Lämpökameran ja ontumatutkimuksen vertailu koiran lonkan alueen kiputilojen arvioimisessa
Bibliographic record
Abstract
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.
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.085 | 0.031 |
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".