MétaCan
Menu
Retour à la cohorte
Enregistrement W2105141426 · doi:10.1354/vp.46-2-348

Retrospective Study of Melamine/Cyanuric Acid-Induced Renal Failure in Dogs in Korea between 2003 and 2004

2009· article· en· W2105141426 sur OpenAlexfundno aff
Ji Young Yhee, Cathy A. Brown, Chi-Ho Yu, Jong Hyuk Kim, R. Poppenga, Jung‐Hyang Sur

Notice bibliographique

RevueVeterinary Pathology · 2009
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueMelamine detection and toxicity
Établissements canadiensnon disponible
Organismes subventionnairesU.S. Food and Drug AdministrationKonkuk UniversityUniversity of GuelphMesothelioma Applied Research Foundation
Mots-clésNephrotoxicityCyanuric acidPet foodMedicineMelamineKidneyRenal pathologyFood safetyToxicologyInternal medicinePathologyFood scienceChemistryBiology

Résumé

récupéré en direct d'OpenAlex

In early 2007, American pet food ingredients leading to nephrotoxic renal failure of dogs and cats raised serious concerns about the safety of pet foods. Major pet food companies recalled more than 1,000 commercial pet foods in consideration of pet safety. A similar pet food-associated outbreak of nephrotoxic renal failure occurred in Asia, in late 2003 and 2004, resulting in a similar extensive pet food recall. At that time, contamination of ingredients with a nephrotoxin-producing fungus at a pet food production facility was suspected. However, toxicologic evidence to substantiate a mycotoxicosis was lacking. Moreover, the renal lesions were not typical of those reported with fungal nephrotoxins. During 2003 and 2004, 14 dogs were presented to the Veterinary Medical Teaching Hospital of Konkuk University, Seoul, Korea, with renal failure and distinctive renal pathologic findings. Grossly, the kidneys were greenish in color with greenish uroliths in the renal pelvis or bladder. Histologically, characteristic crystals with pinwheel radiating striations were present in distal tubular segments. Toxicologic analysis identified melamine, cyanuric acid, and ammelide in deparaffinized formalin-fixed kidney samples.

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)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,032
Tête enseignante GPT0,261
Écart entre enseignants0,229 · 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'étudeObservationnel
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

Citations51
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueVeterinary PathologyMême sujetMelamine detection and toxicityTravaux en français237 207