MétaCan
Menu
Retour à la cohorte
Enregistrement W2902795923 · doi:10.1071/rdv31n1ab96

96 Association between metabolic diseases and fertility of high-yielding dairy cows in a transition management facility using survival analysis and machine-learning models

2018· article· en· W2902795923 sur OpenAlexaff
Osvaldo Bogado Pascottini, Monica Probo, S.J. LeBlanc, G. Opsomer, Miel Hostens

Notice bibliographique

RevueReproduction Fertility and Development · 2018
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueReproductive Physiology in Livestock
Établissements canadiensUniversity of GuelphGreo
Organismes subventionnairesnon disponible
Mots-clésMetritisRetained placentaMedicinePregnancyMilk feverIce calvingProportional hazards modelParity (physics)ObstetricsMastitisDairy cattleHerdHazard ratioAnimal scienceGynecologyLactationInternal medicineBiologyConfidence intervalVeterinary medicineFetusPlacenta

Résumé

récupéré en direct d'OpenAlex

This study aimed to evaluate the association between individual and multiple metabolic diseases (MD and MD+) diagnosed during the transition period (± 3 wk relative to calving) and the probability of pregnancy until 210 days in milk (DIM) in Holstein-Friesian dairy cows. Disease and reproductive data from a dairy herd with 1946 calvings (n = 542 primiparous and n = 1404 multiparous cows) were analysed using a 1-year cohort. The recorded MD were milk fever, ketosis, displaced abomasum, retained placenta, metritis, twinning, and clinical mastitis. The association between the 210-DIM pregnancy risk and the MD was evaluated as MD cows (uncomplicated cases) v. MD+ cows (complicated cases) v. healthy cows (3 groups of cows). Univariable survival models were used to analyse the association of MD and MD+ with pregnancy until 210 DIM, accounting for parity. Univariable Cox proportional hazard models were used to quantify the relative risk of pregnancy per day. A hierarchically ordered decision tree and a random forest model were built to explore the importance of MD and parity on the pregnancy risk within the first 210 DIM. Parity affected the 210-DIM pregnancy risk (P < 0.001); therefore, all further analyses were stratified by parity. The incidence of MD and MD+ for primiparous and multiparous cows were 29 (n = 159) and 9% (n = 48), and 23 (n = 317) and 11% (n = 160), respectively. The overall 210-DIM pregnancy risk was 77% (n = 415) for primiparous cows and 62% (n = 879) for multiparous cows. Among healthy cows (no MD) the 210-DIM pregnancy risk was 80% (n = 269) for primiparous cows and 82% (n = 537) for multiparous cows. Conversely, the 210-DIM pregnancy risk for cows with MD or MD+ were 73 (n = 116) and 63% (n = 30) for primiparous and 48 (n = 152) and 46% (n = 74) for multiparous cows, respectively. Using the healthy cows as the reference, the 210-DIM hazard ratios for conception were 0.8 for MD [95% confidence interval (CI) = 0.6-1.0; P = 0.05] and 0.5 for MD+ (95% CI = 0.4-0.8; P = 0.005) for primiparous cows and 0.5 for MD (95% CI = 0.4-0.6; P < 0.001) and 0.4 for MD+ (95% CI = 0.3-0.6; P < 0.001) for multiparous cows. Parity had profound effect on the 210-DIM pregnancy risk. The hazard ratio for conception was reduced when a MD was complicated with another MD (MD+) in both primiparous and multiparous cows. Both the decision tree and random forest analysis also indicated that parity was the most influential variable reducing fertility among cows, followed by (in order of magnitude of effect) milk fever, displaced abomasum, ketosis, and clinical mastitis. Including multiple disease interactions into multivariable Cox proportional hazard models are highly likely to violate the proportional hazards assumption due to complex disease interactions. Machine-learning models represent a valid alternative to accommodate large datasets in the presence of missing values and intricate dependencies among explanatory variables.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,045
Score d'incertitude au seuil0,351

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,056
Tête enseignante GPT0,249
Écart entre enseignants0,193 · 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 tête enseignante, pas un consensus.

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

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

En bref

Citations1
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueReproduction Fertility and DevelopmentMême sujetReproductive Physiology in LivestockTravaux en français237 207