СПОСОБ УПРАВЛЕНИЯ СОСТОЯНИЕМ МАССЫ ТЕЛА У ЖИВОТНОГО

Данная заявка имеет приоритет предварительной патентной заявки США сер. № 61/292652, поданной 6 января 2010 г., которая включена в данное описание посредством ссылки.

УРОВЕНЬ ТЕХНИКИ

Варианты осуществления, описанные в данном документе, связаны с методологией оценки телесного жира и определения подходящего режима снижения массы для домашних животных. Более конкретно, здесь описано клинически пригодное руководство и методология для применения к животным с избыточной массой и с ожирением.

Ожирение распространяется в Соединенных Штатах и не только у людей. В 2008 г. исследование ожирения домашних животных Ассоциацией Предотвращения Ожирения Животных привело к выводу, что подвергнутые оценке 84 миллиона собак и кошек в США имеют избыточную массу или ожирение, что составляет приблизительно 50% собак и кошек. Кроме того, подвергнутые оценке 10% собак и подвергнутые оценке 18% кошек имеют ожирение. Фактически, ожирение считают одной из наиболее распространенных форм нарушения питания, имеющего место у собак.

В целом, домашние животные, такие как собаки и кошки, имеющие массу, превышающую на 15% их идеальную массу тела, считают имеющими избыточную массу или ожирение. Животные с избыточной массой, как правило, имеют избыток жировой ткани тела. Наиболее распространенной причиной того, что животное имеет избыточную массу, является избыточное потребление пищи, которое приводит к избыточному поглощению калорий. Исследования показали, что тучные животные в значительной степени имеют больший риск возникновения заболеваний, таких как артрит, заболевания сердца, заболевания органов дыхания, диабет, рак мочевого пузыря, гипотиреоз и панкреатит.

Поскольку домашние животные становятся более и более тучными, трудности, с которыми сталкиваются ветеринар или специалист, практикующий в области ветеринарии, становятся все более очевидными. Одной трудностью, осознаваемой многими ветеринарами, является необходимость точного назначения количества пищи, которым владелец домашнего животного должен кормить домашнее животное, чтобы добиться оптимального уровня здоровья для домашнего животного. Для того, чтобы точно назначить количество пищи, которым владелец домашнего животного должен кормить домашнее животное, ветеринар должен сначала точно оценить энергетические потребности животного. Аналогично, для того чтобы точно предписать энергетические потребности животного, ветеринар должен точно определить процентное содержание жира животного.

Таким образом, процесс назначения подходящего количества пищи для соответствующего режима снижения массы в конечном итоге зависит, наряду с другими факторами, от точного вычисления процентного содержания телесного жира. Чем больше ошибка в вычислении процентного содержания телесного жира, тем более неправильной будет оценка калорий.

В настоящее время метод балльной оценки состояния тела (BCS) является наиболее доступным и популярным способом оценки ожирения у домашних животных. Этот способ является доступным и популярным из-за его упрощенного использования физических критериев, которые являются легко измеряемыми ветеринаром или специалистом, практикующим в области ветеринарии. Согласно способу BCS для определения балльной оценки состояния тела можно применять физический осмотр, визуальное наблюдение и пальпацию. Балльная оценка состояния тела является полуколичественной оценкой телесного жира в интервале категорий от худобы до сильного ожирения. Было подтверждено, что оценки способа BCS, хотя и неточные, приблизительно коррелируют с действительным процентным содержанием телесного жира, как определяют посредством двухэнергетической рентгеновской абсорбциометрии (DEXA).

Однако во многих случаях способ BCS является в значительной степени неэффективным. Так как в способе BCS применяются одинаковые критерии тестирования, делается попытка к всеохватывающему решению для сложной динамической проблемы. Кроме того, конкретные физические параметры, которые следует измерить для клинической оценки процентного содержания телесного жира домашнего животного, могут не быть эквивалентными в каждой ситуации. Несмотря на то, что антропоморфические измерения, такие как измерения кожных складок, исторически применялись для оценки процентного содержания телесного жира у людей, обнаружено, что эти типы измерений являются менее эффективными для домашних животных. В сущности, диагностические методики для оценки телесного жира, которые в настоящее время являются доступными для практикующих ветеринаров и специалистов в области ветеринарии, не решают проблемы, связанные с современными несовершенными методами. Например, в то время как телесный жир у людей можно непосредственно оценить, применяя калибры для складок кожи, собачий трицепс нельзя рассматривать как совместный.

