Infrared Spectroscopy of Synovial Fluid Shows Accuracy as an Early Biomarker in an Equine Model of Traumatic Osteoarthritis
Notice bibliographique
Résumé
Osteoarthritis is a leading cause of lameness and joint disease in horses. A simple, economical, and accurate diagnostic test is required for routine screening for OA. This study aimed to evaluate infrared (IR)-based synovial fluid biomarker profiling to detect early changes associated with a traumatically induced model of equine carpal osteoarthritis (OA). Unilateral carpal OA was induced arthroscopically in 9 of 17 healthy thoroughbred fillies; the remainder served as Sham-operated controls. The median age of both groups was 2 years. Synovial fluid (SF) was obtained before surgical induction of OA (Day 0) and weekly until Day 63. IR absorbance spectra were acquired from dried SF films. Following spectral pre-processing, predictive models using random forests were used to differentiate OA, Sham, and Control samples. The accuracy for distinguishing between OA and any other joint group was 80%. The classification accuracy by sampling day was 87%. For paired classification tasks, the accuracies by joint were 75% for OA vs. OA Control and 70% for OA vs. Sham. The accuracy for separating horses by group (OA vs. Sham) was 68%. In conclusion, SF IR spectroscopy accurately discriminates traumatically induced OA joints from controls.
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 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».