MétaCan
Menu
Retour à la cohorte
Enregistrement W2963267483 · doi:10.14202/vetworld.2019.1085-1092

Risk factors associated with cows' lying time, stall and cows' own cleanliness in smallholder dairy farms in Kenya

2019· article· en· W2963267483 sur OpenAlexafffund
Emily K. Kathambi, John VanLeeuwen, G.K. Gitau, Collins Kamunde

Notice bibliographique

RevueVeterinary World · 2019
Typearticle
Langueen
DomaineVeterinary
ThématiqueAnimal Behavior and Welfare Studies
Établissements canadiensUniversity of Prince Edward Island
Organismes subventionnairesFondation Rideau HallFondations communautaires du CanadaGovernment of Canada
Mots-clésUdderMilkingAnimal scienceLyingLogistic regressionDairy cattleStall (fluid mechanics)MedicineVeterinary medicineBiologyMastitisInternal medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND AND AIM: The welfare of animals kept in livestock production systems has raised concerns around the world. Adult dairy cattle require adequate rest and spend approximately 12 h/day lying down. This cross-sectional study aimed to determine the stall factors and management practices affecting cows' lying time, stall cleanliness, and cows' cleanliness (udder and upper leg), in smallholder dairy cows in Meru County of Kenya. MATERIALS AND METHODS: A total of 106 milking cows from 73 farms were assessed for daily lying time and cleanliness. Data loggers were used to record the lying time of cows for 3 days. Stall, udder, and upper leg cleanliness were assessed using a 5-score system: 1 (very clean) to 5 (very dirty). Management information was acquired using a questionnaire that was administered face-to-face to the farmers in their native Kimeru language. Univariable and multivariable linear and logistic regression models were fit to determine factors associated with cows' lying time and dichotomized stall and cows' own cleanliness, respectively. RESULTS: The mean daily lying time was 10.9±2.2 h, and the mean stall cleanliness score was 2.4±1.0. The mean average cleanliness scores of the udder and upper legs were 1.9±0.7 and 2.5±1.1, respectively. Overall, 35% of the stalls were categorized as dirty (>2.5), whereas 13% and 47% of the cows had udder and leg cleanliness scores >2.5, respectively. From the final multivariable models (p<0.05), daily lying time increased by 1.0 h for cows older than 5.25 years versus younger cows. Conversely, lying time decreased by 1.0 h with stall cleanliness scores >2.5 and by 1.6 h with poorly positioned neck rails. In an interaction term, addition of new bedding at least once a day without removing stall manure at least once a day decreased the daily lying time of the cows by 1.5 h, whereas failure to add new bedding at least once a day but removing stall manure at least once a day decreased the lying time of the cows by 1.2 h. Farm-level risk factors for stall dirtiness (>2.5) included delayed cleaning of the alley (odds ratio [OR]=6.6, p=0.032), lack of bedding (OR=4.9, p=0.008), and standing idle and/or backward in the stall (OR=10.5, p=0.002). Stalls categorized as dirty (OR=2.9, p=0.041) and lack of bedding (OR=2.7, p=0.065) were cow- and farm-level risk factors for dirtiness of the udder (>2.5), respectively, whereas the stall being dirty (OR=2.3, p=0.043) was the only risk factor (cow level) for dirtiness of the upper legs (>2.5). CONCLUSION: It was recommended that farmers should pay attention to the specific factors identified regarding the stall design (e.g., neck rail position) and bedding/manure management that impact the cleanliness of cows and their lying time.

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: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,027
Score d'incertitude au seuil0,053

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,059
Tête enseignante GPT0,298
Écart entre enseignants0,239 · 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'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

Citations12
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueVeterinary WorldMême sujetAnimal Behavior and Welfare StudiesTravaux en français237 207