MétaCan
Menu
Retour à la cohorte
Enregistrement W2101083155 · doi:10.1016/j.prevetmed.2006.06.006

Test characteristics from latent-class models of the California Mastitis Test

2006· article· en· W2101083155 sur OpenAlexafffund
Carolyn J. Sanford, G.P. Keefe, Javier Sánchez, R.T. Dingwell, Herman W. Barkema, K.E. Leslie, Ian R. Dohoo

Notice bibliographique

RevuePreventive Veterinary Medicine · 2006
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueMilk Quality and Mastitis in Dairy Cows
Établissements canadiensUniversity of GuelphHealth PEIUniversity of Prince Edward Island
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaPfizer
Mots-clésMastitisMilkingHerdCalifornia mastitis testPredictive valueVeterinary medicineBacteriologyLatent class modelDairy cattleAnimal scienceMedicineBiologyIce calvingInternal medicineMathematicsLactationStatisticsMicrobiologyPregnancy

Résumé

récupéré en direct d'OpenAlex

We evaluated (using latent-class models) the ability of the California Mastitis Test (CMT) to identify cows with intramammary infections on the day of dry-off. The positive and negative predictive values of this test to identify cows requiring dry-cow antibiotics (i.e. infected) was also assessed. We used 752 Holstein-Friesian cows from 11 herds for this investigation. Milk samples were collected for bacteriology, and the CMT was performed cow-side, prior to milking on the day of dry-off. At the cow-level, the sensitivity and specificity of the CMT (using the four quarter results interpreted in parallel) for identifying all pathogens were estimated at 70 and 48%, respectively. If only major pathogens were considered the sensitivity of the CMT increased to 86%. The negative predictive value of the CMT was >95% for herds with major-pathogen intramammary-infection prevalence <15%, so that selective dry-cow therapy might be reasonable for such herds if cows were screened with the CMT.

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)0,056
score de la tête « metaresearch » (Gemma)0,131
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,056
Score d'incertitude au seuil0,299

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0560,131
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,003
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,002
Communication savante0,0040,003
Science ouverte0,0030,002
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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 Opus0,036
Tête enseignante GPT0,234
Écart entre enseignants0,199 · 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'étudeSimulation ou modélisation
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

Citations72
Publié2006
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePreventive Veterinary MedicineMême sujetMilk Quality and Mastitis in Dairy CowsTravaux en français237 207