Retriever dog joint disease, etiology, diagnosis, treatment and prevention
Bibliographic record
Abstract
Retriveriai priskiriami didelių veislių šunims. Jų ilgesnis brendimas nei mažų veislių šunų. Kaip ir visi dideli šunys, jiems būdingos ne tik įgimtos bet ir įgytos sąnarių ligos. Sąnarių ligomis gali sirgti šuniukai brendimo metu, augant ir senstant. Iš įgimtų ir genetiškai paveldimų sąnarių ligų retriveriams būdingos klubo ir alkūnės sąnario displazijos, bei kelio priekinio kryžminio raiščio trūkimas. Sąnarių ligos gali atsirasti ir progresuoti dėl per didelio svorio, retriveriai yra linkę priaugti daugiau svorio nei kitų veislių šunys. Darbo tikslas: Nustatyti bei įvertinti Lietuvoje veisiamų retriverių šunų sergamumą sąnarių ligomis. Darbo uždaviniai: 1. Nustatyti retriverių veislių grupės šunų dažniausiai pasireiškiančias sąnarių ligas. 2. Įvertinti šuns lyties, amžiaus, bei svorio įtaką retriverių sąnarių ligų pasireiškimui. 3. Gautus rezultatus palyginti su literatūroje pateikiamais duomenimis. Išvados: 1. Įvertinus 48 retriverius, buvo nustatyta, jog dažniausiai sergama klubo sąnario displazija (18 proc.), alkūnės sąnario displazija (12 proc.), kelio priekinio kryžminio raiščio trūkimu (6 proc.), reumatoidiniu artritu (6 proc.), panosteitu (3 proc.), osteoartritu (3 proc.). 2. Sąnarių ligos dažniausiai pasireiškia retriveriams nuo vienerių iki trijų metų amžiaus (36 proc.), rečiausiai sergama iki vienerių metų amžiaus (3 proc.). 3. Turintiems viršsvorio šunims (46 proc.) ir vidutinio svorio šunims (54 proc.) sąnarių ligos pasireiškė vienodai. 4. Nustatyta, jo dažniausiai klubo sąnario displazija serga Labradoro retriveriai (71 proc.), rečiau – auksaspalviai (27 proc.) ir lygiaplaukiai retriveriai (2 proc.).
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 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".