Veterinarians’ Competence in Applying Basic Genetic Principles and Daily Implementation of Clinical Genetics: A Study in a University Environment
Notice bibliographique
Résumé
Veterinarian competency in genetics is vital for a meaningful application of the rapidly growing number of genetic tests available for animals. We evaluated the use of genetic tests in the daily veterinary practice and the competency of university-employed veterinarians in applying basic principles of genetics in a clinical setting through an electronic survey with 14 cases and 7 statements on genetics. Ninety-one non-geneticist veterinarians from two veterinary faculties in two different countries responded. Almost half of the participants apply genetic tests during their daily work, with frequencies varying between weekly and once a year. The most common indication to request a genetic test was diagnostic testing of clinically ill patients. Although 80% of the veterinarians communicated the result of a genetic test themselves, only 56% of them found it "very to rather easy" to find the correct test, and only 32% of them always felt competent to interpret the result of the test. The number of correctly answered questions varied widely, with median scores of 9/14 (range 0-14) and 5/7 (range 0-7) for the cases and statements, respectively. Most difficulties were seen with recognition of pedigree inheritance patterns, while veterinarians scored better in breeding advice and probability of disease estimations. Veterinarians scored best on questions related to autosomal recessive inheritance, followed by complex, autosomal dominant, X-linked recessive, and X-linked dominant inheritance. This study exposed pain points in veterinarians' knowledge and has led to the formulation of recommendations for future education and communication between laboratories, geneticists, and veterinarians.
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 | 0,002 | 0,001 |
| 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 | 0,001 |
| 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 ».