EFFECTS OF OBSERVER ON THE DIAGNOSTIC ACCURACY OF LOW‐FIELD <scp>MRI</scp> FOR DETECTING CANINE MENISCAL TEARS
Notice bibliographique
Résumé
Low-field MRI (lfMRI) has become increasingly accepted as a method for diagnosing canine meniscal tears in clinical practice. However, observer effects on diagnostic accuracy have not been previously reported. In this study, 50 consecutive stifle joints with clinical and radiologic evidence of cranial cruciate ligament insufficiency were investigated by lfMRI and arthroscopy. Fifteen observers who had varying levels of experience and who were unaware of arthroscopic findings independently reviewed lfMRI studies and recorded whether lateral and medial meniscal tears were present. Diagnostic accuracy (sensitivity, specificity, positive (PPV) and negative predictive value (NPV)) was determined for each observer and median values were calculated for all observers, using arthroscopy as the reference standard. Interrater agreement was determined based on intraclass correlation coefficient (ICC) analysis. Observer level of experience was compared with diagnostic sensitivity and specificity using correlation analysis. Based on pooled data for all observers, median sensitivity, specificity, PPV, and NPV for lfMRI diagnosis of lateral meniscal tears were 0.00, 0.94, 0.05, and 0.94, respectively. Median sensitivity, specificity, PPV, and NPV for medial meniscal tears were 0.74, 0.89, 0.83, and 0.79, respectively. Interrater agreement for all menisci was fair (0.51). Menisci were less consistently scored as having no tears (ICC = 0.13) than those scored as having tears (ICC = 0.50). No significant correlations between observer experience and diagnostic sensitivity/specificity were identified. Findings indicated that the accuracy of lfMRI for diagnosing canine meniscal tears was poor to fair and observer-dependent. Future studies are needed to develop standardized and widely accepted lfMRI criteria for diagnosing meniscal tears.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».