Exploring relationships between body condition score, body fat, activity level and inflammatory biomarkers
Notice bibliographique
Résumé
Summary Obesity is associated with inflammatory disorders in humans, including degenerative joint disease. While obesity is endemic in horses, its relationship to equine degenerative joint disease has not been explored. The current study sought to describe relationships between: body weight ( BW ), body condition score ( BCS ), lameness grade ( AAEP ), total body fat mass (kg; FM ) and fat per cent ( FP ) [multifrequency bioelectrical impedance analysis (mf BIA )], age, gender, activity level ( AL ), synovial fluid ( SF ) and plasma ( PL ) PGE 2 and glycosaminoglycan ( GAG ) in horses. During this field investigation, the BCS (of nine) of 54 horses at multiple farms in southern Ontario, Canada, was determined. Horses were categorized as thin ( BCS =3/9; n = 6), moderate ( BCS =4 or 5/9; n = 18), overweight ( BCS =6 or 7/9; n = 19) or obese ( BCS =8 or 9/9; n = 11). Total fat mass (kg) and body fat% was measured using mf BIA , lameness was assessed ( AAEP lameness scale) and synovial fluid was collected via aseptic arthrocentesis from the left intercarpal joint for assessment of inflammatory biomarkers ( PGE 2 , GAG ). Means were compared with a one‐way ANOVA ; correlation coefficients were calculated using a Spearman Rank Order Correlation to reveal correlations between variables. BCS was positively correlated with BW , FM , FP , AL and PL ‐ PGE 2 . BW was also significantly positively correlated with PL ‐ PGE 2 . It is concluded that BCS is significantly correlated with PL ‐ PGE 2 , due in part to the combined effect of AL and body condition. Net inflammatory effects of body fat on risk for joint disease require further study.
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 | 0,001 | 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 | 0,001 |
| Science ouverte | 0,000 | 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 ».