Prevalencia de erliquiosis en perros atendidos en la Clínica Veterinaria Zona Animal, distrito de Chiclayo, septiembre 2015 – septiembre 2017.
Bibliographic record
Abstract
El objetivo del presente trabajo de investigación fue determinar la prevalencia de ehrlichiosis \nen perros atendidos en la Clínica Veterinaria Zona Animal, distrito de Chiclayo, Setiembre \n2015 – Setiembre 2017. Es un estudio epidemiológico observacional, tipo longitudinal y bajo \nun modelo caso – control. En este estudio se utilizaron los datos de 730 historias clínicas, de \nlos cuales se recolectó el número de casos positivos de ehrlichiosis canina con diagnóstico \ndefinitivo. Para el análisis estadístico se empleó la prueba de Chi cuadrado estimándose la \nprevalencia del período con un intervalo de confianza del 95%. Se halló 165 casos de \nehrlichiosis, lo que constituye una prevalencia de 22.60%. Se encontró que la edad es un \nfactor de riesgo para la presentación de la enfermedad siendo los perros de 1 año a más \n(27.61%) los más afectados; en cuanto a las razas, hubo mayor prevalencia en el Cocker \nSpaniel (35.2%), seguido de los perros mestizos (32.9%) ,pastor alemán (31.0%), Pitt Bull \n(24.5%) y labrador (22.7%); de igual manera se constató que la estación del año también es \nun factor de riesgo pues la mayor prevalencia fue en verano (27.78%). Se concluyó que la \nedad, la raza y la estación del año son factores de riesgo asociados a la ehrlichiosis canina.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| 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 source (direct Gemma or distilled Codex), 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".