Zoonotic diseases in low and middle-income countries (LMICs): Economic burden, challenges, strategies, and future directions
Notice bibliographique
Résumé
More than 200 zoonotic diseases are known to affect humans, representing a significant share of both emerging and existing infectious diseases worldwide. These diseases pose a major global public health challenge, particularly in low- and middle-income countries (LMICs), where limited surveillance systems, inadequate containment measures, and structural inequities allow rapid transmission. Key contributing factors include poverty, fragile healthcare infrastructure, political instability, fragmented policies, and low public awareness. Addressing these challenges demands integrated and context-sensitive strategies that strengthen community-based surveillance, promote the development of affordable diagnostic and preventive tools, and empower local institutions. Collaborative efforts among national and international partners, grounded in the One Health framework, are essential for achieving sustainable disease control and prevention. In addition, the strategic application of emerging technologies such as genomics, artificial intelligence, and precision medicine can improve diagnostic capacity, facilitate real-time data sharing, enable predictive modelling, and support evidence-based policy decisions. Together, these approaches can enhance equity, efficiency, and sustainability in the management of endemic, emerging, and novel zoonotic diseases, while strengthening preparedness for future zoonotic threats. • Zoonotic diseases constitute a major share of emerging infections, placing a significant burden on LMICs public health. • Weak surveillance and limited healthcare access impede zoonotic disease prevention in LMICs. • The One Health framework fosters multisectoral collaborationfor disease prevention and outbreak response. • Integrating genomicsartificial intelligence, and ecosystem methods enhances early prediction of zoonotic threats.
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 | 0,005 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,016 | 0,002 |
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 ».