MétaCan
Menu
Retour à la cohorte
Enregistrement W2588302336 · doi:10.5539/jas.v9n3p90

Aspects of Acidosis in Ruminants with a Focus on Nutrition: A Review

2017· review· en· W2588302336 sur OpenAlexvenueno aff
Tiago Neves Pereira Valente, Cláudia Batista Sampaio, Érico da Silva Lima, Bruno Borges Deminicis, Andréia Santos Cezário, Wallacy Barbacena Rosa dos Santos

Notice bibliographique

RevueJournal of Agricultural Science · 2017
Typereview
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueRuminant Nutrition and Digestive Physiology
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRumenAcidosisDry matterAnimal scienceNEFAFeedlotNeutral Detergent FiberLactic acidOsmotic concentrationFood scienceChemistryBiologyBiochemistryFatty acidFermentationEndocrinologyBacteria

Résumé

récupéré en direct d'OpenAlex

An increased risk of acidosis in animals is associated with a high dry matter intake (DMI), which in turn results in the consumption of more fermentable organic matter (OM) in the rumen leading to a high production of volatile fatty acids (VFA). This is observed in lactating dairy cows and animals in a feedlot. Acute acidosis occurs when there is a severe drop in the pH of the rumen. A prolonged period when pH of in rumen remains low, it leads to sub-acute ruminal acidosis (SARA), which is a temporary imbalance between acid production and absorption. An associated change of an acute increase in the ruminal osmolarity and the accumulation of glucose and lactate in its stereoisomeric forms (D-lactate and L-lactate), is observed in the rumen fluid. However, in the sub-acute form, the accumulation of lactic acid occurs in the rumen. To a great extent, these changes in the rumen are due to high concentrations of VFA. The best way to avoid problems with ruminal acidosis is an adequate supply of neutral detergent fiber (NDF) in the diet, preferentially with large particle size and length to stimulate rumination and consequently greater buffering efficiency, thus maintaining the balance between pH and microorganisms in the rumen.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,003
Études des sciences et des technologies0,0000,000
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,072
Tête enseignante GPT0,326
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 source (Gemma direct ou Codex distillé), pas un consensus.

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

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

En bref

Citations33
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Agricultural ScienceMême sujetRuminant Nutrition and Digestive PhysiologyTravaux en français237 207