CN114822867A - 用于包虫病的早期预测的系统、计算机装置和存储介质 - Google Patents
用于包虫病的早期预测的系统、计算机装置和存储介质 Download PDFInfo
- Publication number
- CN114822867A CN114822867A CN202210192608.3A CN202210192608A CN114822867A CN 114822867 A CN114822867 A CN 114822867A CN 202210192608 A CN202210192608 A CN 202210192608A CN 114822867 A CN114822867 A CN 114822867A
- Authority
- CN
- China
- Prior art keywords
- information
- echinococcosis
- predicted
- data
- family
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Abstract
本发明属于包虫病早期识别和诊断技术领域,具体涉及一种用于包虫病的早期预测的系统、计算机装置和存储介质。所述计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述程序实现以下步骤:输入待预测人员的原始数据并进行预处理;所述原始数据包括:影像信息、血样cfDNA检测信息和诊断信息;采用深度学习神经网络模型进行待预测人员患有包虫病概率的预测;输出预测的结果。本发明还进一步提供具有上述计算机设备的系统和存储有上述计算机程序的存储介质。本发明具有准确度高、能够进行大批量数据的处理和筛查的优点,有利于大规模推广,对于牧民生活的医疗条件、设施不发达的地区具有很高的应用价值。
Description
技术领域
本发明属于包虫病早期识别和诊断技术领域,具体涉及一种用于包虫病的早期预测的系统、计算机装置和存储介质。
背景技术
包虫病又名棘球蚴病,是由寄生于人体内的棘球绦虫幼虫引起的寄生虫病,主要流行在牧区,是一种严重的人兽共患病,根据棘球绦虫的种类将包虫病分为囊型包虫病和泡型包虫病。包虫病的早发现、早治疗可以极大减轻病人的负担、提高预后效果,减轻政府经济负担。
然而,包虫病在中国中西部,特别是高原地区的传播和感染尤为严重。这些包虫病重度流行地区经济相对落后,交通不便,基层医疗体系较为薄弱。加之现有技术中对包虫病的检测手段有限,检测的精度和准确度不足。因此,现有检测技术手段难以满足“早诊断、早治疗”的需求。
包虫病的早期筛查检测的困难在于:(1)包虫病潜伏期长,在人体内可存活40年,病人常无自觉症状,易延误诊治;(2)目前血清学筛查缺乏有效手段,酶联免疫吸附测定(ELISA,enzyme linkedimmunosorbent assay)、间接血凝试验(IHA)和斑点酶联免疫吸附试验(dot-ELISA)等免疫学检测敏感性较低,不适用于人群筛查及随访;(3)目前常用的检测方法无法在包虫对人体造成不可逆的影响前发现病灶。依靠现有的抗体检测和腹部超声筛查仅能确诊不到1/3的感染病例,在庞大的包虫病感染人群中只是冰山一角。
总之,现有技术中常用的影像学难以将包虫囊肿与其他类型的囊肿区区分开来,而免疫学诊断方法的灵敏度和特异性不稳定,因而目前还缺少能够准确地在早期对包虫病进行诊断的方法。
随着机器学习技术的发展,越来越多的机器学习模型能够用于对疾病进行诊断。在包虫病的诊断方面,发明专利申请“CN201911396204.0基于超声图像的肝包虫识别方法、存储介质及超声设备”提出了一种利用机器学习的方法识别超声图像中肝包虫的方法,该专利申请能够在一定程度上提高超声检测对包虫的识别能力。但是该专利申请的技术方案只能够对超声图像进行识别,仍然不能够解决如何对大量人群进行早期筛查和预测的问题。此外,早期包虫病由于影像学上能观测到的包块比较小,即使采用机器学习的方法识别,仍然难以在早期准确识别包虫病。
因此,有必要提出新的方法,实现对大量人群进行包虫病的早期筛查和预测,达到对包虫病早诊断、早治疗的目的。
发明内容
为了解决现有技术中的问题,本发明提供一种用于包虫病的早期预测的系统、计算机装置和存储介质,目的在于利用深度学习神经网络模型实现包虫病的早期识别和诊断。
一种计算机设备,用于包虫病的早期预测,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现以下步骤:
步骤1:输入待预测人员的原始数据并进行预处理;所述原始数据包括:影像信息、血样cfDNA检测信息和诊断信息;
步骤2:采用深度学习神经网络模型对步骤1的预处理后的原始数据进行待预测人员患有包虫病概率的预测;
