Thermal Imaging of Normal and Cranial Cruciate Ligament‐Deficient Stifles in Dogs
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVE: To investigate the capability of thermography for differentiation between normal stifles and those with cranial cruciate ligament (CCL) rupture in dogs, initially with a full hair coat and 1 hour after clipping the hair coat. STUDY DESIGN: Prospective study. ANIMALS: Labrador Retrievers (n=6) with normal stifle joints (controls) and adult dogs (n=10) with CCL rupture. METHODS: Thermography was performed before, and 60 minutes after, clipping the hair coat from the pelvic limb. Stifle images were classified as normal or abnormal, then subclassified as clipped and unclipped hair coat. CCL deficiency was confirmed at surgery and thermographic images subsequently classified as abnormal before analysis with image processing software. RESULTS: Using image recognition analysis, differentiation between normal and CCL-deficient stifles in both clipped and unclipped dogs was 85% successful on cranial images, medial, caudal, and lateral images were between 75% and 85% successful. Although there were significant increases in skin temperature after clipping in both groups (P<.0002-.0001), there were no significant temperature differences between normal and CCL-deficient stifles when the entire stifle was examined. CONCLUSION: Thermography was successful in differentiating naturally occurring CCL-deficient stifles in dogs, with a success rate of 75-85%. Clipping is not necessary for successful thermographic evaluation of the canine stifle. CLINICAL RELEVANCE: Thermography may be a useful imaging modality for diagnosis of CCL deficiency in dogs when CCL rupture is suspected but stifle laxity is not evident.
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.
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 | 0,000 |
| 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 découle