В то время как рудиментарные способы, такие как способ BCS, являются более точными для домашних животных с низким количеством жира, эти многообразные способы бальной оценки состояния тела являются недостаточными для оценки телесного жира в интервале домашних животных с ожирением. Так как точная оценка телесного жира у животного является предпосылкой для установления идеальной массы и вычисления точной дозы калорий для снижения массы, составляется разброс ошибки в типичных методиках для назначения режима снижения массы.

Морфометрические измерения применяли для собак и кошек, но опубликованы лишь немногие данные по сравнению целевых измерений тела с телесным жиром. Частично это происходит вследствие того факта, что домашние животные отлагают и сохраняют жир подкожно в различных местоположениях, включая грудные, поясничные и копчиковые области, а также внутрибрюшинно. Когда домашнее животное подвергают увеличению массы, окружность таза обычно меняется в наибольшей степени. В то время как конкретные измерения окружности таза временами применяли для оценки процентного содержания телесного жира, этому способу также не хватает четкости и точности.

Так как современные способы оценки процентного содержания телесного жира домашних животных часто являются неэффективными, в настоящем изобретении делается попытка разработки инструментов, доступных для ветеринаров и практикующих специалистов в области ветеринарии на основе объективных критериев и статистического анализа. Соответственно предоставлена методология оценки телесного жира и для определения подходящего режима снижения массы для домашних животных. В соответствии с настоящим изобретением дополнительно предоставлен способ содействия практическим специалистам с практическими диагностическими инструментами для определения телесного жира и идеальной массы тела у домашних животных, особенно для домашних животных с избыточной массой и ожирением. Используя эту информацию, настоящее изобретение также предоставляет простое средство вычисления энергетических потребностей животного и эффективную дозу пищи для терапии по снижению массы.

СУЩНОСТЬ ИЗОБРЕТЕНИЯ

В одном аспекте настоящего изобретения предоставлен способ управления состоянием массы у домашнего животного с применением инструментов для оценки процентного содержания телесного жира домашнего животного. Способ включает применение процентного содержания телесного жира для предоставления эффективного режима снижения массы для домашнего животного. Дополнительно, способ включает определение идеальной массы тела домашнего животного, ежедневное количество пищи для снижения массы домашнего животного до желательного уровня и ожидаемое снижение массы домашнего животного, при условии соблюдения ежедневного режима кормления.

В дополнительном аспекте изобретения посредством регрессионного анализа определяют формулу для оценки телесного жира. Используя результаты DEXA или подобные надежные способы для определения действительного процентного содержания телесного жира или безжировой массы тела, можно измерить физические данные, и для корреляции с данными можно использовать описательные данные и создавать уравнения для прогнозирования процентного содержания массы телесного жира или безжировой массы тела на основе измеренных и описательных данных.

В еще одном дополнительно аспекте изобретения формулу для оценки телесного жира делят на две отдельные формулы: одна формула для животных с массой тела, меньшей, чем пороговое количество, или равной ему, и отдельная формула для животных с массой тела большей, чем пороговое количество.

В еще одном дополнительном аспекте настоящего изобретения животными являются собаки и пороговое количество представляет собой 40 фунтов.

В еще одном дополнительном аспекте изобретения животные представляют собой кошек.

В еще одном дополнительном аспекте изобретения предоставлен способ, посредством которого специалист-практик может использовать сводную таблицу, программу или подобный инструмент для ввода описательной и измерительной информации для автоматического вычисления процентного содержания телесного жира, идеальной массы тела, основных энергетических потребностей, количеств пищевых доз и любой другой информации, связанной с программой снижения массы для домашнего животного.

