Noninvasive measurements of body composition and body water via quantitative magnetic resonance, deuterium water, and dual-energy x-ray absorptiometry in cats
Notice bibliographique
Résumé
OBJECTIVE: To compare quantitative magnetic resonance (QMR), dual-energy x-ray absorptiometry (DXA), and deuterium oxide (D2O) dilution methods for measurement of total body water (TBW), lean body mass (LBM), and fat mass (FM) in healthy cats and to assess QMR precision and accuracy. ANIMALS: Domestic shorthair cats (58 and 32 cats for trials 1 and 2, respectively). PROCEDURES: QMR scans of awake cats performed with 2 units were followed by administration of D2O tracer (100 mg/kg, PO). Cats then were anesthetized, which was followed by QMR and DXA scans. Jugular blood samples were collected before and 120 minutes after D2O administration. RESULTS: QMR precision was similar between units (coefficient of variation < 2.9% for all measures). Fat mass, LBM, and TBW were similar for awake or sedated cats and differed by 4.0%, 3.4%, and 3.9%, respectively, depending on the unit. The QMR minimally underestimated TBW (1.4%) and LBM (4.4%) but significantly underestimated FM (29%), whereas DXA significantly underestimated LBM (9.2%) and quantitatively underestimated FM (9.3%). A significant relationship with D2O measurement was detected for all QMR (r(2) > 0.84) and DXA (r(2) > 0.84) measurements. CONCLUSIONS AND CLINICAL RELEVANCE: QMR was useful for determining body composition in cats; precision was improved over DXA. Quantitative magnetic resonance can be used to safely and rapidly acquire data without the need for anesthesia, facilitating frequent monitoring of weight changes in geriatric, extremely young, or ill pets. Compared with the D2O dilution method, QMR correction equations provided accurate data over a range of body compositions.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».