Research gaps and priorities for quantitative microbial risk assessment (QMRA)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The coronavirus disease 2019 pandemic highlighted the need for more rapid and routine application of modeling approaches such as quantitative microbial risk assessment (QMRA) for protecting public health. QMRA is a transdisciplinary science dedicated to understanding, predicting, and mitigating infectious disease risks. To better equip QMRA researchers to inform policy and public health management, an Advances in Research for QMRA workshop was held to synthesize a path forward for QMRA research. We summarize insights from 41 QMRA researchers and experts to clarify the role of QMRA in risk analysis by (1) identifying key research needs, (2) highlighting emerging applications of QMRA; and (3) describing data needs and key scientific efforts to improve the science of QMRA. Key identified research priorities included using molecular tools in QMRA, advancing dose-response methodology, addressing needed exposure assessments, harmonizing environmental monitoring for QMRA, unifying a divide between disease transmission and QMRA models, calibrating and/or validating QMRA models, modeling co-exposures and mixtures, and standardizing practices for incorporating variability and uncertainty throughout the source-to-outcome continuum. Cross-cutting needs identified were to: develop a community of research and practice, integrate QMRA with other scientific approaches, increase QMRA translation and impacts, build communication strategies, and encourage sustainable funding mechanisms. Ultimately, a vision for advancing the science of QMRA is outlined for informing national to global health assessments, controls, and policies.
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.
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 | 0,000 | 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 découle