Description of patterns of ear and tail lesions during the grower-finisher period in a commercial pig farm
Notice bibliographique
Résumé
BACKGROUND: Ear and tail lesions are prevalent indicators of impaired welfare observed in pig production with different multifactorial causes. Understanding the progression of ear and tail lesions over time is important to implement preventative strategies on commercial pig farms. Therefore, this case study aimed to provide a detailed account of patterns of ear and tail lesions in pigs on a single commercial farm during the grower-finisher period. CASE PRESENTATION: A total of 1,676 12-week old pigs (n = 773 females and n = 903 males, all tail docked) were followed from arrival to the grower facilities until transferred to the finisher stage on a commercial pig farm in Ireland. Pigs were individually weighed and inspected for the severity of fresh ear and tail lesions (score 0-4) on transfer to the first grower (24.9 ± 5.33 kg, 12 weeks of age, n = 1,676 pigs), second grower (33.3 ± 7.04 kg, 14 weeks of age, n = 1,641 pigs), and finisher stage (60.2 ± 7.74 kg, 18 weeks of age, n = 1,626 pigs). Due to the low number of pigs with high scores, ear lesions were classified as no (score 0), mild (score 1), moderate (score 2) and severe (score ≥ 3) and tail lesions were classified as no (score 0), mild (score 1), and moderate-to-severe (score ≥ 2). Ear lesions were more prevalent than tail lesions at each inspection. There were approx. 19% of pigs with ear lesions at all three inspections but no pigs presented with tail lesions at all three inspections. When considering the specific severity categories, we observed 32 different ear lesion score combinations and 15 different tail lesion score combinations across the three inspections. CONCLUSION: The high number of observed patterns of ear and tail lesions suggest large individual variability in lesion progression. Ear lesions were more of an issue than tail lesions and little is known about this health and welfare problem indicating that further research into causes and management strategies is needed.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».