A tale of two labs: Comparing antimicrobial resistance data in pets across commercial and academic diagnostic laboratories
Notice bibliographique
Résumé
Antimicrobial resistance *AMR) presents significant challenges in veterinary medicine, necessitating accurate surveillance to inform effective mitigation strategies. Most resistance estimates for cats and dogs are based on a single data source, typically university-affiliated diagnostic laboratories *UADLs), which may limit their generalizability. This study is the first to quantitatively compare AMR data from a UADL and a commercial diagnostic laboratory *CDL) by analyzing antimicrobial susceptibility testing *AST) results for Escherichia coli and Staphylococcus pseudintermedius in cats and dogs from New York State between 2019 and 2022. The analysis focused on first-line and higher-tier antimicrobials and revealed a tendency for the UADL data to observe lower susceptibility rates than the CDL. However, the extent of this difference varied by bacteria-antimicrobial combination, geographic region, and time. A secondary objective was to develop and test a novel Shiny application designed to harmonize and prepare data for comparison without exchanging raw data, addressing several data-sharing concerns that could limit collaboration. These findings highlight how variations in data sources can affect resistance estimates and interpretations. By identifying similarities and differences, this study underscores the importance of considering data source characteristics when analyzing and applying AMR surveillance reports. Integrating data from multiple sources may provide a more balanced and representative understanding of resistance patterns, thereby supporting more effective surveillance and decision-making in companion animal medicine. Here, we demonstrate that user-friendly analysis tools can support data integration without requiring raw data to be publicly available or shared between institutions.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».