Physicochemical Approach to Determine the Mechanism for Acid–Base Disorders in 793 Hospitalized Foals
Notice bibliographique
Résumé
BACKGROUND: The quantitative effect of strong electrolytes, unmeasured strong anions (UAs), pCO2, and plasma protein concentrations in determining plasma pH can be demonstrated using the physicochemical approach. Plasma anion gap (AG) and strong ion gap (SIG) are used to assess UAs in different species. HYPOTHESES: Strong ions are a major factor influencing changes in plasma pH of hospitalized foals. AG and SIG accurately predict severe hyper-L-lactatemia ([L-lac(-)] > 7 mmol/L). ANIMALS: Seven hundred and ninety three hospitalized foals < 7 days old. METHODS: Retrospective study. The relationship between measured pH and physicochemical variables, and the relationship between plasma [L-lac(-)] and AG and SIG, were determined using regression analyses. Optimal AG and SIG cut points to predict hyper-L-lactatemia were identified using an ROC curve analysis. RESULTS: Combined, the measured strong ion difference and SIG accounted for 54-69% of the changes in the measured arterial pH of hospitalized foals. AG and SIG were significantly associated with plasma [L-lac(-)] (P < .0001). The receiver operator characteristics (ROC) AUC of AG and SIG for prediction of severe hyper-L-lactatemia were 0.89 (95%CI, 0.8-0.95; P < .0001) and 0.90 (95%CI, 0.81-0.96; P < .0001), respectively. Severe hyper-L-lactatemia was best predicted by AG > 27 mmol/L (sensitivity 80%, 95%CI, 56-94, specificity 85%, 95%CI, 73-93; P < .0001) and SIG <-15 mmol/L (sensitivity 90%, 95%CI, 68-98; specificity 80%; 95%CI, 68-90; P < .0001). CONCLUSION AND CLINICAL RELEVANCE: Altered concentrations of strong ions (Na(+), K(+), Cl(-)) and UAs were the primary cause of acidemia of hospitalized foals. AG and SIG were good predictors of hyper-L-lactatemia and could be used as surrogate tests.
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 | 0,001 |
| 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 ».