Factors Affecting Detection of Hepatitis E Virus on Canadian Retail Pork Chops and Pork Livers Assayed Using Real‐Time <scp>RT</scp>‐<scp>PCR</scp>
Notice bibliographique
Résumé
We collected 599 Canadian retail pork chops and 283 pork livers routinely (usually weekly) from April 2011 to March 2012 using the Canadian Integrated Program for Antimicrobial Resistance Surveillance (CIPARS) retail sampling platform. Samples were assayed using validated real-time (q) reverse transcriptase polymerase chain reaction (RT-PCR) and nested classical RT-PCR for the detection of hepatitis E virus (HEV), porcine enteric calicivirus (PEC) and rotavirus (RV). The presence of Escherichia coli, Salmonella spp. and Campylobacter spp. was measured on a subset of our samples. Exact logistic regression models were fitted for predictors for HEV detection, for each assay. For both assays, sample type (pork chop versus liver) was a significant predictor for HEV RNA detection. For nested classical RT-PCR but not qRT-PCR, region of sample collection was a significant predictor (P = 0.008) of HEV detection. Odds of HEV detection were greatest in spring relative to other seasons. E. coli was a significant predictor for HEV RNA detection using the qRT-PCR (P = 0.03). Overall, the prevalence of E. coli, Salmonella spp. and Campylobacter spp. was significantly greater than HEV, PEC or RV on our retail pork samples. Our sparse data set for the detection of PEC and RV precluded modelling of risk factors for the detection of these viruses.
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 | 0,002 | 0,006 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».