Întotdeauna devotat.

patrocinadores1-300x72 1

In the initial stage of drug induced hepatic lesions, classic histological exams fail to reveal changes, while blood work already shows significant functional and enzyme level changes. This study examines the ability of fractal analysis to reflect drug induced minor changes in the liver.

Fractal dimension (FD) was computed on complete histology images (CHI) and on chromatin regions (CR) extracted by image segmentation. Images were available from a previous study on rats with induced tumours, investigating the hepatic effects of mitoxantrone, farmarubicine, and holoxan, as well as of phenol extracts from three plants. The statistical analysis carefully complied with the features of the input data and included ANOVA, t-test, power, size effect, and confidence intervals.

We found the impact of the toxic drugs on the FD of the histology images to be major and reliable, with variations among the drugs and the types of images (CHI and CR). The effect of the protective drugs on the FD of the images is less impressive.

This study provides additional evidence that FD of histology images can be used as an complementary diagnostic tool in the pathology lab. Introduction of FD as a regular image-processing step can lead in a short time to confirming its added value in identifying small and diffuse lesions.

Journal of Comparative Pathology, Volume 148, Issue 1, January 2013, Page 92

Full poster presentation can be viewed here.                                                  High resolution pdf here.

Authors: dr. Liviu Gaita, Prof. dr. Manuella Militaru

titulonuevo

Note of Liviu Gaita:

This study is made on primary data collected in an old research project - designed, performed, and concluded before any of my involvement. I am steadily committed to promoting a total ban on experiments on healthy animals, be they human or non-human animals. Liviu Gaita

Published in Oncologie

patrocinadores1-300x72 1

One of the oldest - and yet actual - medical challenges is the prediction of the most probable outcome of a disease in a given patient, based on the clinical and pathology information and a therapy scenario.

A model based on Artificial Neural Networks (ANN) was designed and programmed. The input data (over 120 parameters) include histology type and grade of tumours, morphometry and fractal dimension of microscopic images of lesions, clinical and para-clinical data, quality of life, and treatment. The key output is life expectation for dogs and cats with cancer, but many input parameters can be turned into unknowns and the network asked to provide an estimate.

The ANN was tested on a smaller set of 27 criteria and 39 cases of cancer in dogs to develop appropriate architecture and learning strategies. Robustness and predictive performance were confirmed. As previously reported, we also found overfitting/overtraining to be the most serious pitfall that needs to be addressed. The complete model is growing and learning.

ANN are one very promising way to respond to the growing interest for Evidence Based Medicine methods applied in veterinary practice. ANN provide a lean approach for integrating in the current diagnostic and prognostic procedures some new or still ‘exotic’ pathology information, like fractal dimensions of histology images.

Journal of Comparative Pathology, Volume 148, Issue 1, January 2013, Page 69

Full poster presentation can be viewed here.                                            High resolution pdf here.

Authors: dr. Liviu Gaita, Prof. dr. Manuella Militaru

titulonuevo

Published in Oncologie

Am menționat în materialul precedent câteva dintre instrumentele noi care sunt din ce în ce mai folosite [i] în cadrul orientării „Evidence Based Medicine”: modelele bayesiene, regresia logistică, modelele Cox de supraviețuire și curbele Kaplan-Meier, sistemele expert și – subiectul nostru de aici - rețelele neuronale artificiale. Descriam succint rețeaua neuronală artificială (RNA) drept un ansamblu de unități de procesare (”neuroni”), fiecare producând un semnal de ieșire (prin ”axon”) bazat pe semnale de intrare multiple (venite prin ”dendrite”). Unitățile de procesare sunt modelate digital pe calculator, prin rutine software. Legăturile (”sinapsele”) între neuroni sunt dinamice: își pot schimba originea, destinația și ponderea (factorul de amplificare/atenuare). În acest fel întreaga arhitectură a rețelei este dinamică.  Funcția de transfer proprie fiecărui neuron este, de asemenea, dinamică în procesul de învățare. Rețeaua ”învață” continuu, pe baza setului de date folosit pentru ”antrenare” sau, după mai multe cicluri, pentru ”validare”.

