MétaCan
Menu
Retour à la cohorte
Enregistrement W2888372695 · doi:10.3168/jds.2018-14753

Diagnostic accuracy of Somaticell, California Mastitis Test, and microbiological examination of composite milk to detect Streptococcus agalactiae intramammary infections

2018· article· en· W2888372695 sur OpenAlexaff
Rodolfo Santos Rossi, Ariadne Ferreira Amarante, Letícia Borges Nunes Correia, Simony Trevizan Guerra, Diego B. Nóbrega, Giulia Soares Latosinski, Bruna Fernanda Rossi, Vera Lúcia Mores Rall, J.C.F. Pantoja

Notice bibliographique

RevueJournal of Dairy Science · 2018
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueMilk Quality and Mastitis in Dairy Cows
Établissements canadiensUniversity of Calgary
Organismes subventionnairesConselho Nacional de Desenvolvimento Científico e TecnológicoFundação de Amparo à Pesquisa do Estado de São Paulo
Mots-clésStreptococcus agalactiaeMastitisMedicineCalifornia mastitis testHerdAnimal scienceVeterinary medicineIce calvingBiologyStreptococcusLactationPregnancyPathology

Résumé

récupéré en direct d'OpenAlex

The objectives of this study were to estimate the accuracy of Somaticell (Idexx Laboratories Inc., Westbrook, ME), California Mastitis Test (CMT), and microbiological examination of composite milk (MEC) to diagnose Streptococcus agalactiae intramammary infections (IMI), and to assess the agreement between Somaticell and CMT to detect these infections. A secondary objective was to estimate quarter- and cow-level prevalence of S. agalactiae IMI in the herds included in the study. Seven farms were included in the study. The CMT was performed and aseptic milk samples were collected from all quarters of all lactating cows. Composite milk samples were produced in the laboratory by mixing milk from all quarters of each sampled cow. The Somaticell test was performed on a subset of S. agalactiae-positive (n = 167) and S. agalactiae-negative (n = 152) quarter milk samples. Microbiological examination of quarter milk samples (MEQ) was considered the reference test for diagnosing S. agalactiae IMI. The accuracy of all tests at various thresholds was estimated using Bayesian latent class models. Apparent prevalence of S. agalactiae IMI was 15.8% (n = 184/1,164) at the quarter level (based on MEQ) and 28.5% (n = 83/291) at the cow level (based on MEC). True prevalence, as determined by Bayesian models, was 13.0% [95% credible interval (CR): 6.4-24.4%] at the quarter level, and 25.6% (95% CR: 15.3-39.5%) at the cow level. At the cow level (n = 285), sensitivity and specificity of MEC were 95.6 and 99.5%, respectively. The accuracy of Somaticell (n = 319 quarters) to identify S. agalactiae-infected quarters was 75.4, 86.4, 88.9, 89.4, and 91.0% at thresholds of 98,000, 147,000, 205,000, 244,000, and 282,000 cells/mL, respectively. The accuracy of CMT was 87.6, 90.7, 90.8, and 87.4% at thresholds of trace, 1, 2, and 3, respectively. The areas under the receiver operating characteristic curve for Somaticell and CMT were 94.5% (95% confidence interval: 91.8-97.2%) and 92.0% (88.6-95.4%), respectively. At the tested thresholds, the sensitivity of Somaticell ranged from 94.9 to 99.5% to detect S. agalactiae IMI, and specificity ranged from 48.1 to 87.1%. The sensitivity of Somaticell at the lowest threshold (69,000 cells/mL; sensitivity = 99.9%; 95% CR: 98.2-100%) was higher than that of CMT at any tested threshold. Results of this study could be used at the farm level to reduce the use of antimicrobials and reach specific goals in S. agalactiae eradication programs.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,018
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,041

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,018
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,251
Écart entre enseignants0,234 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations40
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Dairy ScienceMême sujetMilk Quality and Mastitis in Dairy CowsTravaux en français237 207