MétaCan
Menu
← Retour à la cohorte
Enregistrement W146350760 · doi:10.1096/fasebj.21.5.a688-b

Evaluating simple diagnostic tests for subclinical mastitis among Ghanaian lactating women

2007· article· en· W146350760 sur OpenAlexaff
Richmond Aryeetey, Grace S. Marquis, Leo L. Timms, Anna Lartey, Lucy Brakohiapa

Notice bibliographique

RevueThe FASEB Journal · 2007
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueMilk Quality and Mastitis in Dairy Cows
Établissements canadiensMcGill University
Organismes subventionnairesNational Institutes of Health
Mots-clésSubclinical infectionSomatic cell countInternal medicineGastroenterologyMedicineLactationAnimal sciencePregnancyBiologyIce calving

Résumé

récupéré en direct d'OpenAlex

Subclinical mastitis (SCM) has been associated with poor infant growth and HIV transmission. Diagnosis of SCM is expensive and not routine. We compared the sensitivity and specificity of simple, inexpensive tests, traditionally used with dairy cattle, with sodium potassium ratio (Na/K) as the standard, among 117 lactating Ghanaian women 3–4 mo postpartum. Milk samples were analyzed using Na/K, somatic cell count (SCC), California Mastitis Test (CMT) with and without Trace score, and electrical conductivity (ELEC). SCM prevalence using Na/K was 31.0%. Na/K was correlated with ELEC (r=0.586, p<0.01), SCC (r=0.372, p<0.01) and CMT (r=0.431, p<0.01). There were significant correlations between SCC and CMT (r=0.679, p<0.01); SCC and ELEC (r=0.497, p<0.01); and CMT and ELEC (r=0.493, p<0.01). There was significant agreement in SCM diagnosis between Na/K and SCC (K =0.271, p<0.01); Na/K and ELEC (K =0.291, p<0.01); and Na/K and CMT (K =0.126, p<0.05). The sensitivity and specificity, respectively, were: CMT (52.2%; 58.8%), CMT without Trace score (17.9%, 92.5%), ELEC (40.6%, 86.2%), SCC (42.9%, 82.8%). Despite low sensitivity, the high specificity of these simple tests could prove useful in clinical settings where there are limited resources for supporting lactation. Funded by SPRIGS/ISU and NIH #HD43620.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,008

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,100
Tête enseignante GPT0,359
Écart entre enseignants0,259 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2007
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe FASEB Journal→Même sujetMilk Quality and Mastitis in Dairy Cows→Travaux en français237 207→