MétaCan
Menu
Retour à la cohorte
Enregistrement W2906664918 · doi:10.3168/jds.2017-14345

Evaluation of 3 esterase tests for the diagnosis of subclinical mastitis at dry-off and freshening in dairy cattle

2018· article· en· W2906664918 sur OpenAlexaboutno aff
Sahar Kandeel, Ameer Megahed, M.H. Ebeid, Peter D. Constable

Notice bibliographique

RevueJournal of Dairy Science · 2018
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueMilk Quality and Mastitis in Dairy Cows
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCalifornia mastitis testSomatic cell countMastitisReceiver operating characteristicAnimal scienceMedicineSubclinical infectionCoefficient of variationArea under the curveVeterinary medicineDairy cattleIce calvingBiologyInternal medicineChemistryPathologyChromatographyLactation

Résumé

récupéré en direct d'OpenAlex

Subclinical mastitis (SCM) and intramammary infection (IMI) increase esterase activity in the glandular secretions of dairy cattle. Our objective was to evaluate the clinical performance of 3 commercially available esterase tests for diagnosing SCM and IMI. Foremilk samples were collected from 380 quarters (96 cows) at dry-off and from 329 quarters (83 cows) within 4 to 7 d after calving. Quarter somatic cell count (SCC) was measured using the reference method (DeLaval cell counter; De Laval International AB, Tumba, Sweden) with SCM defined as SCC >200,000 cells/mL. Bacterial culture of foremilk samples was used to diagnose IMI based on the growth of ≥100 cfu/mL. The SCC was estimated using 3 PortaSCC tests (PortaCheck, Moorestown, NJ) from the measured esterase activity and the California Mastitis Test (CMT). Clinical performance was evaluated using logistic regression to determine the area under the receiver operating characteristic curve (AUC) and identify test sensitivity (Se) and specificity (Sp) at the optimal cut-point for diagnosing SCM and IMI. Test agreement was also evaluated using the kappa coefficient (κ) and weighted κ. The PortaSCC color test was the best-performing PortaSCC test for diagnosing SCM at dry-off (AUC = 0.90, Se = 0.91, Sp = 0.81, κ = 0.71) and at freshening (AUC = 0.86, Se = 0.74, Sp = 0.95, κ = 0.72), at an optimal cut-point of ≥250,000 cells/mL but required 45 min to produce a result. For comparison, the CMT required 2 min to produce a result and a CMT score of trace or higher was superior to the PortaSCC color test for diagnosing SCM at dry-off (AUC = 0.95, Se = 0.95, Sp = 0.86, κ = 0.81) and freshening (AUC = 0.88, Se = 0.79, Sp = 0.95, κ = 0.76). The PortaSCC quick test was the best-performing PortaSCC test for diagnosing IMI at dry-off (AUC = 0.81, Se = 0.81, Sp = 0.78 κ = 0.40) and required 5 min to produce a result, whereas the PortaSCC color test was the best performing PortaSCC test for diagnosing IMI at freshening (AUC = 0.80, Se = 0.75, Sp = 0.79 κ = 0.38). For comparison, the CMT was inferior to the PortaSCC quick test for diagnosing IMI at dry-off (AUC = 0.73, Se = 0.76, Sp = 0.60, κ = 0.20) but was equivalent to the PortaSCC color test at freshening (AUC = 0.79, Se = 0.58, Sp = 0.93, κ = 0.50). The PortaSCC color and quick tests and CMT were considered good tests for diagnosing SCM and IMI because clinically useful tests typically have an AUC >0.80 and κ >0.6. Based on the test sensitivity, cost, and analysis time, there does not appear to be a persuasive reason to select the PortaSCC tests over the traditional CMT for diagnosing SCM and IMI.

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)0,010
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 seuil0,040

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,010
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,114
Tête enseignante GPT0,357
Écart entre enseignants0,244 · 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

Citations16
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

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