Am testat aplicabilitatea acestui model pe informații culese de la pacienți ai ORTOVET înregistrați cu afecțiuni oncologice în anii 2004-2005, din specia canină. Am reținut 39 cazuri, între care tumori ale glandei mamare (18 cazuri) și alte tumori solide: osteosarcom, limfom cutanat, hemangiom, tumoră ovariană, carcinom scuamos cutanat, adenocarcinom cutanat, angiofibrom, carcinom embrionar, carcinom de glande apocrine (glande perianale), tumoră de teacă de neuron periferic, melanom malign, histiocitom. Pentru fiecare pacient am cuantificat, prin atribuirea unui scor 0-4, criteriile clinice, anatomo-patologice și concurente din Tabelul 1, în total 28 criterii:



 [i]     Forthofer R. N. , E. S. Lee, M. Hernandez, Biostatistics: A Guide to Design, Analysis, and Discovery, Elsevier, 2007

Tabelul 1

 

Criterii clinice

1

Ritmul de creştere a tumorii

2

Timpul liber de tumoră post rezecţie

3

Timpul de viaţă după instituirea tratamentului

4

Afectarea hemoleucogramei

5

Afectarea funcţiei hepatice

6

Afectarea funcţiei renale

7

Timpul de rezolvare a plăgii chirurgicale

 

Criterii anatomo-patologice macroscopice (tumoră)

8

Mărimea tumorii

(la diagnostic/la iniţierea tratamentului)

9

Consistenţa

10

Ulceraţii

11

Aderenţa la ţesuturile adiacente (infiltrarea)

12

Vascularizaţie

 

Criterii anatomo-patologice microscopice (tumoră)

13

Angiogeneză/hiperemie

14

Aflux leococitar

15

Scleroză/proliferare conjunctivă

16

Grad histologic de malignitate

17

Pleomorfism/polimorfism celular

 

Criterii anatomo-patologice microscopice (limfonod)

18

Micrometastazare limfonodală

 

Criterii concurente

c1

Tipul histologic al tumorii

c2

Tratament chirurgical

c3

Tratament chimioterapic (citostatice)

c4

Tratamente imunostimulante

c5

Prezenţa gonadelor (pe durata tratamentului)

c6

Tratament hormonal (antiestrogenic)

c7

Vârsta la care s-a pus diagnosticul (vârsta iniţierii tratamentului)

c8

Stadiul TNM la momentul diagnosticului

c9

Specia

c0

Tratament cu anti-inflamatoare nesteroidiene

Examenele clinice au fost efectuate la ORTOVET iar cele anatomo-patologice în două laboratoare specializate: cel al Facultății de Medicină Veterinară din București (USAMV-FMV, Prof. Dr. M. Militaru) și cel al Spitalului de Urgență MIRA „Prof. Dr. Dimitrie Gerota” ( Șef de lucrări Dr. Florinel Pop).

Pentru dezvoltarea rețelei neuronale s-a folosit EasyNN Plus V14.0g, software comercializat de Neural Planner Software Ltd. (Chesire, Anglia). 27 de criterii au fost considerate informații de intrare iar informația de ieșire a fost durata de viață a pacientului de la momentul diagnosticării și instituirii tratamentului. A fost dezvoltată o rețea cu 2 straturi ascunse, cu câte 20, respectiv 13 neuroni. Clonarea automată a neuronilor performanți a fost activată, precum și introducerea de zgomot aleator pentru evitarea blocajelor în algoritmul de optimizare. Dintre cele 31 de cazuri, 24 au fost folosite pentru antrenarea rețelei iar 7, selectate aleator, pentru validarea rețelei. După numai 800 de cicluri de învățare,  eroarea maximă pe setul de învățare a coborât sub 0.001. A fost însă nevoie de peste 8251 de cicluri pentru a obține o rețea cu rezultate convingătoare la testarea pe setul de validare ales arbitrar: 6 cazuri din 7 cu eroare sub 5% (Figura 1).

Retele neuronale 212
Pe parcursul dezvoltării și instruirii rețelei neuronale au fost folosite și facilități precum clonarea nodurilor performante, înghețarea temporară a unor conexiuni, eliminarea automată a conexiunilor cu pondere sistematic mică. Principala problemă este blocajul în care intră algoritmul de învățare prin optimizarea exagerată (ca viteză și ca grad) a conformării cu setul de date folosit la instruire: intervine destul de ușor o situație numită „overfitting” care face face ca rețeaua să răspundă practic perfect la interogările cu date din setul de instruire dar să piardă flexibilitatea necesară integrării de noi informații și interogării cu date noi. În Figura 2 este ilustrată această situație, în care eroarea de validare (curba galbenă) are tendință de creștere după ce eroarea cumulată din testele de instruire (curbele verde și roție) a scăzut virtual la zero. Rețelele excesiv de complexe sunt mai vulnerabile la acet gen de impas. Au fost folosite pentru depășirea acestor blocaje strategii de introducere de zgomot aleator în funcțiile de transfer ale neuronilor și de variație bruscă a ponderilor (jog weights), ceea ce explică alura mai neregulată a curbelor din Figura 1.

