Seroprevalences of feline leukemia virus and feline immunodeficiency virus infection in cats in the United States and Canada and risk factors for seropositivity
Notice bibliographique
Résumé
OBJECTIVE To estimate seroprevalences for FeLV antigen and anti-FIV antibody and risk factors for seropositivity among cats in the United States and Canada. DESIGN Cross-sectional study. ANIMALS 62,301 cats tested at 1,396 veterinary clinics (n = 45,406) and 127 animal shelters (16,895). PROCEDURES Blood samples were tested with a point-of-care ELISA for FeLV antigen and anti-FIV antibody. Seroprevalence was estimated, and risk factors for seropositivity were evaluated with bivariate and multivariable mixed-model logistic regression analyses adjusted for within-clinic or within-shelter dependencies. RESULTS Overall, seroprevalence was 3.1% for FeLV antigen and 3.6% for anti-FIV antibody. Adult age, outdoor access, clinical disease, and being a sexually intact male were risk factors for seropositivity for each virus. Odds of seropositivity for each virus were greater for cats tested in clinics than for those tested in shelters. Of 1,611 cats with oral disease, 76 (4.7%) and 157 (9.7%) were seropositive for FeLV and FIV, respectively. Of 4,835 cats with respiratory disease, 385 (8.0%) were seropositive for FeLV and 308 (6.4%) were seropositive for FIV. Of 1,983 cats with abscesses or bite wounds, 110 (5.5%) and 247 (12.5%) were seropositive for FeLV and FIV, respectively. Overall, 2,368 of 17,041 (13.9%) unhealthy cats were seropositive for either or both viruses, compared with 1,621 of 45,260 (3.6%) healthy cats. CONCLUSIONS AND CLINICAL RELEVANCE Seroprevalences for FeLV antigen and anti-FIV antibody were similar to those reported in previous studies over the past decade. Taken together, these results indicated a need to improve compliance with existing guidelines for management of feline retroviruses.
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 | 0,002 |
| 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 | 0,000 |
| 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 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 ».