PSIV-3 Canine olfaction as a disease detection technology: A systematic review
Notice bibliographique
Résumé
Abstract Capitalizing on canine olfactory capacity is a promising strategy for detecting and diagnosing human, animal, and plant diseases. The purpose of this review was to assess the extent of current research in canine disease detection. In this systematic review, multiple databases were searched for studies in which dogs were trained to detect diseases or health conditions. Following PRISMA guidelines, 1689 studies were screened and 50 relevant studies identified. The majority of studies (n = 31, 66%) took place in Europe. Lung cancer (n = 11, 22%), prostate cancer (n = 8, 16%), and breast cancer (n = 7, 14%) were the most frequently-studied conditions. Urine (n = 17, 34%) and breath (n = 9, 18%) were the most common sample types. Across all studies, 166 unique detection dogs were tested. The most numerous breed was Labrador Retrievers (n = 24, 14.46%). The median number of dogs per study was 2 (range: 1–20). To analyze experimental design and results, studies including multiple test paradigms were divided into sub-studies (n = 90). In 84.4% of sub-studies (n = 76), dogs were presented with sets of samples and 74.4% (n = 67) reported a constant number of samples per trial. The median number of samples per trial was 7 (range: 2–100). Of the sub-studies reporting a fixed number of positive samples (range: 1–10; n = 55), 87% (n = 48) presented one positive sample per trial. A plurality of sub-studies (n = 44, 49%) presented samples in a lineup. Sensitivity (median: 0.90; range: 0.13 to 1.0; n = 77) and specificity (median: 0.96; range: 0.08 to 1.0; n = 69) were the predominant measures of detection success, although reporting strategies were inconsistent. Dogs appear to have the capacity to detect disease via olfaction; yet the nascent nature of this discipline yields little consistency across studies.
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 | 0,006 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,007 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».