步骤3:输出步骤2预测的结果。
优选的,所述深度学习神经网络模型为RNN模型。
优选的,所述影像信息包括如下信息中的至少一种:病灶类型、病灶图片、病灶大小或病灶位置;
所述血样cfDNA检测信息包括如下信息:是否含有cfDNA的结果、 cfDNA含量、cfDNA长度或测序数据;
所述诊断信息包括如下信息中的至少一种:超声筛查结果、病灶数量、是否有肝外病灶、肝内外重要管道是否受侵、是否有淋巴结转移、泡型包虫病PNM分期、囊型包虫病CE分期或临床诊断ICD-10编码。
优选的,所述原始数据还包括个人信息、家庭信息、待预测人员对肝包虫的认知信息、心理信息、畜牧宠物信息、既往病史治疗费用信息、用药信息或个人饮食习惯信息中的至少一种。
优选的,所述原始数据还包括家庭信息和畜牧宠物信息。
优选的,所述个人信息包括如下信息中的至少一种:年龄、性别、出生地、居住地、现居住时长、居住方式、居住超过2年的其他居住地、受教育程度、现从事职业、过去20年从事职业、过去20年是否参与畜牧业活动、家庭年收入、身高、体重或BMI;
所述家庭信息包括如下信息中的至少一种:家族史、家庭常驻人口数、家庭常驻人口与本人关系、家庭常驻人口曾诊断为包虫病人数、家庭常驻人口因包虫病死亡人数、亲戚是否有人曾患包虫病或亲属中患包虫病人数量;
所述待预测人员对肝包虫的认知信息包括如下信息中的至少一种:是否知道包虫病、是否知道动物肝脏中存在包虫病、是否知道包虫病可以感染人或从哪里了解到包虫病;
所述心理信息包括如下信息中的至少一种:是否焦虑、是否担心、是否伤心或心情指数;
所述畜牧宠物信息包括如下信息中的至少一种:是否在家屠宰动物、屠宰什么动物、如何处理被屠宰动物的内脏、是否养狗、养狗的数量、养狗的年限、养狗的原因、放养狗的地点、狗是否可以进屋、用什么食物喂狗或是否使用驱虫药治疗狗;
所述费用信息包括如下信息中的至少一种:年均治疗费、交通费、陪护费、手术费或康复花费;
所述用药信息包括如下信息中的至少一种:既往其他疾病诊断信息、服用药物情况、服药开始时间、服药频率、目前是否停药、停药时间或停药原因。
所述个人饮食习惯信息包括如下信息中的至少一种:是否吃过未清洗的蔬菜、吃过什么来源的未清洗蔬菜、使用什么水源清洗蔬菜、是否有吃生肉的习惯、是否有生吃内脏的习惯、饮用的水源、喝水前是否把水煮开或是否与动物共享水源。
优选的,步骤1中,所述预处理包括病人数据加密静态脱敏处理、数据清洗和数据标准化处理。
优选的,步骤2中,所述深度学习神经网络模型训练过程中采用十折交叉验证的方法进行评价。
本发明还提供一种计算机可读存储介质,其上存储有用于上述计算机设备上运行的计算机程序,所述计算机程序用于按照所述步骤实现包虫病的早期预测。
本发明还提供一种用于包虫病的早期预测的系统,包括:
上述计算机设备;
服务器,用于存储和传输所述待预测人员的原始数据。
本发明通过影像信息、血样cfDNA检测信息、诊断信息和随访信息等作为输入,利用深度学习神经网络模型实现了对包虫病的早期预测。对于预测包虫病风险较大的待预测人员可进一步系统检查进行确认。本发明的方法克服了对影像学检查与传统实验室检验对早期包虫病方法不敏感的问题,具有准确度高、能够进行大批量数据的处理和筛查的优点,有利于大规模推广,对于牧民生活的医疗条件、设施不发达的地区具有很高的应用价值。
显然,根据本发明的上述内容,按照本领域的普通技术知识和惯用手段,在不脱离本发明上述基本技术思想前提下,还可以做出其它多种形式的修改、替换或变更。
以下通过实施例形式的具体实施方式,对本发明的上述内容再作进一步的详细说明。但不应将此理解为本发明上述主题的范围仅限于以下的实例。凡基于本发明上述内容所实现的技术均属于本发明的范围。
附图说明
图1为实施例1包虫病的早期预测的流程示意图。
具体实施方式
需要特别说明的是,实施例中未具体说明的数据采集、传输、储存和处理等步骤的算法,以及未具体说明的硬件结构、电路连接等均可通过现有技术已公开的内容实现。
实施例1一种用于包虫病的早期预测的系统
本实施例的系统包括:服务器和计算机装置,其中服务器用于存储和传输所述待预测人员的原始数据。
本实施例的计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时如图1所示,实现以下工作流程:
步骤1:输入待预测人员的原始数据并进行预处理;
原始数据保存在分布式存储服务器中,支持数据导出功能。原始数据的管理采用mongoDB数据库实现。
所述原始数据包括:影像信息、血样cfDNA检测信息和诊断信息;在优选的技术方案中,原始数据可进一步包括个人信息、家庭信息、待预测人员对肝包虫的认知信息、心理信息、畜牧宠物信息、既往病史治疗费用信息、用药信息和个人饮食习惯信息。
