Frequency of and risk factors associated with lingual lesions in dogs: 1,196 cases (1995–2004)
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 categorize histologic lesions affecting the tongue, determine the frequency with which they develop, and identify risk factors associated with their development in dogs. DESIGN: Retrospective case series. ANIMALS: 1,196 dogs. PROCEDURES: Diagnostic reports of lingual biopsy specimens from dogs evaluated from January 1995 to October 2004 were reviewed. RESULTS: Neoplasia comprised 54% of lingual lesions. Malignant tumors accounted for 64% of lingual neoplasms and included melanoma, squamous cell carcinoma, hemangiosarcoma, and fibrosarcoma. Large-breed dogs, especially Chow Chows and Chinese Shar-Peis, were at increased risk for melanoma. Females of all breeds and Poodles, Labrador Retrievers, and Samoyeds were more likely to have squamous cell carcinomas. Hemangiosarcomas and fibrosarcomas were commonly diagnosed in Border Collies and Golden Retrievers, respectively. Benign neoplasms included squamous papilloma, plasma cell tumor, and granular cell tumor. Small-breed dogs, especially Cocker Spaniels, were at increased risk for plasma cell tumors. Glossitis accounted for 33% of diagnoses; in most cases, the inciting cause was not apparent. Whereas large-breed dogs were more likely to have lingual neoplasia, small-breed dogs were more likely to have glossitis. Calcinosis circumscripta accounted for 4% of lingual lesions and predominately affected young large-breed dogs. The remaining submissions consisted mostly of various degenerative or wound-associated lesions. CONCLUSIONS AND CLINICAL RELEVANCE: The frequency of lingual lesions was not evenly distributed across breeds, sexes, or size classes of dogs. Veterinarians should be aware of the commonly reported lingual lesions in dogs so that prompt diagnosis and appropriate management can be initiated.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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