Use of urinalysis during baseline diagnostics in dogs and cats: an open survey
Notice bibliographique
Résumé
OBJECTIVES: To describe how veterinarians utilise and perform urinalyses for dogs and cats. MATERIALS AND METHODS: A survey, developed and distributed through the Veterinary Information Network, enlisted veterinarians who perform urinalyses for dogs and cats. Participants were directed to question banks based on whether urinalyses were performed in-house, by an outside diagnostic laboratory, or using an in-house automated instrument. Participants using multiple methods were directed to questions that related to the chosen methods. RESULTS: A total of 1059 predominantly first-opinion clinicians from the USA and Canada completed the survey. Participants performed urinalyses much less frequently than blood work during a routine examination. The most common factors preventing participants from performing a urinalysis with blood work included clients' financial constraints, difficulty obtaining urine and lack of perceived diagnostic need. The most common reasons for submission to a diagnostic laboratory included efficiency, more trusted results and convenience. Speed of obtaining results was the most common reason for performing urinalyses in-house. Of the participants who performed in-house urinalyses, fewer always performed a manual sediment examination (79%) as compared with urine-specific gravity (99%) and manual dipstick (87%). CLINICAL SIGNIFICANCE: This survey documents that urinalysis is often not used in senior patients as recommended by recent clinical guidelines for dogs and cats which can result in decreased diagnosis and impaired management of subclinical disease. There is significant variability in urinalysis methods despite veterinary guidelines promoting standardisation, and this could lead to inaccurate results.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».