所述影像信息包括如下信息:病灶类型、病灶图片、病灶大小或病灶位置;
所述血样cfDNA检测信息包括如下信息:采样时间、检测时间、是否含有cfDNA的结果、cfDNA含量、cfDNA长度和测序数据;
所述诊断信息包括如下信息:超声筛查时间、超声筛查结果、病灶数量、是否有肝外病灶、肝内外重要管道是否受侵、是否有淋巴结转移、泡型包虫病PNM分期、囊型包虫病CE分期和临床诊断ICD-10编码。
所述个人信息包括如下信息:年龄、性别、出生地、居住地、现居住时长、居住方式、居住超过2年的其他居住地、受教育程度、现从事职业、过去20年从事职业、过去20年是否参与畜牧业活动、家庭年收入、身高、体重和BMI;
所述家庭信息包括如下信息:家族史、家庭常驻人口数、家庭常驻人口与本人关系、家庭常驻人口曾诊断为包虫病人数、家庭常驻人口因包虫病死亡人数、亲戚是否有人曾患包虫病和亲属中患包虫病人数量;
所述待预测人员对肝包虫的认知信息包括如下信息:是否知道包虫病、是否知道动物肝脏中存在包虫病、是否知道包虫病可以感染人和从哪里了解到包虫病;
所述心理信息包括如下信息:是否焦虑、是否担心、是否伤心和心情指数;
所述畜牧宠物信息包括如下信息:是否在家屠宰动物、屠宰什么动物、如何处理被屠宰动物的内脏、是否养狗、养狗的数量、养狗的年限、养狗的原因、放养狗的地点、狗是否可以进屋、用什么食物喂狗和是否使用驱虫药治疗狗;
所述费用信息包括如下信息:年均治疗费、交通费、陪护费、手术费和康复花费;
所述用药信息包括如下信息:既往其他疾病诊断信息、服用药物情况、服药开始时间、服药频率、目前是否停药、停药时间和停药原因。
所述个人饮食习惯信息包括如下信息:是否吃过未清洗的蔬菜、吃过什么来源的未清洗蔬菜、使用什么水源清洗蔬菜、是否有吃生肉的习惯、是否有生吃内脏的习惯、饮用的水源、喝水前是否把水煮开和是否与动物共享水源。
服务器中会保留所有的原始数据,并支撑对待预测人员的随访工作。当需要利用原始数据进行包虫病早期预测时,从服务器中导出的数据先进行预处理,所述预处理包括病人数据加密静态脱敏处理、数据清洗和数据标准化处理。病人数据加密静态脱敏处理是指隐去病人姓名等敏感和隐私信息;数据清洗是指通过缺失值比例、数据一致性、有效性判断等对不合格的科研数据进行排查,防止“脏数据”干扰;数据标准化处理是指将原始数据规范化、数字化,使其能够用作深度学习神经网络模型的特征。
步骤2:采用RNN模型对步骤1的预处理后的原始数据进行待预测人员患有包虫病概率的预测;
深度学习神经网络模型的训练过程中,随机选取样本中80%的数据作为训练集,20%的数据作为测试集,以诊断为肝包虫病或非肝包虫病为结局事件,从预处理后的原始数据中筛选输入,筛选过程中采用十折交叉验证方法评价不同算法的准确性。结果显示在囊型包虫病预测上有较优的结果,多模态数据预测准确率比仅采用临床诊断信息预测准确率提升3%,其中牲畜接触、家系遗传、影像病灶等信息等输入因素对预测结果影响突出。
步骤3:输出步骤2预测的结果。根据预测结果,对于风险较大的人员可进行全面检查以进一步确认。
通过上述实施例可以看到,采用本发明提供的系统能够对早期包虫病进行诊断,预测克服了对影像学检查与传统实验室检验对早期包虫病方法不敏感的问题,具有准确度高、能够进行大批量数据的处理和筛查的优点,有利于大规模推广,对于牧民生活的医疗条件、设施不发达的地区具有很高的应用价值。
Claims (10)
1.一种计算机设备,用于包虫病的早期预测,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于:所述处理器执行所述程序时实现以下步骤:
步骤1:输入待预测人员的原始数据并进行预处理;所述原始数据包括:影像信息、血样cfDNA检测信息和诊断信息;
步骤2:采用深度学习神经网络模型对步骤1的预处理后的原始数据进行包虫病患病概率的预测;
步骤3:输出步骤2预测的结果。
2.按照权利要求1所述的计算机设备,其特征在于:所述深度学习神经网络模型为RNN模型。
3.按照权利要求1所述的计算机设备,其特征在于:所述影像信息包括如下信息中的至少一种:病灶类型、病灶图片、病灶大小或病灶位置;
所述血样cfDNA检测信息包括如下信息中的至少一种:是否含有cfDNA的结果、cfDNA含量、cfDNA长度或测序数据;
所述诊断信息包括如下信息中的至少一种:超声筛查结果、病灶数量、是否有肝外病灶、肝内外重要管道是否受侵、是否有淋巴结转移、泡型包虫病PNM分期、囊型包虫病CE分期或临床诊断ICD-10编码。
4.按照权利要求1所述的计算机设备,其特征在于:所述原始数据还包括个人信息、家庭信息、待预测人员对肝包虫的认知信息、心理信息、畜牧宠物信息、既往病史治疗费用信息、用药信息或个人饮食习惯信息中的至少一种。