Следует понимать, что как вышеизложенное общее описание изобретения, так и следующее подробное описание изобретения являются иллюстративными, но не ограничивающими для изобретения.

Дополнительные области применимости настоящего изобретения станут очевидными из подробного описания, представленного далее в данном документе. Следует понимать, что подробное описание и конкретные примеры, указывающие на предпочтительный вариант осуществления изобретения, в то же время предназначены только для целей иллюстрации и не предназначены для ограничения объема изобретения.

КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ

Более полная оценка изобретения и многие из его сопутствующих преимуществ, будут легко достигнуты, так как они станут лучше понятыми со ссылкой на последующее подробное описание при рассмотрении в связи с сопроводительными чертежами, где:

Фиг.1 иллюстрирует блок-схему высокого уровня способа оценки телесного жира и определения соответствующего режима снижения массы;

Фиг.2 иллюстрирует примерные способы оценки процентного содержания телесного жира у домашних животных;

Фиг.3 иллюстрирует блок-схему высокого уровня способа, где сначала применяют надежный способ для определения телесного жира у группы животных и затем измеряют физические данные для применения регрессионного анализа с целью формулирования наиболее соответствующих уравнений для клинически благоприятного вычисления процентного содержания телесного жира и окончательного назначения режима снижения массы;

Фиг.4 иллюстрирует примерные входные параметры и выходные параметры вычислительного устройства для целевой массы и дозы пищи для собак с массой, меньшей или равной 40 фунтам;

Фиг.5 иллюстрирует примерные входные параметры и выходные параметры вычислительного устройства для целевой массы и дозы пищи для собак более чем 40 фунтов.

ПОДРОБНОЕ ОПИСАНИЕ ИЗОБРЕТЕНИЯ

В данном документе предоставлена методология управления состоянием массы у домашнего животного. Методология особенно пригодна для более точной оценки у животных, имеющих телесный жир, выше среднего.

Примерный вариант осуществления настоящего изобретения представляет собой способ управления состоянием массы у домашнего животного, включающий определение расчетного процентного содержания телесного жира домашнего животного и предоставление эффективного режима снижения массы для домашнего животного на основании расчетного процентного содержания телесного жира. Способ дополнительно содержит определение идеальной массы тела для домашнего животного, определение ежедневного режима кормления для назначения домашнему животному, чтобы снизить массу домашнего животного до идеальной массы тела, и определение степени ожидаемого понижения массы домашнего животного при условии следования режиму ежедневного кормления.

В некоторых вариантах осуществления способ включает пищевую композицию, где пищевая композиция содержит белок, жир, волокно и углевод.

В одном варианте осуществления способ включает определение расчетного процентного содержания телесного жира домашнего животного посредством способа балльной оценки телесного жира (BFS), где проводят визуальную и пальпационную оценку телесного жира животного, и результаты визуальной и пальпационной оценки применяют для присвоения балльной оценки индекса телесного жира для животного. Визуальная и пальпационная оценка может включать следующее: количество шерстяного покрова на голове и шее, выступание костных структур на морде, различие между головой и плечами, натяжение задней части шеи и количество жира на шее, количество грудного жира, выступание и легкость пальпации для грудинной кости, лопаток и ребер, ингвинальная жировая подушка на животе, легкость пальпации содержимого живота и оценка тела в целом, включающая форму сбоку, форму сверху и стойку. В целом, понимают, что балльная оценка индекса телесного жира является целым числом, которое представляет собой оценку процентного содержания телесного жира для животного. Этот способ может также включать субъективную оценку физических критериев, наблюдаемых в ходе визуальной и пальпационной оценки, причем каждая оценка определяет особое количество точек. Затем точки можно сложить для приведения к расчетной балльной оценке индекса телесного жира.

В одном варианте осуществления способ включает определение расчетного процентного содержания телесного жира домашнего животного посредством способа Прогноза Телесного жира (BFP), где биологическую информацию и физические измерения применяют для достижения расчетного процентного содержания телесного жира. Подобная биологическая информация и физические измерения могут включать массу тела, возраст, пол и наличие кастрации с измерениями, такими как высота, длина, длина ног, размер подушечки стопы и т.д.

