Identification of risk factors associated with disclosure of false positive bovine tuberculosis reactors using the gamma-interferon (IFNγ) assay
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
The gamma-interferon assay (IFNγ) is often used as an ancillary diagnostic test alongside the tuberculin skin test in order to detect Mycobacterium bovis infected cattle. The performance of the IFNγ test has been evaluated in many countries worldwide and wider usage as a disease surveillance tool is constrained due to the relatively low and inconsistent specificity at a herd and area level. This results in disclosure of a higher proportion of false positive reactors when compared with the skin test. In this study, we used cohorts of animals from low prevalence tuberculosis herds (n = 136) to assess a range of risk factors that might influence the specificity of the test. Univariate and multivariate logistic generalised estimating-equation (GEE) models were used to evaluate potential risk factors associated with a false positive IFNγ test result. In these herds, the univariate model revealed that the region of herd origin, the time of year when the testing was carried out, and the age of the animal were all significant risk factors. In the final multivariate models only animal age and region of herd origin were found to be significant risk factors. A high proportion of herds with multiple IFNγ false positive animals were located in one county, with evidence of within-herd clustering, suggesting a localised source of non-specific sensitization. Knowledge of the underlying factors influencing the IFNγ test specificity could be used to optimize the test performance in different disease level scenarios in order to reduce the disclosure rate of false positive reactors.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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