Developing a one health data integration framework focused on real-time pathogen surveillance and applied genomic epidemiology
Notice bibliographique
Résumé
BACKGROUND: The One Health approach aims to balance and optimize the health of humans, animals, and ecosystems, recognizing that shared health outcomes are interdependent. A One Health approach to disease surveillance, control, and prevention requires infrastructure for coordinating, collecting, integrating, and analyzing data across sectors, incorporating human, animal, and environmental surveillance data, as well as pathogen genomic data. However, unlike data interoperability problems faced within a single organization or sector, data coordination and integration across One Health sectors requires engagement among partners to develop shared goals and capacity at the response level. Successful examples are rare; as such, we sought to develop a framework for local One Health practitioners to utilize in support of such efforts. METHODS: We conducted a systematic scientific and gray literature review to inform development of a One Health data integration framework. We discussed a draft framework with 17 One Health and informatics experts during semi-structured interviews. Approaches to genomic data integration were identified. RESULTS: In total, 57 records were included in the final study, representing 13 pre-defined frameworks for health systems, One Health, or data integration. These frameworks, included articles, and expert feedback were incorporated into a novel framework for One Health data integration. Two scenarios for genomic data integration were identified in the literature and outlined. CONCLUSIONS: Frameworks currently exist for One Health data integration and separately for general informatics processes; however, their integration and application to real-time disease surveillance raises unique considerations. The framework developed herein considers common challenges of limited resource settings, including lack of informatics support during planning, and the need to move beyond scoping and planning to system development, production, and joint analyses. Several important considerations separate this One Health framework from more generalized informatics frameworks; these include complex partner identification, requirements for engagement and co-development of system scope, complex data governance, and a requirement for joint data analysis, reporting, and interpretation across sectors for success. This framework will support operationalization of data integration at the response level, providing early warning for impending One Health events, promoting identification of novel hypotheses and insights, and allowing for integrated One Health solutions.
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 | 0,120 | 0,085 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,005 |
| Bibliométrie | 0,024 | 0,015 |
| Études des sciences et des technologies | 0,006 | 0,010 |
| Communication savante | 0,014 | 0,022 |
| Science ouverte | 0,007 | 0,014 |
| Intégrité de la recherche | 0,006 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».