A survey of risk factors for digit injuries among dogs training and competing in agility events
Notice bibliographique
Résumé
OBJECTIVE To identify potential risk factors for digit injuries in dogs training and competing in agility events. DESIGN Internet-based, retrospective, cross-sectional survey. ANIMALS 1,081 dogs training or competing in agility events. PROCEDURES Data were collected for eligible animals via retrospective surveys distributed electronically to handlers of dogs participating in agility-related activities. Variables evaluated included demographic (handlers) and signalment (dogs) information, physical characteristics of dogs, and injury characteristics. A separate survey of dogs competing in similar agility-related activities but without digit injuries was also administered. Multivariable logistic regression was used to develop a model for assessment of risk factors. RESULTS Data were collected from 207 agility dogs with digit injuries and 874 agility dogs without digit injuries. Factors associated with significantly increased odds of injury included Border Collie breed (OR, 2.3; 95% confidence interval [CI], 1.5 to 3.3), long nails (OR, 2.4; 95% CI, 1.3 to 4.5), absence of front dewclaws (OR, 1.9; 95% CI, 1.3 to 2.6), and greater weight-to-height ratio (OR, 1.5; 95% CI, 1.1 to 2.0). Odds of injury decreased with increasing age of the dog (OR, 0.8; 95% CI, 0.76 to 0.86). CONCLUSIONS AND CLINICAL RELEVANCE Results should be cautiously interpreted because of potential respondent and recall bias and lack of review of medical records. Nevertheless, results suggested that retaining healthy dewclaws, maintaining lean body mass, and trimming nails short for training and competition may decrease the likelihood of digit injuries. Research to investigate training practices, obstacle construction specifcations, and surface considerations for dogs competing in agility activities is indicated.
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 | 0,004 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».