Evaluation of an automated on-farm device to identify groups of bacteria associated with clinical mastitis on a United States dairy farm
Notice bibliographique
Résumé
Recent studies suggest that selectively treating non-severe clinical mastitis during lactation, guided by on-farm culture, can be prudent. However, on-farm culture presents logistical challenges. This study investigated Mastatest’s® (MT; Mastaplex, New Zealand) ability to identify broad groups of pathogens in clinical mastitis milk samples compared to laboratory culture and matrix-assisted laser desorption ionization-time of flight mass spectrometry (LC+M) on one U.S. dairy farm. Milk samples from quarters with clinical mastitis were collected on a dairy farm located in Colorado (n = 162). The test’s ability to identify groups of pathogens was assessed against LC+M (reference method) using contingency tables. Test characteristics (sensitivity [Se], specificity [Sp], positive predictive value and negative predictive value) and their 95% confidence intervals were estimated. Agreement was assessed using the Kappa statistic. Prevalences (0.20-0.60) for Gram-positive and Gram-negative bacteria were used to estimate predictive values. Before analysis, contaminated or missing samples in either MT or LC+M were excluded (n = 36). Our findings indicated moderate to substantial agreement, with Kappa values ranging from 0.53 to 0.66. For Gram-positive pathogens, Se and Sp estimates, and their 95% confidence intervals were: Se: 0.83 (0.70, 0.92), Sp: 0.81 (0.70, 0.89), and for Gram-negative bacteria (Se: 0.73 [0.50, 0.89], Sp: 0.93 [0.87, 0.97]). Negative predictive value remained above 0.70 across different prevalence scenarios, particularly where values exceeded 0.90 for prevalences below 0.30. Our findings suggest MT is a suitable technology for on-farm detection of mastitis pathogens commonly identified on U.S. dairy farms in clinical mastitis milk samples.
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 | 0,002 |
| 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 | 0,000 |
| 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 ».