MétaCan
Menu
Retour à la cohorte
Enregistrement W4245604915 · doi:10.3168/jds.2020-19585

The hidden cost of disease: II. Impact of the first incidence of lameness on production and economic indicators of primiparous dairy cows

2021· article· en· W4245604915 sur OpenAlexafffund
M.A. Puerto, Elise Shepley, R.I. Cue, D. Warner, J. Dubuc, E. Vasseur

Notice bibliographique

RevueJournal of Dairy Science · 2021
Typearticle
Langueen
DomaineVeterinary
ThématiqueAnimal Behavior and Welfare Studies
Établissements canadiensUniversité de MontréalSte. Anne's HospitalMcGill University
Organismes subventionnairesAgriculture and Agri-Food CanadaHealth CanadaFonds de recherche du Québec – Nature et technologiesNovalaitMinistère de l'Agriculture, des Pêcheries et de l'AlimentationNatural Sciences and Engineering Research Council of CanadaMcGill University
Mots-clésLamenessLactationCullingHerdAnimal scienceMedicineDairy cattleMilk productionIce calvingCumulative incidenceVeterinary medicineBiologyInternal medicinePregnancySurgery

Résumé

récupéré en direct d'OpenAlex

Lameness is a persistent and underreported health and welfare problem in the dairy industry, resulting in reduced cow performance and profitability as well as early culling. The study objectives were (1) to quantify the impact of the first instance of lameness, at different stages of lactation, on production and economic performance, and (2) to further quantify the impacts of the first instance of lameness when only cows that remain in the herd for at least 100 d in milk (DIM) and those that remain for 305 DIM are included in the analysis. A retrospective longitudinal study was conducted using pre-existing data from animal health records and Dairy Herd Improvement Association records. Data were edited based on selected inclusion criteria, yielding a data set containing records from 15,159 first-lactation Holstein cows from 120 herds with year of first calving between 2003 and 2014. Lame cows were assigned to 1 of 4 groups based on when in the lactation the first event of lameness occurred: transition (1-21 DIM), early lactation (22-100 DIM), mid-lactation (101-200 DIM), or late lactation (201+ DIM). Mid- and late-lactation lame cows were also stratified by cumulative milk yield before the lameness event. Healthy cows (i.e., no recorded lameness event) were randomly assigned for each lactation stage, with mid-lactation healthy and late-lactation healthy cows similarly stratified. Production performance (cumulative milk, fat, and protein yield) and economic performance [milk value, margin over feed cost (MOFC), and gross profit] were analyzed using a mixed model with herd as a random effect. Cumulative milk yields were 811 to 1,290 kg lower for lame cows than for healthy cows, with milk component yields undergoing similar reductions. Reductions in milk yield contributed to losses in milk value (-Can$527 to -Can$1,083; -US$419 to -US$862) and MOFC (-Can$510 to -Can$774; -US$406 to -US$616). Higher losses were reported using gross profit (-Can$753 to -Can$1,052; -US$599 to -US$837), which includes all lameness-related costs. Production and performance losses were smaller when 100 DIM and 305 DIM thresholds were applied (i.e., exclusion of cows culled before 100 and 305 DIM, respectively), however, mid- and late-lactation lame cows maintained high levels of significant losses for all 6 variables analyzed. Lameness also led to higher levels of culling, masking losses for transition and early-lactation lame cows in the 305-DIM analysis. Increasing producer understanding of the costs associated with lameness not only serves to provide insight to producers for more informed culling decisions, but may also help producers weigh the costs of adopting new methods and technologies targeted at reducing on-farm lameness.

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 enseignants0,047
Score d'incertitude au seuil0,461

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 technologies0,0000,001
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 Opus0,029
Tête enseignante GPT0,324
Écart entre enseignants0,295 · 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

Citations38
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Dairy ScienceMême sujetAnimal Behavior and Welfare StudiesTravaux en français237 207