Validity of purulent vaginal discharge, esterase, luminometry, and three bacteriological tests for diagnosing uterine infection in dairy cows using Bayesian latent class analysis
Notice bibliographique
Résumé
This prospective cross-sectional study aimed to evaluate the ability of laboratory bacterial culture, Petrifilm, Tri-Plate, luminometry, purulent vaginal discharge (PVD), and esterase to correctly identify uterine infection in dairy cows, and to assess these tests' usefulness in different situations. We sampled dairy cows between 29 and 43 days in milk in seven farms. We considered all six tests imperfect to identify uterine infection and used Bayesian latent class analyses to estimate their sensitivity and specificity. We created ten scenarios, including tests alone, in series, or in parallel, and we calculated predictive values and misclassification cost terms (MCTs). All estimates are presented with 95 % Bayesian credibility intervals (BCI). A total of 326 uterine samples were collected. The laboratory culture had the best validity (sensitivity = 0.87, 95 % BCI = 0.77-0.97; specificity = 0.71, 95 % BCI = 0.58-0.86). The other tests had similar specificity but lower sensitivity, with PVD having the lowest sensitivity (0.05, 95 % BCI = 0.01-0.10). If treating a healthy cow was considered worse than leaving a cow with a uterine infection untreated, luminometry yielded an MCT similar to the laboratory culture. These findings highlight that the on-farm tools currently used to identify cows that could benefit from intrauterine antimicrobial treatment do not identify uterine infection accurately. While the laboratory culture was the most accurate test, it cannot easily be implemented on farms. Luminometry's validity was good, but additional research is necessary to understand how it can be implemented to improve judicious intrauterine antimicrobial use.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».