Retele neuronale 213
În Figura 3 este reprezentată rețeaua neuronală a cărei dinamică de învățare a fost descrisă în Figura 1. Complexitatea relațiilor dintre neuroni este dificil de ilustrat, fiind constituită nu numai din morfologia rețelei ci, mai ales, din forma particulară a fiecărei funcții de transfer de la un neuron la altul. În sfârșit, în Figura 4 este reprezentată ordinea stabilită de rețeaua neuronală între criteriile folosite, sub aspectul sensibilității mărimii de output (durata de viață) la variația fiecărui criteriu. Factorii cu impactul cel mai mare asupra duratei de viață s-au dovedit, în ordine descrescătoare: tratamentul chirurgical, durata liberă de tumoră post-chirurgie, gradul histologic de malignitate, invazia limfonodală, timpul de vindecare a plăgii chirurgicale. Chiar dacă nu reprezintă o noutate absolută, această ierarhie aduce o confirmare că modelul RNA, altfel complex și, prin aceasta, imprevizibil, furnizează rezultate care nu contrazic bunul simț al practicianului.

Retele neuronale 215
În urma acestui experiment de modelare, ORTOVET, cu sprijinul Laboratorului de Anatomie Patologică al FMV-USAMV București a lansat [ii] la începutul lui 2012 un model RNA similar dar mult mai cuprinzător pentru estimarea speranței de viață a pacienților diagnosticați cu cancer, câini sau pisici. Vor fi incluse peste 120 de criterii, inclusiv dimensiuni fractale ale imaginilor histologice precum și calificative ale calității vieții, specifice pentru bolnavii de cancer. Mediul ales pentru colectarea și organizarea informației este Epi Info 7, pus la dispoziție deCDCCenters for Disease Control and Prevention din S.U.A.. Primele rezultate sunt așteptate în decembrie 2012.

Dr. Liviu Gaiță



 [ii] Gaiță L., M. Militaru, M. Lihet, Pilot cancer prognostic model based on pathology laboratory results processed in artificial neural networks, Contribuţii ale cercetării știinţifice la progresul medicinei veterinare, Simpozion FMV-USAMV, noiembrie 2011

Published in Oncologie

Un citat din Mircea Eliade (!), poate prea mult vehiculat, este "Nu exită boli, există numai bolnavi." Evident că există boli, care sunt descrise ca atare în manuale de medicină. Bolile sunt conceptul central care organizează abordarea bolnavului de către medic, pentru diagnostic şi tratament.

Este, totuşi, o realitate că fiecare individ suferind de o boală manifestă şi particularităţi aproape irepetabile; acestea decurg din genomul său, din istoria interacţiunilor sale cu mediul, chiar din mijloacele terapeutice folosite în fiecare etapă a tratamentului, pentru că procedurile medicale includ totdeauna adaptări făcute de clinician. În aceste condiţii, cum poate fi structurată experienţa medicală acumulată pe cazuri individuale pentru a creşte eficacitatea actului medical pentru următorii pacienţi? În boala canceroasă această întrebare se pune cu atât mai insistent cu cât variabilitatea răspunsului la tratament este foarte mare. O altă particularitate a practicii oncologice este interesul foarte mare ca, odată stabilit diagnosticul, să fie formulate estimări cât mai fundamentate privind prognosticul – inclusiv durata de viaţă estimată – pe diverse scenarii terapeutice.

Mijloacele informatice moderne au adus abordări inovative pentru aceste probleme. Ne vom referi aici la câteva dintre conceptele care sunt deja consacrate în oncologia umană şi capătă tot mai mare răspândire şi între veterinarii implicaţi în terapia bolii canceroase.

exemplu retea neuronala

Medicina bazată pe dovezi, Evidence Based Medicine, propune o îndepărtare de practica medicală centrată pe intuiţie, talent („medicina e o artă") sau chiar pe proceduri rigide. În schimb, sunt căutate mijloace pentru „a fundamenta decizia clinică pe informaţia cel mai bine demonstrată ştiinţific"i . În abordarea iniţială, acest demers se bazează în principal pe îmbunătăţirea metodelor de căutare a răspunsului la fiecare întrebare cu care se confruntă clinicianul, dar exclusiv în câmpul experienţei medicale documentate riguros, prin date culese de cazuri concrete. Baze de date, motoare de căutare și studii metastatisticce (studii care compară și sintetizează rezultatele altor studii) au fost cele mai importante instrumente folosite inițial. Pe măsură ce această abordare a câştigat teren, noile cercetări şi comunicări dinspre practicieni au început să fie ele însele formulate şi organizate pentru a facilita accesarea şi utilizarea directă în fundamentarea deciziilor clinice.

