Notice bibliographique
Résumé
Aquaculture in the Russian Federation is an integral part of the agricultural industry of the state economy. Countries with high rates of aquaculture growth (Norway, USA, China, Japan, Canada, etc.) and increasing efficiency of fish farming are the cradles of infectious diseases, which, in case of improper control, invade the territory of other countries and spread to new areas, bearing the risks for the domestic industry too. In recent years, infectious hematopoietic necrosis (IHN) has caused significant damage to fish farms. In 2020, Estonia suffered heavy losses; more than 65 tons of rainbow trout died and were destroyed during the IHN outbreak with a mortality rate of 71%. This was the first IHN case in this country. The aggravation of the epidemic situation at Estonian fish farms poses a threat to the northwestern regions of the Russian Federation, where aquaculture is practiced (the Leningrad Oblast and the Republic of Karelia). In 2022, IHN outbreaks were reported in France, Italy, Finland, Germany, Denmark and Macedonia. IHN-caused deaths were reported at the river trout farm in Georgia in 2023 for the first time. The domestic aquaculture depends on the import of eggs and seed material from Norway, Denmark, Finland and other countries, therefore a regular disease monitoring is urgently needed. The paper provides a brief description of the IHN causative agent, describes its epidemiology, pathogenesis, clinical signs, post-mortem lesions, diagnostic tests, infection control and prevention measures. We have reviewed 88 literature sources to summarize the information.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,002 | 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 ».