Cross-sectional study of cow comfort and management factors associated with subclinical mastitis in smallholder dairy farms in Kenya
Notice bibliographique
Résumé
A number of environmental and contagious factors have been associated with subclinical mastitis (SCM), which is a common and costly problem for smallholder dairy farmers (SDF). We conducted a cross-sectional study on 118 cows in their first two months post-calving on 109 SDF in Kenya. The study objective was to investigate the relationships among various cow and farm management parameters and SCM specific to SDF. The stall floor comfort level was assessed through knee impact and wetness tests, and cleanliness on the leg and udder were also scored. Various mastitis prevention measures were also assessed (e.g., milking protocols, and use of teat dip and dry cow therapy). Individual quarter SCM was assessed on each cow using California Mastitis Test (CMT). Univariable and multivariable logistic regression models were fit to determine management factors associated with cow-level SCM. Farm-level, cow-level and quarter-level prevalence of SCM was 45.9% (50/109), 43.2% (51/118) and 21.9 % (103/471), respectively. The proportion of stalls scored as dirty was 33.1% while 49.1% of cows had dirty legs. Only 10.1% of farms were using either disinfectant teat dip or dry cow therapy (or both) to prevent mastitis. Low parity and poor stall hygiene were significantly associated with occurrence of SCM. At high daily milk yield, the probability of having SCM was higher in cows housed in a shed with a dirty versus clean alleyway, with no significant difference at low daily milk yield. From the study findings, we concluded that certain cow characteristics and comfort measures were associated with SCM and need to be incorporated in education plans for farmers in SDF.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».