5.按照权利要求4所述的计算机设备,其特征在于:所述原始数据还包括家庭信息和畜牧宠物信息。
6.按照权利要求4所述的计算机设备,其特征在于:所述个人信息包括如下信息中的至少一种:年龄、性别、出生地、居住地、现居住时长、居住方式、居住超过2年的其他居住地、受教育程度、现从事职业、过去20年从事职业、过去20年是否参与畜牧业活动、家庭年收入、身高、体重或BMI;
所述家庭信息包括如下信息中的至少一种:家族史、家庭常驻人口数、家庭常驻人口与本人关系、家庭常驻人口曾诊断为包虫病人数、家庭常驻人口因包虫病死亡人数、亲戚是否有人曾患包虫病或亲属中患包虫病人数量;
所述待预测人员对肝包虫的认知信息包括如下信息中的至少一种:是否知道包虫病、是否知道动物肝脏中存在包虫病、是否知道包虫病可以感染人或从哪里了解到包虫病;
所述心理信息包括如下信息中的至少一种:是否焦虑、是否担心、是否伤心或心情指数;
所述畜牧宠物信息包括如下信息中的至少一种:是否在家屠宰动物、屠宰什么动物、如何处理被屠宰动物的内脏、是否养狗、养狗的数量、养狗的年限、养狗的原因、放养狗的地点、狗是否可以进屋、用什么食物喂狗或是否使用驱虫药治疗狗;
所述费用信息包括如下信息中的至少一种:年均治疗费、交通费、陪护费、手术费或康复花费;
所述用药信息包括如下信息中的至少一种:既往其他疾病诊断信息、服用药物情况、服药开始时间、服药频率、目前是否停药、停药时间或停药原因。
所述个人饮食习惯信息包括如下信息中的至少一种:是否吃过未清洗的蔬菜、吃过什么来源的未清洗蔬菜、使用什么水源清洗蔬菜、是否有吃生肉的习惯、是否有生吃内脏的习惯、饮用的水源、喝水前是否把水煮开或是否与动物共享水源。
7.按照权利要求1所述的计算机设备,其特征在于:步骤1中,所述预处理包括病人数据加密静态脱敏处理、数据清洗和数据标准化处理。
8.按照权利要求1所述的计算机设备,其特征在于:步骤2中,所述深度学习神经网络模型训练过程中采用十折交叉验证的方法进行评价。
9.一种计算机可读存储介质,其特征在于:其上存储有用于在权利要求1-8任一项所述的计算机设备上运行的计算机程序,所述计算机程序用于按照所述步骤实现包虫病的早期预测。
10.一种用于包虫病的早期预测的系统,其特征在于,包括:
权利要求1-8任一项所述的计算机设备;
服务器,用于存储和传输所述待预测人员的原始数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210192608.3A CN114822867B (zh) | 2022-03-01 | 2022-03-01 | 用于包虫病的早期预测的系统、计算机装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210192608.3A CN114822867B (zh) | 2022-03-01 | 2022-03-01 | 用于包虫病的早期预测的系统、计算机装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114822867A true CN114822867A (zh) | 2022-07-29 |
CN114822867B CN114822867B (zh) | 2023-04-18 |
Family
ID=82529287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210192608.3A Active CN114822867B (zh) | 2022-03-01 | 2022-03-01 | 用于包虫病的早期预测的系统、计算机装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114822867B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103237901A (zh) * | 2010-03-01 | 2013-08-07 | 卡里斯生命科学卢森堡控股有限责任公司 | 用于治疗诊断的生物标志物 |
US20130330335A1 (en) * | 2010-03-23 | 2013-12-12 | Iogenetics, Llc | Bioinformatic processes for determination of peptide binding |
CN109346183A (zh) * | 2018-09-18 | 2019-02-15 | 山东大学 | 基于循环神经网络模型rnn的疾病诊断预测系统 |
CN109685810A (zh) * | 2018-12-18 | 2019-04-26 | 清华大学 | 一种基于深度学习的肝包虫病灶识别方法及系统 |
-
2022