În ultimii ani sunt însă progresiv perfecţionate şi utilizate noi instrumente, noi metode de colectare, relaționare și accesare a informației:

  • Calcule statistice de corelație și covarianță, modulate pentru situațiile specific medicale, cu variabilitatea specifică a situațiilor și numărul deseori mic de elemente al populației examinate statistic. Pachete software, specializări ale matematicienilor, manuale voluminoase și simpozioane ample sunt dedicate azi acestor mijloace statistice puse la punct special pentru aplicații medicaleii .
  • Modele statistice dezvoltate pe baza cazuisticii documentate, ca bază pentru formularea prognosticului, în special a celui referitor la durata de viață după stabilirea diagnosticului. Între acestea, au devenit clasice modelele bayesieneiii , regresia logistică, modelele Cox de supraviețuire și curbele Kaplan-Meier.
  • Sistemele expert, care sintetizează informația de referință în structuri arborescente și/sau piramidale. Prin alegerea răspunsurilor pre-definite la întrebări succesive se poate obține în orice situație clinică lista diagnosticelor posibile, lista opțiunilor de tratament etc.. Sistemele expert sunt, însă, mai curând o automatizare a abordărilor bazate pe proceduri și reflectă în mai mică măsură informația colectată direct de la cazurile clinice documentate istoric.
  • Rețelele neuronale artificialeiv .

Retele neuronale 131Rețeaua neuronală artificială este un ansamblu de unități de procesare ("neuroni"), fiecare producând un semnal de ieșire (prin "axon") bazat pe semnale de intrare multiple (venite prin "dendrite"). Semnalele sunt informații/semnale/date, iar unitățile de procesare sunt modelate digital pe calculator, prin rutine software. Legăturile ("sinapsele") între neuroni sunt dinamice: se pot schimba originea, destinația și ponderea (factorul de amplificare/atenuare). În acest fel întreaga arhitectură a rețelei este dinamică. Funcția de transfer proprie fiecărui neuron este, de asemenea, dinamică în procesul de învățare. Rețeaua "învață" continuu, pe baza setului de date folosit pentru "antrenare" sau "verificare".

Rețeaua poate fi foarte complexă. Sunt deja numeroase strategii cu eficacitate confirmată de optimizare ( adică de învățare) a rețelei și noi abordări continuă să fie comunicate de către matematicieni. Puterea calculatoarelor este critică în proiectarea și antrenarea rețelei. Progresele spectaculoase în această direcție au atras prompt și progrese în aplicarea cu succes a rețelelor neuronale în domenii dintre cele mai variate:

  • recunoaștere de forme: text, amprente, față umană, alură corporală (identificarea speciei, de exemplu)
  • predicții: burse, meteorologie, prognostic medical
  • separare "semnal/zgomot"
  • "sparring partners" pentru jocuri strategice
  • monitorizare (camere video de supraveghere, comunicații audio sau text, comportamente de accesare a diverselor servicii: carte de credit, telefon, calculator), sisteme "early warning"
  • automatizarea proceselor complexe, neliniare (avioane fără pilot)

Sunt rețelele neuronale instrumente utilizabile în practica veterinară curentă? Da, și într-un alt articol vom prezenta aplicarea lor pe un studiu test, în care 28 parametri cu valori măsurate în 39 cazuri de cancer la pacienți ai ORTOVET au fost folosiți pentru a organiza și instrui o rețea neuronalăv. Rezultatele încurajatoare obținute au permis demararea în 2012 a unui studiu pilot cu peste o sută de parametri.

i       Timmermans S, Mauck A .,"The promises and pitfalls of evidence-based medicine". Health Aff (Millwood) 24 (1): 18–28 (2005)

ii      Scott I., Mazhindu D. , "Statistics for Health Care Professionals", SAGE Publications (2005)

iii     Pourret O., Naim P., Marcot B., "Bayesian Networks, A Practical Guide to Applications" (2008)

iv     Sordo M., "Introduction to Neural Networks in Healthcare", OpenClinical (2002)

v      Gaita L., Militaru M., Lihet M., "Pilot cancer prognostic model based on pathology laboratory results processed in artificial neural networks", Contributions of scientific research to the progress of veterinary medicine, Simpozion FMV-USAMV (2011)

