Occurrence of obesity and other diseases in dogs of the golden retriever and labrador retriever breeds
Bibliographic record
Abstract
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.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 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 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".