Prevalence of canine renal insufficiency: A decade-long retrospective study in and around Patna, Bihar
Notice bibliographique
Résumé
This retrospective study investigates the prevalence and epidemiological factors associated with renal insufficiency in dogs within Patna, Bihar, India. Out of 5,700 dogs with various illnesses, 317 were diagnosed with renal insufficiency, identified by serum creatinine levels exceeding 5 mg/dL. The study assessed the incidence of renal insufficiency across different demographics, including age, sex, breed, and season. The highest incidence was observed in dogs aged 8-10 years, with males showing a higher prevalence than females. Pomeranians (32.18%), Labrador Retrievers (25.55%), and German Shepherds (20.82%) were the most affected breeds. Seasonally, the post-monsoon period (September-November) exhibited the highest incidence (37.85%) of renal disorders. Laboratory investigations revealed significant haematological and biochemical alterations in affected dogs, including lower haemoglobin, total erythrocyte count, and packed cell volume, alongside elevated serum levels of blood urea nitrogen (BUN), creatinine, potassium, and phosphorus. Ultrasonography indicated decreased renal size and increased echogenicity in dogs with renal insufficiency. The study concludes that renal insufficiency in dogs is most prevalent in older males and certain breeds, particularly during the post-monsoon season. Regular monitoring of serum BUN and creatinine levels is recommended for early diagnosis and management of this condition.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».