Impact of general anesthesia on feline aqueous tear production and the feline corneal epithelium
Notice bibliographique
Résumé
Objectives The aim of the present study was to identify the prevalence of corneal injury in cats undergoing general anesthesia (GA) while receiving prophylactic ocular lubrication, identify risk factors for corneal injury and quantify the effect of GA on tear production in cats. Methods A total of 42 cats undergoing GA for non-ophthalmic procedures were included. Before GA, an ocular examination including a Schirmer tear test-1 (STT-1) and fluorescein stain (FS) was performed. Prophylactic lubrication was administered at the time of anesthetic induction and repeated every 15 mins until extubation. At 1 h after extubation, STT-1 and FS were performed and repeated hourly for 4 h. A Shapiro–Wilk test and paired t -test compared STT-1 results before and after GA. Logistic regression was used to analyze corneal injury and possible risk factors for corneal injury. Results No cats developed FS uptake consistent with corneal ulceration. In total, 14 cats and 23 (27.4%) eyes developed corneal erosion at all time points. There was a significant decrease in tear production at all four time points after GA. Pre-medication opioid choice and corneal exposure were identified as significant risk factors for corneal injury. Conclusions and relevance Corneal ulceration did not develop after GA in this study. There was a significant decrease in tear production in cats for at least 4 h after GA. Cats appear to have a higher prevalence of corneal injury after GA compared with dogs. Frequent eye lubrication is recommended for feline patients during and after GA.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».