MétaCan
Menu
Retour à la cohorte
Enregistrement W3166729692 · doi:10.20546/ijcmas.2021.1002.199

Age, Breed and Gender-Wise Prevalence of Hepatic Disorders in Dogs of Nagpur City

2021· article· en· W3166729692 sur OpenAlexaboutno aff
C. Sameeksha G. R. Bhojne, V. M. Dhoot S. V. Upadhye, C. K. Panchbhai A. P. Somkuwar, W. A. Khan Kriti Dohre

Notice bibliographique

RevueInternational Journal of Current Microbiology and Applied Sciences · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueLiver Disease Diagnosis and Treatment
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBreedDemographyVeterinary medicineMedicineAnimal scienceBiologyGeographySociology

Résumé

récupéré en direct d'OpenAlex

A total of 10,204 dogs were presented for various reasons to TVCC, Nagpur Veterinary College, Nagpur, Maharashtra, during study period between September 2019 and August 2020. Among those, dogs showing non specific signs such as inappetence, anorexia, diarrhoea, constipation, vomiting, polyuria, polydipsia, dehydration, pain on abdominal palpation and change in mucus membrane colour and specific signs like jaundice and ascites were screened for hepatic disorders and 109 (1.06 %) cases were found to be suffering from hepatic disorders. The highest prevalence was found in the age group of above 8 years (34.86%), followed by dogs of age between 4 years to 8 years (30.28%), 1 year to 4 years (22.08%) and less than 1 year (12.84%). Males (59.63%) were more affected than females (40.37%). Labrador Retriever (43.12%), Non-descript (29.36%), Spitz (6.42%) and German shepherd (5.51%) were the most commonly affected breeds.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,032
Score d'incertitude au seuil0,168

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,035
Tête enseignante GPT0,326
Écart entre enseignants0,291 · 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 tête enseignante, 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

Citations3
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Current Microbiology and Applied SciencesMême sujetLiver Disease Diagnosis and TreatmentTravaux en français237 207