our objective was to identify factors influencing AMR in SEA’s food system and places for intervention by integrating the perspectives of experts from the region to inform policy and management decisions. Materials and methods We conducted two 6.5 h workshops and two 90-min interviews involving 18 AMR and other disciplinary experts from human, animal, and environment sectors who brainstormed the factors influencing AMR and identified leverage points (places) for intervention. Transcripts and workshop materials were coded for factors and their connections and transcribed into a causal loop diagram (CLD). Thematic analysis described AMR dynamics in SEA’s food system and leverage points for intervention. The CLD and themes were confirmed via participant feedback. Results Participants constructed a CLD of AMR in the SEA food system that contained 98 factors interlinked by 362 connections. CLD factors reflected eight sub-areas of the SEA food system (e.g., government). Seven themes [e.g., antimicrobial and pesticide use and AMR spread (n = 40 quotes)], six “overarching factors” that impact the entire AMR system [e.g., the drive to survive (n = 12 quotes)], and 10 places for intervention that target CLD factors (n = 5) and overarching factors (n = 2) emerged from workshop discussions. Conclusion The participant derived CLD of factors influencing AMR in the SEA food system demonstrates that AMR is a product of numerous interlinked actions taken across the One Health spectrum and that finding solutions is no simple task. Developing the model enabled the identification of potentially promising leverage points across human, animal, and environment sectors that, if comprehensively targeted using multi-pronged interventions, could evoke system wide changes that mitigate AMR. Even targeting some leverage points for intervention, such as increasing investments in research and capacity building, and setting and enforcing regulations to control antimicrobial supply, demand, and use could, in turn, shift mindsets that lead to changes in more difficult to alter leverage points, such as redefining the profit-driven intent that drives system behavior in ways that transform AMU and sustainably mitigate AMR.
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 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,011 | 0,006 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».