Standardizing multidrug resistance definitions and visualizations to support surveillance across One Health
Notice bibliographique
Résumé
OBJECTIVE: This study aimed to understand the current use of visualizations for multidrug resistance (MDR) data across the One Health spectrum and the visualization preferences and definitions of MDR used by antimicrobial resistance experts, with emphasis on the animal health sector of One Health, which lacks standardized MDR definitions. METHODS: A rapid scoping review was conducted to synthesize current approaches to visualize MDR. Six databases and grey literature were searched with antimicrobial, resistance, surveillance, and figure or dashboard terms. An active machine learning model was used for the initial screening of references. An online survey was distributed to self-identified antimicrobial resistance experts, including questions about respondents' country of employment, job position, definitions of MDR, and preferences for MDR metrics and visualizations. RESULTS: Bar charts, visual antibiograms, heat maps, and network graphs were the most common visualizations employed in peer-reviewed publications, websites, and reports. Survey respondents preferred simplistic visualizations, such as line graphs and heat maps. Respondents used a variety of MDR definitions, although resistance to three or more antimicrobial categories was the most common. Some respondents advocated for the exclusion of intrinsic resistance in the definition, while others argued for its inclusion. CONCLUSIONS: Despite historic proposals for standardizing international definitions of MDR, a lack of consensus remains. Respondents also expressed different preferences for MDR visualizations. Some visualizations currently in use, such as network graphs, are complex and may be challenging to interpret. Harmonization of MDR definitions and optimization of visualizations are essential to facilitate comparisons across populations and studies.
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) | 0,001 | 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 | 0,000 |
| 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 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 ».