Disorder predispositions and protections of Labrador Retrievers in the UK
Notice bibliographique
Résumé
The Labrador Retriever is one of the most popular dog breeds worldwide, therefore it is important to have reliable evidence on the general health issues of the breed. Using anonymised veterinary clinical data from the VetCompass Programme, this study aimed to explore the relative risk to common disorders in the Labrador Retriever. The clinical records of a random sample of dogs were reviewed to extract the most definitive diagnoses for all disorders recorded during 2016. A list of disorders was generated, including the 30 most common disorders in Labrador Retrievers and the 30 most common disorders in non-Labrador Retrievers. Multivariable logistic regression was used to report the odds of each of these disorders in 1462 (6.6%) Labrador Retrievers compared with 20,786 (93.4%) non-Labrador Retrievers. At a specific-level of diagnostic precision, after accounting for confounding, Labrador Retrievers had significantly increased odds of 12/35 (34.3%) disorders compared to non-Labrador Retrievers; osteoarthritis (OR 2.83) had the highest odds. Conversely, Labrador Retrievers had reduced odds of 7/35 (20.0%) disorders; patellar luxation (OR 0.18) had the lowest odds. This study provides useful information about breed-specific disorder predispositions and protections, which future research could evaluate further to produce definitive guidance for Labrador Retriever breeders and owners.
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) | 0,000 | 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 | 0,000 |
| 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 ».