Breed and anatomical predisposition for canine cutaneous neoplasia in South Africa during 2013
Notice bibliographique
Résumé
Cutaneous neoplasia occurs commonly in dogs and owners in consultation with their veterinarian must decide when to perform surgery to obtain a histopathological diagnosis. The objective of this study was to identify breed predispositions for canine cutaneous neoplasms and determine factors associated with malignancy. This retrospective case-series evaluated histopathology reports from two veterinary pathology laboratories in South Africa during a six-month study period. Breed predispositions were analysed using log-linear models and risk factors for malignancy were evaluated using binary logistic regression. Data were available for 2553 cutaneous neoplasms from 2271 dogs. The most frequent neoplasms were mast cell tumours (21.1per cent), histiocytoma (9.4per cent), haemangiosarcoma (8.3per cent), melanocytoma (5.8per cent) and lipoma (5.1per cent). Boxers (relative proportion (RP)=38.9; 95% CI 2.3 to 646), pugs (7.6; 1.4 to 41.0), Staffordshire bull terriers (7.0; 1.9 to 26.3), boerboels (3.8; 1.3 to 10.7), Labrador retrievers (2.7; 1.0 to 7.0) and mixed breed dogs (2.2; 1.1 to 4.4) had a higher frequency of mast cell tumours. Jack Russell terriers (OR=2.5; 95% CI 1.8 to 3.5), Rottweilers (2.3; 1.3 to 3.9), pit bull terriers (2.2; 1.1 to 4.3) and Staffordshire bull terriers (1.6; 1.0 to 2.6) were more likely to have malignant neoplasms. Dog signalment might facilitate prognosis determination for cutaneous canine neoplasia before receiving a histopathological diagnosis.
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 | 0,000 | 0,000 |
| 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 ».