Ocorrência de enfermidades em cães das raças golden retriever e labrador retriever
Bibliographic record
Abstract
Os objetivos neste estudo retrospectivo foram investigar as informações diagnósticas de ocorrência 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), de janeiro de 2017 a dezembro de 2021, e avaliar as enfermidades mais frequentes, em especial, a incidência da obesidade nessas raças. Para isso, foi realizado o levantamento de dados por meio da análise de prontuários de ambos os hospitais. As classificações dos pacientes foram de acordo com sexo, raça, enfermidade diagnosticada, idade e peso. Ao todo, foram analisadas 4.528 informações provenientes de 968 cães, sendo que 542 cães foram atendidos no HV-UNESP e 426 cães no HOVET-UFU. A trajetória de atendimentos ao longo dos anos foi identificada por uma análise descritiva dos dados. A predominância de informações diagnósticas relacionadas aos neoplasmas, obesidade e displasias nas raças GR e LR atendidos no HV-UNESP foi identificada. O neoplasma foi mais representativo nos cães GR e LR do HOVET-UFU, seguido por hemoparasitose e displasias. Os resultados obtidos servem de indicadores que poderão ser consultados em estudos futuros sobre as raças e as enfermidades, fornecendo auxílio aos médicos veterinários. Novas associações podem ser realizadas em relação à ocorrência de doenças mais prevalentes nos hospitais, como: fatores ambientais, nutricionais, relação tutor e cão, dentre outros que podem ter influência direta no aparecimento das enfermidades destacadas.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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 source (direct Gemma or distilled Codex), 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".