Agreement of 2 electrolyte analyzers for identifying electrolyte and acid-base disorders in sick horses
Notice bibliographique
Résumé
Abstract Background Use of different analyzers to measure electrolytes in the same horse can lead to different interpretation of acid-base balance when using the simplified strong ion difference (sSID) approach. Objective Investigate the level of agreement between 2 analyzers in determining electrolytes concentrations, sSID variables, and acid-base disorders in sick horses. Animals One hundred twenty-four hospitalized horses. Methods Retrospective study using paired samples. Electrolytes were measured using a Beckman Coulter AU480 Chemistry analyzer (PBMA) and a Nova Biomedical Stat Profile (WBGA), respectively. Calculated sSID variables included strong ion difference, SID4; unmeasured strong ions, USI; and total nonvolatile buffer ion concentration in plasma (Atot). Agreement between analyzers was explored using Passing-Bablok regression and Bland-Altman analysis. Kappa (κ) test evaluated the level of agreement between analyzers in detecting acid-base disorders. Results Methodologic differences were identified in measured Na+ and Cl− and calculated values of SID4 and USI. Mean bias (95% limits of agreement) for Na+, Cl−, SID4, and USI were: −1.2 mmol/L (−9.2 to 6.8), 4.4 mmol/L (−4.4 to 13), −5.4 mmol/L (−13 to 2), and −6.2 mmol/L (−14 to 1.7), respectively. The intraclass correlation coefficient for SID4 and USI was .55 (95%CI: −0.2 to 0.8) and .2 (95%CI: −0.15 to 0.48), respectively. There was a poor agreement between analyzers for detection of SID4 (κ = 0.20, 95%CI, 0.1 to 0.31) or USI abnormalities (κ = −0.04, 95%CI, −0.11 to 0.02). Conclusions and Clinical Importance Differences between analyzer methodology in measuring electrolytes led to a poor agreement between the diagnosis of acid-base disorders in sick horses when using the sSID approach.
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) | 0,001 | 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 ».