MétaCan
Menu
Retour à la cohorte
Enregistrement W4307550888 · doi:10.3389/fvets.2022.1020710

Development of reference intervals for pupillometry in healthy dogs

2022· article· en· W4307550888 sur OpenAlexafffund
Erinn P. Mills, Kelli Combs-Ramey, Grace P. S. Kwong, Daniel Pang

Notice bibliographique

RevueFrontiers in Veterinary Science · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueOcular Surface and Contact Lens
Établissements canadiensUniversité de MontréalUniversity of Calgary
Organismes subventionnairesUniversity of Calgary
Mots-clésPupillometryMedicineOptometryBiologyPupilNeuroscience

Résumé

récupéré en direct d'OpenAlex

Background: Pupillometry, the measurement of pupil size and reactivity to a stimulus, has various uses in both human and veterinary medicine. These reflect autonomic tone, with the potential to assess nociception and emotion. Infrared pupillometry reduces inaccuracies that may occur when the pupillary light reflex is determined subjectively by the examiner. To our knowledge, there are no published studies outlining normal reference intervals for automated pupillometry in dogs. Objective: automated pupillometry reference intervals from 126 healthy canine eyes. Methods: The pupillary light reflex (PLR) was measured with a handheld pupillometer (NeurOptics™ PLR-200™ Pupillometer). Parameters recorded included maximum pupil diameter (MAX), minimum pupil diameter (MIN), percent constriction (CON), latency (LAT), average constriction velocity (ACV), maximum constriction velocity (MCV), average dilation velocity (ADV) and time to 75% pupil diameter recovery (T75). One measurement was obtained for each eye. Results: The following reference intervals were developed: MAX (6.05-11.30 mm), MIN (3.76-9.44 mm), CON (-37.89 to -9.64 %), LAT (0.11-0.30 s), ACV (-6.39 to -2.63 mm/ s), MCV (-8.45 to -3.75 mm/s), ADV (-0.21-1.77 mm/s), and T75 (0.49-3.20 s). Clinical significance: The reference intervals developed in this study are an essential first step to facilitate future research exploring pupillometry as a pain assessment method in dogs.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,150
Score d'incertitude au seuil0,345

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,055
Tête enseignante GPT0,330
Écart entre enseignants0,275 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFrontiers in Veterinary ScienceMême sujetOcular Surface and Contact LensTravaux en français237 207