Published in Oncologie

Calitatea vieții pentru pisica bolnavă

Decizia de a aplica un tratament medical aditional sau de a lua in considerare eutanasia pentru o pisica cu o boala acuta sau cronica - în particular pentru o pisică suferind de cancer- este una dificila. Acest material a fost conceput pentru a va ajuta sa apreciati calitatea vietii pisicii dumneavoastra si sa va informeze privind cateva dintre optiunile care exista daca eutanasia nu este oportună. Va rugam sa bifati in cazul in care sunteti mai curând de acord cu afirmatia respectiva. Formularul nu este programat pentru completare on-line, ca urmare fie îl tipăriți pentru completare, fie numărați câte răspunsuri afirmative acumulați prin parcurgerea lui.

Durere

Observarea durerii este esentiala. Multe animale nu se plang intr-un mod evident, vizibil atunci cand sufera. Multe animale vor ascunde disconfortul provocat de durere. Evaluați urmatoarele:

___ pisica mea se plange de durere

___ pisica mea schioapata (daca nu le doare, nu schioapata)

___ respiratia pisicii mele este fortata, exagerata sau altfel decat normala.

___ pisica mea se linge repetat pe o anumita zona a corpului sau pe locul unde are tumora/cancerul.

___ pisica mea pazeste sau apara o anumita zona a corpului si poate musca daca acea zona este atinsa sau daca doar se apropie cineva de ea

___ postura pisicii mele este anormala sau diferita de cea normala

___ pisica mea tremura uneori in timp ce se odihneste.

___ pisica mea primeste medicatie pentru durere si aceasta nu are efect

___ pisica mea se odihneste cu ochii deschisi tot timpul, ca si cand ar supara-o ceva (nu se simte confortabil)

___ pisica mea se odihneste mai mult decat de obicei si/sau interactioneaza mai putin cu familia ca inainte

Posibile interventii in cazul raspunsurilor cu da: inceperea unei medicatii antialgice, schimbarea medicatiei antialgice (împotriva durerii), combinatie intre diferite clase de medicatie antialgica, interventie chirurgicala, medicina alternativa (acupunctura, presopunctura, fitoterapie, tratament cu laser etc), tratamentul cauzei care provoacă durerea/discomfortul.

 

Apetitul

Apetitul este unul dintre semnele evidente ale starii de sanatate. Majoritatea animalelor mananca mult in mod normal. Evaluați urrmatoarele:

___ pisica mea nu mai mananca mancarea ei obisnuita

___ pisica mea face nazuri la mancarea ei, dar inainte nu facea asa

___ pisica mea merge in jurul vasului cu mancare si se uita la ea, dar nu mananca si nici nu pleaca de langa el.

___ pisica mea nu mai vrea nici macar 'mancare buna' (delicatese)

___ pisica mea are stari de greata sau vomita (multe pisici cu stare de greata nu vomita neaparat – doar mananca mai putin)

___ pisica mea pierde in greutate

Posibile interventii in cazul raspunsurilor cu da: mancatul din mana dumneavoastra, incalzitul mancarii, inmuierea alimentelor sau folosirea varietatilor de conserve, adugarea cu grija a alimentelor pentru oameni (mancare de copii), diete prescrise de medicul veterinar, hranirea cu seringa, introducerea unui tub in stomac pentru hranire, medicamente pentru stimularea apetitului, sau medicamente pentru combatera starii de greață.

 

Hidratare

Hidratarea este la fel de importanta ca si apetitul. Fara un consum adecvat de apa, pisica dumneavoastra poate deveni deshidratata, mai ales daca apetitul este scazut si/sau vomita sau are diaree. Deshidratarea poate contribui la slabiciune si la o stare de rau a animalului. Evaluați urmatoarele:

___ pisica mea nu bea apa asa cum obisnuia

___ pisica mea are frecvent gingiile uscate si lipicioase

___ pisica mea vomita sau are diaree (pierderea de fluide poate contribui la deshidratare)

Posibile interventii in cazul rapunsurilor majoritare cu da: adaugarea de alimente lichide in dieta, administrarea de fluide subcutanat, medicamente care sa stopeze voma sau diareea. Plasarea de boluri cu apa in plus prin casa (astfel incat pisica sa nu fie nevoita sa mearga prea departe pentru a bea apa). Improspatati apa din bol de doua ori pe zi. Puneti boluri cu apa si in alte locuri decat langa cele cu hrana.

