Severe tail lesions in finisher pigs are associated with reduction in annual profit in farrow‐to‐finish pig farms
Notice bibliographique
Résumé
OBJECTIVES: We investigated the financial impact of different prevalence levels of severe tail lesions (STL) during the finisher stage associated with changes in average daily gain (ADG) in farrow-to-finish pig farms. METHODS: Prevalence of STL was estimated for 31 farrow-to-finish pig farms. Regression tree analysis was used to identify a threshold for STL associated with differences in ADG. Then, a financial analysis was carried using the Teagasc Pig Production model. RESULTS: A threshold of ≥0.86% prevalence of STL was associated with a 4.8% decrease in ADG which translated into pigs requiring 7 days more to reach target slaughter weight than in farms below the threshold. Reduced ADG meant that farms with higher prevalence of STL used 3.6% more weaner and 1.4% more finisher feed per year increasing feed costs by 1.5%. This reduced mean annual farm profit by 15.1% in farms with higher prevalence of STL. CONCLUSIONS: Our results provide an indication of the financial effects of STL in intensive pig production systems. The identified threshold for the prevalence of STL could provide a tangible target for farmers to focus on in developing strategies to reduce tail lesions and allow farmers to complete a cost benefit analysis of controlling STL.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».