MétaCan
Menu
Retour à la cohorte
Enregistrement W2770740321 · doi:10.3390/vetsci4040055

Cats and Carbohydrates: The Carnivore Fantasy?

2017· review· en· W2770740321 sur OpenAlexaff
Adronie Verbrugghe, Myriam Hesta

Notice bibliographique

RevueVeterinary Sciences · 2017
Typereview
Langueen
DomaineVeterinary
ThématiqueVeterinary Medicine and Surgery
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésCarnivoreCATSFantasyZoologyFood scienceBiologyEcologyArtMedicineInternal medicinePredationLiterature

Résumé

récupéré en direct d'OpenAlex

The domestic cat's wild ancestors are obligate carnivores that consume prey containing only minimal amounts of carbohydrates. Evolutionary events adapted the cat's metabolism and physiology to this diet strictly composed of animal tissues and led to unique digestive and metabolic peculiarities of carbohydrate metabolism. The domestic cat still closely resembles its wild ancestor. Although the carnivore connection of domestic cats is well recognised, little is known about the precise nutrient profile to which the digestive physiology and metabolism of the cat have adapted throughout evolution. Moreover, studies show that domestic cats balance macronutrient intake by selecting low-carbohydrate foods. The fact that cats evolved consuming low-carbohydrate prey has led to speculations that high-carbohydrate diets could be detrimental for a cat's health. More specifically, it has been suggested that excess carbohydrates could lead to feline obesity and diabetes mellitus. Additionally, the chances for remission of diabetes mellitus are higher in cats that consume a low-carbohydrate diet. This literature review will summarise current carbohydrate knowledge pertaining to digestion, absorption and metabolism of carbohydrates, food selection and macronutrient balancing in healthy, obese and diabetic cats, as well as the role of carbohydrates in prevention and treatment of obesity and diabetes mellitus.

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)0,000
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 enseignants0,004
Score d'incertitude au seuil0,015

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,001
Communication savante0,0020,003
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,630
Tête enseignante GPT0,517
Écart entre enseignants0,113 · 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

Citations71
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueVeterinary SciencesMême sujetVeterinary Medicine and SurgeryTravaux en français237 207