Impact of high proviral load on milk production, reproduction and subclinical diseases in dairy cows infected with bovine leukemia virus
Notice bibliographique
Résumé
Introduction: Bovine Leukemia Virus (BLV) prevalence remains high in dairy cattle in North America. Quantifying the proviral load (PVL) in BLV-positive cows can be used to control this disease in herds where BLV is prevalent by focusing culling of high PVL animals to reduce the risk of transmission. The impact of high BLV PVL on dairy cows' performance is not well established. The objective of this study was to assess the effect of high PVL status on milk production, occurrence of subclinical ketosis or mastitis, or fertility in BLV-infected cows. Methods: Twenty-five herds from the three Maritime provinces in Atlantic Canada were enrolled in this study. BLV infected cows were first identified by individual milk or serum testing. A validated quantitative qPCR was used to quantify the PVL in cows with positive BLV antibody results. Parity, 305-day milk production, annual geometric average somatic cell count, fat-to-protein ratio in milk on the first test post-calving, days in milk at first service, and calving-to-conception interval were collected from DairyComp305 software. Two-level mixed multivariable regression models were used to assess the relationship between BLV PVL and milk production, subclinical mastitis and ketosis and reproduction performance. Results: High PVL was strongly associated with reduced milk production (387 kg and 431 kg) and reproduction performance (calving-to-conception interval lengthened by 50 days and 49 days), and higher odds of subclinical mastitis (Odds ratio = 2.38 and 2.48), when compared to BLVpositive cows with a low PVL and BLV-negative cows, respectively. Conclusion: These results support implementing a control program to prioritize culling high PVL cows.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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 ».