Digital Lesions in Dogs: A Statistical Breed Analysis of 2912 Cases
Notice bibliographique
Résumé
Breed predispositions to canine digital neoplasms are well known. However, there is currently no statistical analysis identifying the least affected breeds. To this end, 2912 canine amputated digits submitted from 2014-2019 to the Laboklin GmbH & Co. KG for routine diagnostics were statistically analyzed. The study population consisted of 155 different breeds (most common: 634 Mongrels, 411 Schnauzers, 197 Labrador Retrievers, 93 Golden Retrievers). Non-neoplastic processes were present in 1246 (43%), tumor-like lesions in 138 (5%), and neoplasms in 1528 cases (52%). Benign tumors (n = 335) were characterized by 217 subungual keratoacanthomas, 36 histiocytomas, 35 plasmacytomas, 16 papillomas, 12 melanocytomas, 9 sebaceous gland tumors, 6 lipomas, and 4 bone tumors. Malignant neoplasms (n = 1193) included 758 squamous cell carcinomas (SCC), 196 malignant melanomas (MM), 76 soft tissue sarcomas, 52 mast cell tumors, 37 non-specified sarcomas, 29 anaplastic neoplasms, 24 carcinomas, 20 bone tumors, and 1 histiocytic sarcoma. Predisposed breeds for SCC included the Schnauzer (log OR = 2.61), Briard (log OR = 1.78), Rottweiler (log OR = 1.54), Poodle (log OR = 1.40), and Dachshund (log OR = 1.30). Jack Russell Terriers (log OR = -2.95) were significantly less affected by SCC than Mongrels. Acral MM were significantly more frequent in Rottweilers (log OR = 1.88) and Labrador Retrievers (log OR = 1.09). In contrast, Dachshunds (log OR = -2.17), Jack Russell Terriers (log OR = -1.88), and Rhodesian Ridgebacks (log OR = -1.88) were rarely affected. This contrasted with the well-known predisposition of Dachshunds and Rhodesian Ridgebacks to oral and cutaneous melanocytic neoplasms. Further studies are needed to explain the underlying reasons for breed predisposition or "resistance" to the development of specific acral tumors and/or other sites.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».