Is scientific evidence enough? Using expert opinion to fill gaps in data in antimicrobial resistance research
Notice bibliographique
Résumé
BACKGROUND: Antimicrobial Resistance (AMR) is a global problem with large health and economic consequences. Current gaps in quantitative data are a major limitation for creating models intended to simulate the drivers of AMR. As an intermediate step, expert knowledge and opinion could be utilized to fill gaps in knowledge for areas of the system where quantitative data does not yet exist or are hard to quantify. Therefore, the objective of this study was to identify quantifiable data about the current state of the factors that drive AMR and the strengths and directions of relationships between the factors from statements made by a group of experts from the One Health system that drives AMR development and transmission in a European context. METHODS: This study builds upon previous work that developed a causal loop diagram of AMR using input from two workshops conducted in 2019 in Sweden with experts within the European food system context. A secondary analysis of the workshop transcripts was conducted to identify semi-quantitative data to parameterize drivers in a model of AMR. MAIN FINDINGS: Participants spoke about AMR by combining their personal experiences with professional expertise within their fields. The analysis of participants' statements provided semi-quantitative data that can help inform a future of AMR emergence and transmission based on a causal loop diagram of AMR in a Swedish One Health system context. CONCLUSION: Using transcripts of a workshop including participants with diverse expertise across the system that drives AMR, we gained invaluable insight into the past, current, and potential future states of the major drivers of AMR, particularly where quantitative data are lacking.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».