Use of infrared spectroscopy for diagnosis of traumatic arthritis in horses
Notice bibliographique
Résumé
OBJECTIVE: To evaluate use of infrared spectroscopy for diagnosis of traumatic arthritis in horses. ANIMALS: 48 horses with traumatic arthritis and 5 clinically and radiographically normal horses. PROCEDURES: Synovial fluid samples were collected from 77 joints in 48 horses with traumatic arthritis. Paired samples (affected and control joints) from 29 horses and independent samples from an affected (n = 12) or control (7) joint from 19 horses were collected for model calibration. A second set of 20 normal validation samples was collected from 5 clinically and radiographically normal horses. Fourier transform infrared spectra of synovial fluids were acquired and manipulated, and data from affected joints were compared with controls to identify spectroscopic features that differed significantly between groups. A classification model that used linear discriminant analysis was developed. Performance of the model was determined by use of the 2 validation datasets. RESULTS: A classification model based on 3 infrared regions classified spectra from the calibration dataset with overall accuracy of 97% (sensitivity, 93%; specificity, 100%). The model, with cost-adjusted prior probabilities of 0.60:0.40, yielded overall accuracy of 89% (sensitivity, 83%; specificity, 100%) for the first validation sample dataset and 100% correct classification of the second set of independent normal control joints. CONCLUSIONS AND CLINICAL RELEVANCE: The infrared spectroscopic patterns of fluid from joints with traumatic arthritis differed significantly from the corresponding patterns for controls. These alterations in absorption patterns may be used via an appropriate classification algorithm to differentiate the spectra of affected joints from those of controls.
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 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».