Companion animal veterinarians discuss aspects of one health with pet owners during most veterinary appointments
Notice bibliographique
Résumé
OBJECTIVE: To examine the prevalence and context of one-health conversations between veterinarians and clients in companion animal practice. SAMPLE: A random selection of 60 companion animal veterinarians; a convenience sample of 917 interactions from Southern Ontario, Canada. Of these, 100 audio-video-recorded interactions including 47 of 60 veterinarians were randomly selected for inclusion in this study. METHODS: Audio-video recordings were made of veterinarian-client-patient interactions between November 2017 and January 2019. A researcher-generated coding framework was developed and used to assess the prevalence and content of one-health topics communicated during veterinary appointments. RESULTS: Of the interactions assessed, 60 were preventive care and 40 were health problem appointments. Further, 78% (78/100) included at least 1 discussion related to one health. One-health topics included zoonoses (28% [28/100]), animal behavior (25% [25/100]), illness/disease (20% [20/100]), activity level/exercise (16% [16/100]), nutrition (16% [16/100]), dentistry (6% [6/100]), body weight (3% [3/100]), animal welfare (3% [3/100]), dog/cat bites (2% [2/100]), cannabis (2% [2/100]), and aging (1% [1/100]). Zoonotic diseases were mentioned in 65 appointments, 28 of which evolved into a one-health discussion. Antibiotics were discussed in 27 appointments, none of which were discussed in relation to one health (eg, antimicrobial resistance). CLINICAL RELEVANCE: Findings suggest that one-health topics are raised within most veterinary appointments. Opportunities exist for more comprehensive one-health conversations between veterinarians and their clients, particularly in relation to zoonotic diseases and antimicrobials.
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 | 0,003 | 0,001 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».