MétaCan
Menu
← Retour à la cohorte
Enregistrement W7081082761 · doi:10.71781/50

Le fardeau des maladies et des syndromes fréquents chez les veaux en pré-sevrage dans les fermes laitières : en utilisant l'approche des années de vie corrigées de l'incapacité (AVCI)

2025· dissertation· fr· W7081082761 sur OpenAlexfundaboutno aff

Notice bibliographique

RevueOpen MIND · 2025
Typedissertation
Languefr
DomaineComputer Science
ThématiqueGeochemistry and Geologic Mapping
Établissements canadiensnon disponible
Organismes subventionnairesUniversité de Montréal
Mots-clésDomestic animal

Résumé

récupéré en direct d'OpenAlex

Les maladies et les syndromes ont des impacts variables sur la santé animale, et identifier les priorités en matière de santé des veaux laitiers en se basant uniquement sur le nombre de cas par maladie est trop limitant. De plus, comparer les pertes de santé liées à la morbidité et à la mortalité est un défi sans une métrique commune et unifiée. Ce problème est bien reconnu en santé humaine, où les années de vie corrigées de l'incapacité (AVCI) est utilisée pour estimer le fardeau global des maladies. Ce paramètre a été utilisé dans un certain nombre d'études sur la santé humaine, principalement pour détecter les priorités à l'échelle mondiale et pour les analyses coût-efficacité. Bien que cette approche ait été adaptée aux bovins adultes, aucune recherche ne s’est spécifiquement concentrée sur les veaux laitiers. L'objectif global de cette thèse était d'estimer le fardeau des maladies et des syndromes chez les veaux laitiers pré-sevrés dans 40 fermes au Québec, Canada, en utilisant l'approche AVCI. La première étape de cette étude (Chapitre 3) consistait à discuter et à intégrer les concepts de bien-être animal ainsi qu’à identifier les indicateurs de bien-être et de santé pour les veaux laitiers non sevrés. Un total de 44 indicateurs a été sélectionné. Nous avons observé que leur validité, leur fiabilité et leur faisabilité n’ont pas été largement explorées. Dans le chapitre 4, l’utilité des indicateurs de bien-être et de santé des veaux laitiers non sevrés a été évaluée selon l’opinion de médecins vétérinaires bovins. La majorité des indicateurs sélectionnés avaient une utilité médiane élevée. La fiabilité inter-évaluateurs et intra-évaluateurs de ces indicateurs a également été évalué. La plupart des indicateurs de bien-être et de santé avaient une bonne fiabilité inter- et intra-évaluateurs. Aucun indicateur n’a présenté une fiabilité jugée mauvaise ou faible. Au chapitre 5, nous avons quantifié l’impact des maladies et des syndromes les plus fréquents sur la santé des veaux, en nous basant sur l’avis des producteurs et des médecins vétérinaires. Pour la première fois, le poids de l’incapacité associé aux maladies et syndromes fréquents des veaux laitiers a été évalué. Une échelle visuelle analogique, allant de 0 (pas d'impact) à 10 (impact maximal, c'est-à-dire la mort ou l'euthanasie), a été utilisée. Les impacts moyens les plus élevés ont été obtenus pour la présence d’une fracture (6,49/10), l’arthrite (6,22/10) et les malformations congénitales (6,03/10), tandis que l’impact le plus faible a été observé pour la présence d’une plaie ou d’un abcès (3,42/10). Les avis des producteurs et des médecins vétérinaires étaient similaires pour la plupart des maladies et syndromes sélectionnés ; cependant, des différences statistiques ont été observées pour l’arthrite (producteurs = 5,13 vs médecins vétérinaires = 6,88), l’infection ombilicale (producteurs = 3,65 vs médecins vétérinaires = 4,74) et la dystocie (producteurs = 3,87 vs médecins vétérinaires = 4,58). La quatrième étape de cette étude (Chapitre 6) était d’estimer le fardeau des maladies et syndromes des veaux au niveau de la ferme laitière en utilisant l’approche AVCI. À l’aide des indicateurs de bien-être et de santé sélectionnée, 1 908 veaux issus de 40 fermes ont été examinés entre 2022 et 2023 par un médecin vétérinaire. Les AVCI ont été obtenues en additionnant les années de vie vécues avec de l’incapacité (AVI) et les années de vie perdues (AVP). Le poids d’incapacité des maladies et syndromes fréquents a été multiplié par leur prévalence dans les fermes sélectionnées pour obtenir les AVI. Le nombre de décès a été multiplié par l’espérance de vie médiane d’un veau en période pré-sevrage pour obtenir les AVP. Les AVI et AVP ont été ajustés pour dix veaux ou vêlages, respectivement. Les prévalences les plus élevées de maladies et syndromes en élevage ont été observées pour la diarrhée (28,6 % ; intervalle : 2,8-46,4), tandis que la principale cause de mortalité était la dystocie (33,8 %, 22/65). Une médiane de 2,03 AVI/10 veaux (intervalle : 0,53-4,27) a été estimée pour les 40 fermes laitières. Parmi les fermes où les données de mortalité étaient disponibles (n = 30), une médiane de 1,46 AVP/10 vêlages (intervalle : 0-8,51) et 3,37 AVCI/10 veaux-vêlages (intervalle : 0,53-11,43) a été obtenue. Les AVCI constituent une approche viable pour combiner les informations relatives à la morbidité (incluant diverses maladies) et à la mortalité en une mesure commune pour les veaux laitiers. Cette approche pourrait aider les producteurs et les médecins vétérinaires à identifier les pertes de santé et les priorités en santé dans les fermes laitières. Cette mesure pourrait également être utilisée dans les analyses de coûts et d'efficacité dans les études futures, afin d’aider à détecter les fermes ayant une bonne santé animale et de faibles coûts médicamenteux. Ces analyses pourraient être importantes pour améliorer la durabilité des troupeaux.

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)0,005
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 enseignants0,053
Score d'incertitude au seuil0,106

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,061
Tête enseignante GPT0,302
Écart entre enseignants0,241 · 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

Citations0
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueOpen MIND→Même sujetGeochemistry and Geologic Mapping→Travaux en français237 207→