The Effects of Varying Concentrations of Dietary Protein and Fat on Blood Gas, Hematologic Serum Chemistry, and Body Temperature Before and After Exercise in Labrador Retrievers
Notice bibliographique
Résumé
Optimal dietary protocols for the athletic canine are often defined by requirements for endurance athletes that do not always translate into optimal dietary interventions for all canine athletes. Prior research studying detection dogs suggests that dietary fat sources can influence olfaction; however, as fat is added to the diet the protein calories can be diminished potentially resulting in decreased red blood cell counts or albumin status. Optimal macronutrient profile for detection dogs may be different considering the unique work they engage in. To study a calorically low protein: high fat (18:57% ME), high protein: high fat (27:57% ME), and high protein: low fat (27:32% ME) approach to feeding, 17 dogs were provided various diets in a 3 × 3 cross over design. Dogs were exercised on a treadmill and blood was taken pre-exercise, immediately post-exercise, 10- and 20-min post-exercise to assess complete blood count, serum chemistry, blood gases, and cortisol; as well as rectal and core body temperature. Exercise induced a decrease in serum phosphorus, potassium, and increases in non-esterified fatty acids and cortisol typical of moderate exercise bouts. A complete and balanced high protein: high-fat diet (27:57% ME) induced decreases in serum cortisol and alkaline phosphatase. Corn oil top dressed low protein: high-fat diet (18:57% ME) induced a slightly better thermal recovery than a complete and balanced high protein: high fat diet and a high protein: low fat (27%:32% ME) diet suggesting some mild advantages when using the low protein: high fat diet that warrant further investigation regarding optimal protein and fat calories and thermal recovery.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».