MétaCan
Menu
← Back to cohort
Record 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 on OpenAlexfundaboutno aff

Bibliographic record

VenueOpen MIND · 2025
Typedissertation
Languagefr
FieldComputer Science
TopicGeochemistry and Geologic Mapping
Canadian institutionsnot available
FundersUniversité de Montréal
KeywordsDomestic animal

Abstract

fetched live from 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.

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 imitation

Not 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.

metaresearch head score (Codex)0.002
metaresearch head score (Gemma)0.005
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: Observational
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.053
Threshold uncertainty score0.106

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0020.005
Meta-epidemiology (narrow)0.0010.000
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0020.001
Science and technology studies0.0010.001
Scholarly communication0.0020.001
Open science0.0010.001
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0030.001

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.

Opus teacher head0.061
GPT teacher head0.302
Teacher spread0.241 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designObservational
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2025
Admission routes2
Has abstractyes

Explore more

Same venueOpen MIND→Same topicGeochemistry and Geologic Mapping→French-language works237,207→