Bibliographic record
Abstract
Genom att studera livslängd och dödsorsaker hos hundar kan man identifiera rasspecifika sjukdomar och problem och på så sätt utforma avelsprogram där man försöker motverka dessa. Det är inte enbart sjukdomar som gör att hundar dör eller avlivas, utan orsakerna är många. Syftet med detta arbete var att utifrån en litteraturstudie sammanställa de vanligaste dödsorsakerna och medellivslängden hos hundar. Medellivslängden i de olika undersökta studierna varierade mellan 10-11 år, där en av studierna avvek med medellivslängden 6,4 år. Blandraser blev något äldre än den genomsnittliga hundpopulationen medan vissa renrasiga hundar levde längre än blandraser.\n\nÅlderdom hörde till den vanligaste eller näst vanligaste orsaken att dö av enligt de olika studierna och mortalitetsrisken ökade med stigande ålder. En av de vanligaste sjukdomarna som hundar dog av, 14-30 %, var cancer. Hjärtsjukdomar utgjorde ungefär 8 % av alla dödsorsaker och mest drabbad var rasen cavalier king charles spaniel. Gällande de neurologiska sjukdomarna hade grand danois, saint bernard och boxer en ökad risk att drabbas och när det kom till rörelsesjukdomarna var det de större raserna schäfer, labrador retriever, newfoundland, saint bernard och berner sennen som var predisponerade.\n\nBeteendeproblem omfattade ungefär 2-13 % av dödsorsakerna i de olika studierna. Trauma var något som oftare inträffade hos hanhundar och sjönk med stigande ålder. Omkring 5-6 % drabbades, men en studie från försäkringsdata visade dock 17 %. Ibland avlivades friska hundar på grund av djurägarproblematik som till exempel att ägaren inte hade råd med behandling, inte ville ha hunden längre eller att ägaren hade flyttat.\n\nProblematiken med dessa studier är att de är utförda på olika sätt genom frågeformulär, data från försäkringsbolag, uppgifter från kennelklubbar, obduktionsuppgifter samt register från veterinärpraktiker vilket på så sätt gör det svårt att få en korrekt bild av resultaten utan bias. Dock finns en nyligen gjord studie som visar att ett samarbete mellan veterinärkliniker och Svenska Kennelklubben (SKK) vore möjligt. Detta skulle kunna utvärdera effekterna av genetiska hälsoprogram bättre genom att kombinera SKK:s uppgifter om den enskilda hunden tillsammans med resultat från veterinärundersökningar och information om orsak och tidpunkt för dödsfall eller avlivning.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".