Facteurs de risque d´introduction et diagnostic de Mycobacterium avium ssp. paratuberculosis
Bibliographic record
Abstract
Mycobacterium avium ssp. paratuberculosis (MAP) est l'agent causal de la paratuberculose, maladie entérique, chronique et incurable des ruminants, avec un impact économique important. Une meilleure compréhension des facteurs de risque associés à l'introduction de la maladie dans un troupeau est essentielle pour sa prévention. L’amélioration des tests diagnostiques est aussi importante pour son contrôle.\n\n \tL’introduction des nouveaux animaux dans le troupeau et la présence et contact des différentes espèces sauvages et domestiques avec les vaches, semblent être des facteurs de risques d’introduction de la maladie. Nous avons réalisé une revue systématique dont l`objective était de recueillir l’information pertinente pour répondre à la question sur l’importance de ces facteurs et leur impact sur l’introduction de la maladie dans un troupeau. \n\nD`un autre côté, la détection de MAP dans les fèces par culture bactérienne demeure la méthode diagnostique de choix malgré les facteurs qui l`affectent. Une série de 3 étapes est requise afin de confirmer la présence du MAP : (1) culture (2) coloration, et (3) confirmation du MAP par PCR (si détecté à l´étape 2). Certains échantillons fécaux présentent une particularité en raison de leur forte charge de micro-organismes. Ces contaminants peuvent interférer avec la croissance et la détection de MAP. Une étude visant à : a) estimer l'impact des certain covariables sur les résultats de la culture de MAP parmi l`analyse rétrospective d`un banque des données et b) évaluer la possibilité d'optimiser le processus de diagnostic du MAP en effectuant l'analyse PCR sur les cultures déclarées comme contaminées a été réalisée.
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 | 0.005 | 0.018 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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; 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".