Bibliographic record
Abstract
Korrekt laboratoriediagnostik är viktigt inom veterinärmedicin för att alla patienter ska få bästa möjliga vård. Det finns flera faktorer som kan påverka resultatet av analyser. Hemolys, lipemi och bilirubinemi kan störa analyser men syns för det mesta på provet och är därmed något personalen kan ta hänsyn till. En annan möjlig faktor till felaktiga resultat i immunbaserade analyser är interfererande antikroppar. Det är en problematik som är känd sedan länge inom humanmedicinen och svårare att lägga märke till eftersom de inte syns på materialet som ska analyseras. Denna problematik har även uppmärksammats inom veterinärmedicinen. I detta arbete har serum från 52 berner sennen och 45 labrador retriever analyserats med syfte att dels jämföra förekomst av interfererande antikroppar mellan raserna, dels undersöka om dessa interfererande antikroppar orsakar interferens i en kommersiellt tillgänglig AMH-analys (Antimüllerskt hormon). Med en interferens-ELISA observerades en signifikant högre prevalens av interfererande antikroppar (p=0,018) hos berner sennen jämfört med labrador retriever. Serum från alla de kastrerade positiva individerna (11 st) analyserades avseende AMH, och interferens uppstod inte i något av fallen. För att få mer förståelse för interfererande antikroppar hos hund bör fler studier göras på fler raser. Fler studier bör undersöka eventuell interferens av interfererande antikroppar i andra kommersiella analyser.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".