Idiopatisk epilepsi hos hund : en beskrivning av sjukdomen och predisponerande faktorer
Bibliographic record
Abstract
Epilepsi utgör den vanligaste kroniska neurologiska sjukdomen hos hund med en uppskattad prevalens på 0,5-5,7 % beroende på ras. Sjukdomen karakteriseras av återkommande epileptiska anfall som tar sig olika uttryck beroende på vilken del av hjärnan som påverkas. Om anfallen inte uppkommer till följd av skada eller sjukdom klassificeras epilepsin som idiopatisk. Orsaken till idiopatisk epilepsi (IE) är okänd, den förmodas ha en genetisk anknytning. Denna litteraturstudie syftar till en fördjupning i ämnet och att besvara frågeställningen: Vad är idiopatisk epilepsi och vad gör en del hundar predisponerade, med avseende på ras och kön? \nIE förekommer hos nästan alla hundraser inklusive blandraser, men prevalensen skiljer sig mycket åt mellan raserna. En del raser så som Belgisk vallhund, Labrador retriever, Border collie och Lagotto romagnolo har visat sig ha en hög frekvens av IE. Det har genomförts många studier på IE hos hund, men det finns fortfarande mycket kvar att undersöka. Många studier visar att hanar är predisponerade medan andra hävdar att det inte finns någon skillnad mellan könen. Det är därför svårt att dra några konkreta slutsatser kring IE gällande kön hos hund. Mycket av resonemanget kring könshormonernas påverkan har sin grund i studier gjorda på människa och mus. Studierna kan vara svåra att applicera på hund eftersom deras hormoncykel skiljer sig från dessa arters. \nGenetiken bakom IE har undersökts i många studier utan att hitta exakt hur sjukdomen nedärvs. Anfallens fenotyp och genetiska kopplingen har visat sig skilja sig åt mellan olika raser, det går därför inte att applicera en studie gjord på en ras på en annan. Detta gör sjukdomen svår och dyr att undersöka. Arvsmönstret är komplext med många bidragande gener inklusive en miljöaspekt. Man har inte hittat mutationer i specifika gener som styr uppkomsten av sjukdomen. De flesta studier tyder på ett polygenetiskt autosomalt recessivt nedärvningsmönster. \nBristen i diagnostisering av IE och den ibland höga åldern hos hunden vid första anfallet gör det svårt för uppfödare att selektera emot sjukdomen i sitt avelsarbete. Genom att hitta de gener och mutationer som kodar för IE kan man ta fram ett genetiskt test för sjukdomen. Detta skulle vara användbart vid diagnostisering och val av avelsindivider. Det behövs fortfarande mycket forskning på område, både gällande genetik, diagnostisering och behandling.
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 | 0.002 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.021 | 0.001 |
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; both teacher heads agree on what is shown here.
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".