MétaCan
Menu
Retour à la cohorte
Enregistrement W2982114279

Evaluation of transmission infrared spectroscopy and digital and optical refractometers to identify low immunoglobulin G concentrations in alpaca serum.

2017· article· en· W2982114279 sur OpenAlexaff
Ibrahim Elsohaby, Burns Jj, Christopher B. Riley, McClure Jt

Notice bibliographique

RevuePubMed · 2017
Typearticle
Langueen
DomaineVeterinary
ThématiqueAnimal health and immunology
Établissements canadiensUniversity of Prince Edward Island
Organismes subventionnairesnon disponible
Mots-clésRefractometerRefractometryBrixChemistryCutoffStandard curveCorrelation coefficientChromatographyAnalytical Chemistry (journal)MathematicsBiochemistryRefractive indexOpticsPhysicsStatistics
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

= 0.99]. However, the correlation coefficients between Brix % and STP with serum RID-IgG concentrations were only 0.56 and 0.55, respectively. Twenty-one (12.4%) of 169 alpaca serum samples had IgG concentrations of < 10 g/L. Using receiver operator characteristic curve (ROC) analysis, the optimal cutoff points for the TIR assay, digital Brix, and optical STP refractometers for assessing low IgG (RID < 10 g/L) were 13 g/L, 8.8%, and 50 g/L, respectively. The TIR assay showed higher sensitivity (Se = 95.2%) and specificity (Sp = 96.8%) than either the digital Brix (Se = 90.5% and Sp = 65.5%) or optical STP (Se = 81% and Sp = 73.7%) refractometers for assessing alpacas with low IgG. In conclusion, the Brix and STP refractometers lack accuracy in measuring alpaca IgG concentrations, but may be useful for screening animals for low serum IgG. However, the TIR assay with a cutoff point of 13 g/L was more appropriate for identifying low IgG than either refractometer. Another study that focuses on neonatal crias is recommended in order to evaluate the usefulness of these assays for field diagnosing of failure of transfer of passive immunity (FTPI).

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)0,005
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,027

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,082
Tête enseignante GPT0,387
Écart entre enseignants0,305 · 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'étudeExpérimental (laboratoire)
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

Citations7
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePubMedMême sujetAnimal health and immunologyTravaux en français237 207