The use of dogs for the detection of infectious diseases; an emerging diagnostic option
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Accurate and timely diagnosis are important aspects of infection prevention and control as reliable testing for the identification of both symptomatic and asymptomatic infected persons may reduce the spread of infection. Common infectious disease-testing strategies require the collection of specimens through often invasive procedures, e.g., venous blood collection, nasopharyngeal swabs, urethra swab, rectal swab, etc. Besides the invasiveness of these procedures, they also require trained laboratory personnel and specialized laboratories for testing. In addition, the collection, transportation, storage, and analysis of samples is time consuming and also costly. These challenges necessitate the need for alternative strategies which are faster, reliable, and non-invasive for screening of both asymptomatic and symptomatic individuals for diseases. Canines have been shown to have extraordinary olfactory acuity and for a long time, trained dogs (e.g., Labrador retrievers, Golden retrievers, German shepherds, Belgian malinois, and many other mixed breeds) have been used for varying purposes, e.g., in search and rescue to find victims of all sorts of events: avalanches, earthquakes, floods, landslides, plane crashes (Kokocińska-Kusiak et al., 2021). Sniffer dogs have also been used for explosive detection to combat terrorism, stop the flow of illegal narcotics or contraband, detect unreported currency, concealed humans, or smuggled agriculture products. Increasingly, the usefulness of sniffer dogs has been studied for the detection of viral, bacterial, and parasitic infections, as well as non-infectious diseases and disorders such as epilepsy, diabetes, and cancer (McCulloch et al., 2006; Cambau et al., 2020; Hardin et al., 2015; Catala et al., 2019).
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.
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 | 0,006 |
| 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 | 0,001 | 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 découle