Development of a predictive model for bovine leukemia virus proviral load
Notice bibliographique
Résumé
Abstract Background There is currently no commercially available method in Canada to identify bovine leukemia virus (BLV)-positive cows with high proviral load (PVL). Objectives First, develop a model to predict PVL using common, commercially available, cost-effective diagnostic tests. Second, investigate the relationship between lymphocyte count and PVL in BLV-positive cows. Animals A total of 339 BLV-positive and 62 BLV-seronegative cows on 15 dairy farms. Methods Cross-sectional study. Blood and milk samples were collected from all lactating BLV-positive cows on each farm and 5 to 10 BLV-seronegative cows depending on herd size. Blood and milk samples were tested for anti-BLV antibodies using enzyme-linked immunosorbent assay (ELISA). Complete blood counts were performed on blood samples, and standard components analyses were obtained for milk samples. Proviral load was determined by quantitative polymerase chain reaction for each cow. Results The inverse of lymphocyte count, the square of the inverse of lymphocyte count, and milk ELISA percent positivity were positively associated with increasing PVL in BLV-positive cows. For BLV-positive cows, lymphocyte count >5.2 × 109/L predicted a high PVL (BLV:Bovine DNA of >1 in blood) with a sensitivity of 92.4% and a specificity of 79.8%. For BLV-positive cows, white blood cell count >10.8 × 109/L predicted a high PVL, with a sensitivity of 85.5% and a specificity of 83.6%. Conclusions and Clinical Importance Based on these results, producers can implement commonly available diagnostic tests to identify cows with high probability of having high PVL, which may help in designing effective disease control strategies for BLV-positive herds.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| 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 ».