MétaCan
Menu
Retour à la cohorte
Enregistrement W4323350578 · doi:10.3168/jds.2022-22571

Characterizing ruminal acidosis risk: A multiherd, multicountry study

2023· article· en· W4323350578 sur OpenAlexaffabout
H.M. Golder, S.J. LeBlanc, T.F. Duffield, H.A. Rossow, R. Bogdanich, Laura L. Hernandez, E. Block, J. Rehberger, Alexandra H. Smith, Jennifer M. Thomson, I.J. Lean

Notice bibliographique

RevueJournal of Dairy Science · 2023
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueRuminant Nutrition and Digestive Physiology
Établissements canadiensUniversity of Guelph
Organismes subventionnairesnon disponible
Mots-clésRumenAcidosisAnimal scienceHerdTotal mixed rationDry matterNeutral Detergent FiberBiologyDairy cattleFermentationChemistryInternal medicineIce calvingFood scienceLactationEndocrinologyMedicine

Résumé

récupéré en direct d'OpenAlex

A multicenter observational study was conducted on early lactation Holstein cows (n = 261) from 32 herds from 3 regions (Australia, AU; California, CA; and Canada, CAN) to characterize their risk of acidosis into 3 groups (high, medium, or low) using a discriminant analysis model previously developed. Diets ranged from pasture supplemented with concentrates to total mixed ration (nonfiber carbohydrates = 17 to 47 and neutral detergent fiber = 27 to 58% of dry matter). Rumen fluid samples were collected <3 h after feeding and analyzed for pH, and ammonia, d- and l-lactate, and volatile fatty acid (VFA) concentrations. Eigenvectors were produced using cluster and discriminant analysis from a combination of rumen pH, and ammonia, d-lactate, and individual VFA concentrations and were used to calculate the probability of the risk of ruminal acidosis based on proximity to the centroid of 3 clusters. Bacterial 16S ribosomal DNA sequence data were analyzed to characterize bacteria. Individual cow milk volume, fat, protein, and somatic cell count values were obtained from the closest herd test to the rumen sampling date (median = 1 d before rumen sampling). Mixed model analyses were performed on the markers of rumen fermentation, production characteristics, and the probability of acidosis. A total of 26.1% of the cows were classified as high risk for acidosis, 26.8% as medium risk, and 47.1% as low risk. Acidosis risk differed among regions with AU (37.2%) and CA (39.2%) having similar prevalence of high-risk cows and CAN only 5.2%. The high-risk group had rumen phyla, fermentation, and production characteristics consistent with a model of acidosis that reflected a rapid rate of carbohydrate fermentation. Namely, acetate to propionate ratio (1.98 ± 0.11), concentrations of valerate (2.93 ± 0.14 mM), milk fat to protein ratio (1.11 ± 0.047), and a positive association with abundance of phylum Firmicutes. The medium-risk group contains cows that may be inappetant or that had not eaten recently or were in recovery from acidosis. The low-risk group may represent cattle that are well fed with a stable rumen and a slower rumen fermentation of carbohydrates. The high risk for acidosis group had lower diversity of bacteria than the other groups, whereas CAN had a greater diversity than AU and CA. Rumen fermentation profile, abundance of ruminal bacterial phyla, and production characteristics of early lactation dairy cattle from 3 regions were successfully categorized in 3 different acidosis risk states, with characteristics differing between acidosis risk groups. The prevalence of acidosis risk also differed between regions.

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)0,002
score de la tête « metaresearch » (Gemma)0,003
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 enseignants0,008
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
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 Opus0,032
Tête enseignante GPT0,277
Écart entre enseignants0,245 · 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

Citations16
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Dairy ScienceMême sujetRuminant Nutrition and Digestive PhysiologyTravaux en français237 207