Bibliographic record
Abstract
Darbo tikslas buvo išnagrinėti šunų sergančių kranialinių kryžminių raiščių liga klinikinės anamnezės duomenis, blauzdikaulio morfologiją, bei šių duomenų sąsają su kranialinių kryžminių raiščių patogeneze. Išnagrinėta priekinio kryžminio raiščio ligos etiologija. Nustatyta kokią įtaką turi priekinio kryžminio raiščio ligos išsivystymui šunų svoris, lytis, veislė, blauzdikaulio proksimalinės dalies morfometrija. Įvertinta kokio amžiaus šunims priekinio kryžminio raiščio liga pasireiškia dažniausiai. Nustatyta kaip dažnai pasireiškia bilateralinė priekinių kryžminių raiščių liga, bei koks laiko intervalas tarp ligos epizodų yra dažniausias. Pasak nagrinėtos literatūros, priekinių kryžminių raiščių ligos pasireiškimui įtakos turi genetiniai, autoimuniniai, infekciniai veiksniai, taip pat blauzdikaulio ir šlaunikaulio morfologija. Lyčių polinkio sirgti PKRL nerasta. Didesnį polinkį sirgti PKRL, veislinių šunų tarpe, turi Labradorų retriveriai, Vokiečių aviganiai, Auksaspalviai retriveriai, Cane corso ir Vakarų azijos aviganių veislės šunys. Didžiausią riziką svorio atžvilgiu turi šios šunų svorio grupės: 1. šunys sveriantys iki 10kg; 2. sveriantys 30 – 40 kg; 3. šunys sveriantys daugiau nei 50 kg. Rizika susirgti PKRL didėja, didėjant šuns svoriui (p <0,001). PKRL gali sirgti bet kurio amžiaus šunys, tačiau dažniau 5 – 8 metų amžiaus šunys. Tirtoje populiacijoje, trauma buvo reta PKRL priežastis. Bilateralinės ligos atvejų, laiko trukmė iki antrosios kojos pažeidimo vidutiniškai yra 9,88 mėnesio. Šunų blauzdos kaulo morfologija yra skirtinga tarp individų.Tik 43,48% šunų sergančių PKRL turi padidėjusį blauzdikaulio artimojo sąnarinio paviršiaus kampą. 88,73% tirtų šunų turėjo siaurus blauzdikaulio gumburus. Siauresnį blauzdikaulio gumburą turintys šunys suserga PKRL anksčiau. 32,78% šunų sergančių PKRL turi proksimalinės blauzdikaulio dalies išlinkimą. 45% šunų turinčių didelius TPA kampus, turi proksimalinės blauzdikaulio dalies išlinkimą.
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 | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 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".