- 2022-03-01 CN CN202210192608.3A patent/CN114822867B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103237901A (zh) * | 2010-03-01 | 2013-08-07 | 卡里斯生命科学卢森堡控股有限责任公司 | 用于治疗诊断的生物标志物 |
US20130330335A1 (en) * | 2010-03-23 | 2013-12-12 | Iogenetics, Llc | Bioinformatic processes for determination of peptide binding |
CN109346183A (zh) * | 2018-09-18 | 2019-02-15 | 山东大学 | 基于循环神经网络模型rnn的疾病诊断预测系统 |
CN109685810A (zh) * | 2018-12-18 | 2019-04-26 | 清华大学 | 一种基于深度学习的肝包虫病灶识别方法及系统 |
Non-Patent Citations (3)
Title |
---|
MIAO WU 等: "Automatic Classification of Hepatic Cystic Echinococcosis Using Ultrasound Images and Deep Learning" * |
ZHIHUA LIU 等: "Image classification of hepatic echinococcosis based on convolutional neural network" * |
王成程 等: "包虫病快速检测技术研究进展" * |
Also Published As
Publication number | Publication date |
---|---|
CN114822867B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alraddadi et al. | Risk factors for primary Middle East respiratory syndrome coronavirus illness in humans, Saudi Arabia, 2014 | |
Hsu et al. | Nipah virus encephalitis reemergence, Bangladesh | |
Grace et al. | Mapping of poverty and likely zoonoses hotspots | |
Lewis et al. | Pigs as source of methicillin-resistant Staphylococcus aureus CC398 infections in humans, Denmark | |
Buishi et al. | Reemergence of canine Echinococcus granulosus infection, Wales | |
Phiri et al. | The prevalence of porcine cysticercosis in Eastern and Southern provinces of Zambia | |
Rajeev et al. | Healthcare utilization, provisioning of post-exposure prophylaxis, and estimation of human rabies burden in Madagascar | |
Nielsen et al. | An ultrasonographic scoring method for transabdominal monitoring of ascarid burdens in foals | |
Flegr | Predictors of Toxoplasma gondii infection in Czech and Slovak populations: the possible role of cat-related injuries and risky sexual behavior in the parasite transmission | |
Yaglom et al. | Serologic assessment for exposure to spotted fever group rickettsiae in dogs in the Arizona–Sonora border region | |
