RADAR - Risiko og sykdomsregnskap for antibiotikaresistens

Prosjektet skal utforske og utvikle et nytt integrativt rammeverk for risikovurdering av antibiotikaresistens i forhold til smittekilderegnskap, risikofaktorer og helseeffekter. Prosjektet vil frembringe kunnskap om betydningen av helseeffekter av antibiotikaresistens som kan spres via matkjeden i relasjon til antibiotikaresistens som oppstår ved behandling av mennesker. Slik kunnskap er viktig for å sette målrettede tiltak. Videre vil deling og utvikling av modeller bidra til en økt kunnskap rundt modellering.

Antimikrobiellresistens (AMR) er et voksende europeisk og globalt problem for både dyr og mennesker. Dette leder til begrensede muligheter for behandling av mange bakterielle sykdommer. I handlingsplanen fra den europeiske kommisjonen er begrensning av spredning av AMR ett av de viktige formålene. Kunnskap og reelle estimater over eksponeringsrisiko, betydelsen av ulike kilder og spredningsveier for humanhelsen er mangelfull. En mulig årsak til dette er kompleksiteten, tilgang til data og at dette er ett felt som forlanger en interdisiplinær tilnærming. Utvikling av modelleringstekniker og en systematisk integrasjonsprosess av data er helt avgjørende for å få en progresjon innenfor dette område.

Det pågår en omfattende innsamling av ulike typer data, mikrobiologisk, molekylært og epidemiologisk over AMR utvikling, forekomst, spredning, risiko med mer innen veterinære, mat og humane områdene.

Det mangler likevel vurderinger om betydningen av ulike spredningsmåter og kvanitfisering av helseeffekter (smitteregnskap) som kan tilregnes AMR.

Det er nødvendig med en integrativ tilnærming for å fullt ut kunne bruke tilgjengelig data, vurdere datakvalitet og konsistens for å kunne utføre disse vurderinger på en helhetlig måte.

Prosjektet består av 6 arbeidspakker (WPs) som omhandler utviking av analyseverktøy for genomisk data (WP1), utvikling av spredningsmodeller innen dyrepopulasjoner og human populasjoner (WP2), utvikling av risiko eksponeringsmodeller for ulike matkilder (WP3),smitteregnskap (WP5), nye innovative metoder som maskinlæring (WP4) vil bli benyttet samt Bayesiansk beslutningsteori (WP6) vil bli benyttet for å slutligen knytte sammen de ulike elementene og datakildene for å beregne smitteregnskap og betydningen av AMR fra ulike kilder. Prosjektet forventes å levere harmoniserte modellerings måter og metoder som vil bidra til att AMR problemet kan tilnærmes på en integrativ måte.