Accuracy of urinary dipstick for glucose and protein determination in canine cerebrospinal fluid
Notice bibliographique
Résumé
OBJECTIVE: To evaluate the precision of urinary dipstick (UD) to assess protein and glucose concentrations in canine CSF samples compared to the standard methods. METHODS: Cerebrospinal fluid protein and glucose were measured in 22 samples from dogs with neurological diseases affecting the CNS using UD and biochemistry (pyrogallol red and glucose oxidase reaction, respectively). Results were converted into scores to allow comparison between methods. The proportion of divergence between methods and its CI were calculated. The sensitivity (Se), specificity (Sp), positive predictive value (PPV), negative predictive value (NPV), and accuracy (Ac) of UD were determined for 2 cutoff levels of CSF protein (15 and 30 mg/dL) and glucose (40 and 100 mg/dL). RESULTS: The proportion of divergence between methods was 64% (95% CI, 44% to 84%) for CSF protein (representing 14 of 22 erroneous samples), of which 92.9% (13 of 14) had a UD score lower than biochemistry. For CSF glucose, 73% (16 of 22 erroneous samples; 95% CI, 54% to 91%) had divergence between methods, of which 87.5% (14 of 16) had a UD score higher than biochemistry. Urinary dipstick had better results when the cutoff level was 15 mg/dL for protein (Se, 78.9%; Sp, 66.7%; PPV, 93.7%; NPV, 33.3%; Ac, 77.3%) and 40 mg/dL for glucose (Se, 89.5%; Sp, 33.3%; PPV, 89.5%; NPV, 33.3%; Ac, 81.8%) concentrations. CONCLUSIONS: Urinary dipstick was unreliable in estimating canine CSF protein and glucose concentrations. CLINICAL RELEVANCE: The UD underestimated protein and overestimated glucose levels in the canine CSF, which could have a significant diagnostic impact and should discourage its use as a bedside test.
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 | 0,003 | 0,004 |
| 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 | 0,001 |
| 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 ».