MétaCan
Menu
← Retour à la cohorte
Enregistrement W4402533723 · doi:10.3168/jds.2024-25118

Accuracy and precision of diets fed to close-up cows on dairy farms and its association with early lactation performance

2024· article· en· W4402533723 sur OpenAlexafffundabout
Larissa Schneider Gheller, Catalina Wagemann-Fluxá, T.J. DeVries

Notice bibliographique

RevueJournal of Dairy Science · 2024
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueRuminant Nutrition and Digestive Physiology
Établissements canadiensUniversity of Guelph
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCoordenação de Aperfeiçoamento de Pessoal de Nível SuperiorOntario Ministry of Agriculture, Food and Rural AffairsOntario Agri-Food Innovation AllianceUniversity of Guelph
Mots-clésSilageDry matterAnimal scienceLactationStrawNutrientSoybean mealBiologyForageTotal mixed rationDairy cattleBiotechnologyIce calvingAgronomyPregnancy

Résumé

récupéré en direct d'OpenAlex

Ensuring a consistent ration is critical for maximizing lactating cow performance, but this is not known for dry cows.The objectives of this cohort observational study were to: (1) characterize close-up dry cow diets fed on commercial farms in Ontario, Canada, (2) describe the accuracy of the nutrient composition between the formulated close-up diet and the diet offered to the cows, (3) describe the precision of the close-up diets across time, and (4) explore potential associations of that accuracy and precision with blood metabolic parameters and milk yield of cows in early lactation.Forty freestall dairy farms were visited once every 4 wk, for a total of 6 visits to each farm, from April to October 2022.At each visit, samples of the close-up diet were collected and analyzed for DM content and chemical composition.Close-up diet formulations were also obtained by each farm's nutritionists.During each visit, fresh cows (0 to 14 DIM) had blood samples taken for blood metabolites.The same cows were also monitored for milk yield up to 120 DIM.Multivariable models were used to analyze associations between variability (in relation to the formulated diet and across time) of nutrients in the close-up diet, as measured by CV, and outcomes in fresh cows.Corn silage (67.6% of farms) and straw (24.3% of farms) were the predominant primary forage sources used in the closeup dry cow diets.Soybean meal (37.8% of farms) and canola meal (18.9% of farms) were the main ingredients used as primary concentrate sources.Overall, the diets offered did not accurately represent the formulated diets.With the exception of NE L , the CV for the other nutrients were all greater than 5%.Diet variability, both between fed and formulated diets and from visit to visit during the close-up period, was associated with metabolic markers and dairy cow production.Lower variability in NFC between the fed and formulated diets was associated with better liver health index scores.Visit-to-visit variability in fat percent and NFC percent were associated with blood BHB concentrations, and NFC percent variability was associated with blood glucose levels.Serum nonesterified fatty acids concentrations were associated with visit-to-visit variability in DM percent and CP percent.These results underscore the importance of maintaining consistency between diet formulations and feeding practices over time to optimize early lactation dairy herd performance and health, granted that these diets are correctly formulated to meet the nutritional needs of cows in the close-up period and applied with recommended feeding practices.

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)0,001
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 enseignants0,143
Score d'incertitude au seuil0,284

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,022
Tête enseignante GPT0,268
Écart entre enseignants0,247 · 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

Citations7
Publié2024
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueJournal of Dairy Science→Même sujetRuminant Nutrition and Digestive Physiology→Travaux en français237 207→