 

Igiena

Animalele care nu se simt bine, mai ales pisicile, nu au energia necesara pentru a-si mentine curatenia parului si pielii. Evaluati urmatoarele:

___ pisica mea nu se mai ingrijeste deloc sau se ingrijeste mult mai putin eficient decât inainte

___ parul pisicii mele este mat, murdar, zburlit, tocit sau urat mirositor

___ pisica mea are fecale lipite in zona anusului

___ pisica mea miroase a urina sau are iritatii ale pielii din cauza urinei

___ pisica mea are zone inflamate sau rani care nu se mai vindeca

Posibile interventii in cazul in care s-a raspuns cu da: periere sau ingrijire regulata, schimbarea frecventa a asternutului, amenajarea adecvata a zonelor unde pisica petrece timp indelungat, ingrijirea cuvenita a ranilor, tratarea cauzelor bolilor aparute, imbaieri atunci cand este cazul.

 

Activitate/mobilitate

Schimbari in activitatea normala pot avea loc atunci cand exista probleme de mobilitate, durere, boala sau imbatranire (artrite). Evaluati urmatoarele:

___ pisica mea nu se poate ridica fara ajutor

___ pisica mea se misca greu si/sau schioapata

___ pisica mea sta intr-un singur loc intreaga zi

___ pisica mea nu vrea sa se joace cu mingea, sa se plimbe, sau sa faca lucruri pe care obisnuia sa le faca

___ pisica mea cade frecvent

___ mersul pisicii mele este rigid sau dificil

___ pisica mea merge in zig zag

___ pisica mea nu poate sari deloc sau poate dar mult mai putin sus ca inainte

Posibile interventii in cazul in care s-a raspuns cu da: medicatie contra durerii sau ajustarea acesteia, terapie fizica, scări, folosirea unei pernițe încălzite, cu un prosop subțire deasupra.

 

Fericirea/ starea mentala/Comportamentul general

Un alt domeniu important care trebuie luat in seama in starea pisicii este fericirea (starea de bine), exprimată frecvent prin comportament. Evaluați urmatoarele:

___ pisica mea nu exprima fericire si interes pentru ce se afla in jurul ei

___ pisica mea nu raspunde oamenilor asa cum o facea inainte

___ pisisca mea nu se joaca cu jucariile sau nu face alte lucruri pe care obisnuia sa le faca inainte

___ pisica mea este apatica, nu este atenta sau este deprimata

___ pisica mea se ascunde sau doarme in locuri ciudate

___ pisica mea nu ma intampina atunci cand vin acasa.

___ pisica mea este excesiv de tandră si ma urmareste continuu si nu obisnuia sa faca asta

___ celelalte pisici o trateaza pe aceasta diferit – sunt excesiv de atente cu ea sau o ignora complet

___ pisicii mele nu ii pasa de ceea ce sa intampla in jurul ei

Posibile intervenții includ îmbogățirea dietei cu precursori de serotonină sau cu modulatori ai receptorilor de serotonină.

 

Perceptia proprietarului

De multe ori se intampla ca proprietarul sa fie constient ca animalul sau sufera dar nu vrea sa renunte la pisica sa. Evaluați urmatoarele:

___ nu as vrea sa mai traiesc daca as fi intr-o situatie asemanatoare

___ as suferi foarte tare daca as fi intr-o asemenea situatie

___ am facut programari pentru eutanasia acestei pisici care au fost anulate sau la care nu ne-am prezentat

___ tin la aceasta pisica din motive sentimentale, (ex: pisica a apartinut unui membru al familiei care a decedat, pisica m-a ajutat intr-un moment dificil din viata etc.)

___ pisica mea are mai mult zile rele decat zile bune

___ am fost nevoit(ă) sa redefinesc termenul de „zi buna” in comparatie cu saptamanile sau lunile trecute.

 

Scor total: ___ / 47 .

Nu exista o scala care sa indice exact ce trebuie facut spre binele pisicii, dar cu cât există mai multe răspunsuri afirmative, cu atât înseamnă că pisica are o calitate a vieții diminuată.

 

Material adaptat după

http://www.cathospitalofchicago.com/online-cat-health-library/quality-of-life-considerations/ 

Published in Oncologie

Descoperiți Cronicile ORTOVET Excelsior. Scrise, fotografiate și filmate zi de zi...

hiero1