Lämpökameran ja ontumatutkimuksen vertailu koiran lonkan alueen kiputilojen arvioimisessa
Notice bibliographique
Résumé
Tutkimuksen tarkoituksena oli vertailla lämpökameran ja visuaalisen ontumatutkimuksen tuomaa tietoa koiran lonkan alueen kiputilojen diagnosoimisessa. Tutkimuksessa selvitettiin, voidaanko lämpökameratutkimuksen avulla vahvistaa visuaalisen liikkeiden arvioimisen perusteella tehtyjä havaintoja koiran liikkumisesta ja liikkumisen mahdollisesta vaikeudesta, ja voidaanko tätä tietoa soveltaa käytännön työssä. Tutkimukseen osallistui 49 koiraa, joiden lonkkanivelet oli arvosteltu virallisesti Suomen Kennelliitossa. Tutkimukseen otettiin mukaan sekä normaalilonkkaisia että lonkkanivelen kehityshäiriötä sairastavia koiria. Koiran lonkkien välisen lämpötilaerotuksen määrittämiseen käytettiin lämpökameralla otettuja kuvia, joissa näkyi koiran takaselän ja lonkan alue suoraan ylhäältäpäin kuvattuna. Lämpökamerakuvantamisen jälkeen koirille tehtiin visuaalinen ontumatutkimus, jossa niiden liikkumista arvioitiin tarkkailemalla ravilla liikkuvaa koiraa edestä ja takaa sekä ympyrällä molempiin suuntiin. Lisäksi arvioitiin koiran maahan meno, makuulta nousu, ja matalan hypyn suorittaminen. Liikkeet arvosteltiin viisiportaisen asteikon perusteella visuaalisesti havaitun liikkumisvaikeuden vakavuusasteen mukaan. Erityistä huomiota kiinnitettiin koiran takaraajojen mahdolliseen ontumaan. Lisäksi koiran liikkuminen arvioitiin yleisellä tasolla. Tilastollista analyysia varten määritettiin koirien lonkan alueen lämpötilaerotuksen keskiarvot. Koirat jaettiin tilastollista analyysia varten kolmeen eri ryhmään sen mukaan, havaittiinko niillä ontumatutkimuksessa joko toisen tai molempien takaraajojen ontuma, vai olivatko ne kliinisesti ontumattomia. Tämän lisäksi koirat jaettiin viiteen eri ryhmään niiden liikkumisen yleisarvion perusteella. Aineiston käsittelyssä verrattiin lonkkanivelten välisen lämpötilaerotuksen ja ontumisen, liikkumisen yleisarvion ja ontumisen, sekä lonkkanivelten lämpötilaerotuksen ja liikkumisen yleisarvion välistä yhteyttä. Koiran lonkkanivelten alueen välisen lämpötilaerotuksen ja ontumisen välillä ei havaittu tilastollisesti merkitsevää yhteyttä. Suurimmat lämpötilaerotukset havaittiin ryhmässä, jossa koirat ontuivat vain toista takajalkaansa. Toispuolinen takajalkojen ontuma aiheuttaa yleensä painonjakautumisen epätasaisesti takaraajojen välillä, joten tutkimustulos oli odotettavissa. Pienimmät lämpötilaerotukset puolestaan havaittiin ryhmässä, jossa koirat ontuivat molempia takajalkojaan. Liikkumisen yleisarvio ja lonkkanivelten alueen välinen lämpötilaerotus eivät korreloineet keskenään. Liikkumisen yleisarvio ja ontuminen puolestaan korreloivat merkitsevästi keskenään, joka on odotettavissa ollut tulos. Tutkimustuloksia saattoi vääristää se, että tutkimukseen osallistuneiden koirien turkin laatu vaihteli suuresti. Paksu, tiivis tai pitkä karva eristää lämpökameralla havaittavan lämpösäteilyn määrää tehokkaasti, jolloin lonkan alueen todellisia lämpötiloja ei voida luotettavasti mitata lämpökameran avulla. Tutkimustulokset eivät vahvistaneet hypoteesia, että kliinisesti havaittava takaraajojen ontuma aiheuttaisi lämpökameran avulla havaittavia systemaattisia lämpötilaeroja lonkan alueelle. Lämpökameraa ei voida ilman lisätutkimuksia hyödyntää koiran lonkan alueen kiputilojen diagnosoimisessa tai vahvistaa sen avulla kliinisessä ontumatutkimuksessa havaittuja ontumia.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,008 | 0,005 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,085 | 0,031 |
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 source (Gemma direct ou Codex distillé), 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 ».