Use of antibiotics in companion animals
Bibliographic record
Abstract
Der Arbeitskreis „Antibiotikaresistenz“ der Deutschen Veterinärmedizinischen Gesellschaft e. V. hat unter dem Thema „Anwendung von Antibiotika bei Kleintieren“ verschiedene Aspekte dieses Themenkomplexes näher beleuchtet. In einer Einleitung wird die Rolle von Kleintieren in Deutschland aus einer statistischen Sichtweise beschrieben. Anschließend werden zunächst die arzneimittelrechtlichen Vorgaben und Leitlinien erläutert, die den rechtlichen Rahmen für den Einsatz antimikrobieller Wirkstoffe bei Kleintieren darstellen. Die pharmakologischen Eigenschaften der wichtigsten für Hund und Katze zugelassenen Wirkstoffe werden in einer Übersicht dargestellt und beschrieben. Diese stellen eine wesentliche Grundlage für die Auswahl des im Einzelfall einzusetzenden Antibiotikums dar. Die neuesten Daten aus dem Nationalen Resistenzmonitoringprogramm GERM-Vet geben wichtige Informationen zur Empfindlichkeitslage der an Infektionsprozessen von Hunden und Katzen beteiligten bakteriellen Erreger in Deutschland. Die Antibiotikatherapie besonders schwieriger Erreger wird in dem Abschnitt zu Problemkeimen bei Hund und Katze beschrieben. Im abschließenden Kapitel zum Antibiotikamanagement in der Kleintierpraxis werden die im Rahmen eines Therapieplans vor der Antibiotikatherapie zu berücksichtigenden Entscheidungsprozesse erläutert und näher beschrieben.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".