Downs et al. | Responses to diagnostic tests for bovine tuberculosis in dairy and non-dairy cattle naturally exposed to Mycobacterium bovis in Great Britain | |
Yang et al. | Detecting bovine digital dermatitis in the milking parlour: to wash or not to wash, a Bayesian superpopulation approach | |
Aceng et al. | Cutaneous anthrax associated with handling carcasses of animals that died suddenly of unknown cause: Arua District, Uganda, January 2015–August 2017 | |
Tolentino Júnior et al. | Rabies outbreak in Brazil: first case series in children from an indigenous village | |
Shumuye et al. | A systematic review and meta-analysis on prevalence and distribution of Taenia and Echinococcus infections in Ethiopia | |
CN114822867B (zh) | 用于包虫病的早期预测的系统、计算机装置和存储介质 | |
Adamu et al. | Seroprevalence of Coxiella burnetii in sheep flocks in Kaduna State, Northwestern Nigeria | |
Pezeshkian et al. | Seroprevalence of Toxocariasis and its associated risk factors among adult population in Kavar District, fars province, south of Iran: a cross-sectional community-based seroepidemiological survey | |
Schreurs et al. | Effects of grazing undrenched weaner deer on chicory or perennial ryegrass/white clover pasture on the viability of gastrointestinal nematodes and lungworms | |
Proudman | Diagnosis, treatment, and prevention of tapeworm-associated colic | |
Nathues et al. | Cross-sectional study on risk factors for Porcine Reproductive and Respiratory Syndrome virus sow herd instability in German breeding herds | |
Evason et al. | Novel molecular diagnostic (PCR) diagnosis and outcome of intestinal Echinococcus multilocularis in a dog from western Canada | |
Diaz et al. | Prevalence of epilepsy, human cysticercosis, and porcine cysticercosis in western Kenya | |
Guisantes | Control and prevention of hydatidosis | |
El Rehima et al. | Raising community awareness about Zoonotic diseases with special reference to rift valley fever, the roles of professionals and media |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |