MétaCan
Menu
Retour à la cohorte
Enregistrement W2466577975 · doi:10.1136/vr.103729

Cumulative incidence and risk factors for limber tail in the Dogslife labrador retriever cohort

2016· article· en· W2466577975 sur OpenAlexaboutno aff
Carys Pugh, Mark Bronsvoort, Ian Handel, Damon Querry, Erica Rose, Kim Summers, Dylan N. Clements

Notice bibliographique

RevueVeterinary Record · 2016
Typearticle
Langueen
DomaineVeterinary
ThématiqueVeterinary Orthopedics and Neurology
Établissements canadiensnon disponible
Organismes subventionnairesBiotechnology and Biological Sciences Research Council
Mots-clésGenetic predispositionIncidence (geometry)Risk factorCohortMedicineDemographyDiseaseEnvironmental healthVeterinary medicineInternal medicine

Résumé

récupéré en direct d'OpenAlex

Limber tail is a condition that typically affects larger working breeds causing tail limpness and pain, resolving without veterinary intervention. It is poorly understood and the disease burden has not been well characterised. Data collected from owners of the Dogslife cohort of Labrador Retrievers have been used to describe incidents and a case-control study was undertaken to elucidate risk factors with 38 cases and 86 controls. The cumulative incidence of unexplained tail limpness was 9.7 per cent. Swimming is not a necessary precursor for limber tail, but it is a risk factor (OR=4.7) and working dogs were more susceptible than non-working dogs (OR=5.1). Higher latitudes were shown to be a risk factor for developing the condition and the case dogs were more related to each other than might be expected by chance. This suggests that dogs may have an underlying genetic predisposition to developing the condition. This study is the first, large-scale investigation of limber tail and the findings reveal an unexpectedly high illness burden. Anecdotally, accepted risk factors have been confirmed and the extent of their impact has been quantified. Identifying latitude and a potential underlying genetic predisposition suggests avenues for future work on this painful and distressing condition.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,084
Score d'incertitude au seuil0,824

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,077
Tête enseignante GPT0,330
Écart entre enseignants0,253 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueVeterinary RecordMême sujetVeterinary Orthopedics and NeurologyTravaux en français237 207