Comparison of risk factors for seropositivity to feline immunodeficiency virus and feline leukemia virus among cats: a case-case study
Notice bibliographique
Résumé
BACKGROUND: Feline immunodeficiency virus (FIV) and feline leukemia virus (FeLV) are reported to have similar risk factors and similar recommendations apply to manage infected cats. However, some contrasting evidence exists in the literature with regard to commonly reported risk factors. In this study, we investigated whether the known risk factors for FIV and FeLV infections have a stronger effect for either infection. This retrospective study included samples from 696 cats seropositive for FIV and 593 cats seropositive for FeLV from the United States and Canada. Data were collected during two cross sectional studies, where cats were tested using IDEXX FIV/FeLV ELISA kits. To compare the effect of known risk factors for FIV infection compared to FeLV, using a case-case study design, random intercept logistic regression models were fit including cats' age, sex, neuter status, outdoor exposure, health status and type of testing facility as independent variables. A random intercept for testing facility was included to account for clustering expected in testing practices at the individual clinics and shelters. RESULTS: In the multivariable random intercept model, the odds of FIV compared to FeLV positive ELISA results were greater for adults (OR = 2.09, CI: 1.50-2.92), intact males (OR = 3.14, CI: 1.85-3.76), neutered males (OR = 2.68, CI: 1.44- 3.14), cats with outdoor access (OR = 2.58, CI: 1.85-3.76) and lower for cats with clinical illness (OR = 0.60, 95% CI: 0.52-0.90). The variance components obtained from the model indicated clustering at the testing facility level. CONCLUSIONS: Risk factors that have a greater effect on FIV seropositivity include adulthood, being male (neutered or not) and having access to outdoors, while clinical illness was a stronger predictor for FeLV seropositivity. Further studies are warranted to assess the implications of these results for the management and control of these infections.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».