Twenty-five components of a baseline, best-practice companion animal physical exam established by a panel of experts
Notice bibliographique
Résumé
OBJECTIVE: To establish the components of a best-practice, baseline companion animal physical exam (CAPE). SAMPLE: 25 small animal veterinary internists and 20 small animal primary care veterinarians, all teaching the CAPE at veterinary colleges in the US, Canada, and Australia. PROCEDURES: Using the Delphi Method of Consensus, 3 rounds of online questionnaires were sent to participants. The first round included demographic questions, questions about teaching the physical exam, and an open-ended question allowing participants to record details of how they conduct a CAPE. In the second round, participants were asked to rate components of the CAPE, which were derived from round 1, as "always examine," "only examine as needed," or "undecided." Following round 2, any component not reaching 90% consensus (set a priori) for the response "always examine" was put forth in round 3, with a summary of comments from the round 2 participants for each remaining component. RESULTS: 35 components of a baseline CAPE were identified from round 1. The 25 components that reached 90% consensus by the end of round 3 were checking the oral cavity, nose, eyes, ears, heart, pulse rate, pulse quality, pulse synchrony, lungs, respiratory rate, lymph nodes, abdomen, weight, body condition score, mucous membranes, capillary refill time, general assessment, masses, haircoat, skin, hydration, penis and testicles or vulva, neck, limbs, and, in cats only, thyroid glands. CLINICAL RELEVANCE: The findings establish an expert panel's consensus on 25 components of a baseline, best-practice CAPE that can be used to help inform veterinary curricula, future research, and the practice of 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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».