Occurrence of obesity and other diseases in dogs of the golden retriever and labrador retriever breeds
Notice bibliographique
Résumé
Foi realizado um estudo retrospectivo de janeiro de 2017 a dezembro de 2021 sobre as informações diagnósticas em cães das raças golden retriever (GR) e labrador retriever (LR) atendidos no Hospital Veterinário “Governador Laudo Natel” (HV), Faculdade de Ciências Agrárias e Veterinárias (FCAV), Universidade Estatual Paulista (UNESP), Campus de Jaboticabal, SP e do Hospital Veterinário da Universidade Federal de Uberlândia (HOVET-UFU), com o objetivo de avaliar as enfermidades mais frequentes, em especial a incidência da obesidade, nessas raças. Para isso, foi realizado um levantamento de dados a partir da análise de prontuários do HV-UNESP e do HOVET-UFU. As classificações dos pacientes foram de acordo com sexo, raça, enfermidade diagnosticada, idade e peso. Ao todo, foram analisadas informações provenientes de 968 cães, sendo que 542 cães foram atendidos no HV-UNESP e 426 cães no HOVET-UFU. Análise descritiva dos dados foi realizada para verificar a trajetória de atendimentos ao longo dos anos. Como resultado houve predominância de informações diagnósticas relacionadas a neoplasmas, seguido de obesidade e das displasias nas raças GR e LR atendidos no HV-UNESP. O neoplasma foi mais representativo nos cães GR e LR atendidos no HOVET-UFU, seguido por hemoparasitose e displasias. Os resultados do presente estudo fornecem indicadores que poderão ser consultados para estudos futuros sobre as raças e as enfermidades, fornecendo auxílio para médicos veterinários. Novas associações podem ser realizadas em relação à ocorrência de doenças mais prevalentes nestes locais, como: fatores ambientais, nutricionais, relação tutor e cão, dentre diversos outros que podem ter influência direta no aparecimento das enfermidades destacadas.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».