В некоторых вариантах осуществления способ также включает определение расчетного процентного содержания телесного жира домашнего животного посредством электронной таблицы, компьютерной программы, базы данных или подобного инструмента, разработанного для приема входящей информации и для автоматического вычисления расчетного процентного содержания телесного жира, идеальной массы тела, средней энергетической потребности (RER) и количеств пищевой дозы.

Примерным вариантом осуществления настоящего изобретения является способ управления состоянием массы домашнего животного, включающий применение способов для определения действительного процентного содержания телесного жира или безжировой массы тела домашнего животного; применение измеренных физических данных домашнего животного и описательных данных домашнего животного для применения регрессионного анализа на основе действительного процентного содержания телесного жира или безжировой массы тела; и выведение одного или более уравнений на основе регрессионного анализа, одного или более уравнений для прогноза процентного содержания телесного жира или безжировой массы тела домашнего животного на основе измеренных физических данных и описательных данных нового домашнего животного. В предпочтительном варианте осуществления способ определения действительного процентного содержания телесного жира или безжировой массы тела домашнего животного представляет собой двухэнергетическую рентгеновскую абсорбциометрию (DEXA).

Способ также включает случай, где одно или более уравнений являются двумя отдельными уравнениями, причем первое уравнение применяется к домашнему животному с массой тела, меньшей, чем пороговое количество, и второе уравнение применяется к домашнему животному с массой тела, большей чем пороговое количество.

Способ также включай случай, где домашними животными являются собаки и пороговое количество представляет собой 40 фунтов.

В еще одном дополнительном аспекте изобретения животными являются кошки.

В дополнительном варианте осуществления настоящее изобретение предоставляет набор, содержащий в отдельных контейнерах в единичной упаковке (1) средство для сообщения информации о способе оценки домашнего животного или инструкции для этого способа, включающее определение расчетного процентного содержания телесного жира домашнего животного и предоставление эффективного режима снижения массы для домашнего животного и (2) пищевой жир, применяемый для содействия снижения массы у домашнего животного.

Хотя примерные инструменты описаны в данном документе для получения оценки процентного содержания телесного жира животного, особенно для применения в случае животных с ожирением, специалисты в данной области легко поймут, что можно использовать разнообразные способы для оценки процентного содержания телесного жира.

Согласно Фиг.1, первая стадия в способе заключается в оценке домашнего животного с применением инструментов для оценки процентного содержания 101 телесного жира. Как дополнительно описано ниже, это можно осуществлять разнообразными способами. Примерная методология, описанная ниже, использует инструменты оценки телесного жира и вычислительное устройство для снижения массы или подобный инструмент. Домашнее животное оценивают с применением критериев с предоставлением индекса или балльной оценки телесного жира. Индекс или балльная оценка телесного жира может базироваться либо на расчете процентного содержания телесного жира животного или на действительном процентном содержании телесного жира животного. Затем это число вводят в вычислительное устройство или подобный инструмент, который в свою очередь предоставляет информацию, необходимую для эффективного режима 103 снижения массы. Эта информация может включать идеальную массу тела животного, основную энергетическую потребность (RER), количество ежедневного питания и ожидаемую потерю 105 массы.

При оценке массы животного, как только рассчитывают процентное содержание 101 телесного жира, расчетное процентное содержание жира можно применять для оценки RER и идеальной массы тела животного 105. С применением современного способа BCS, который используют для животных с нормальной массой, способ имеет нежелательный результат переоценки ежедневной калорийности, необходимой для животных, которые имеют избыточный телесный жир. Так как телесный жир животного увеличивается, переоценка необходимости ежедневной калорийности становится все больше и больше. Следовательно, современный способ дополнительно усложняет проблему, для решения которой его изначально разрабатывали.

Переоценку, являющуюся результатом применения способа BCS, недавно обнаружили в первоначальном исследовании, ведущему к разработке настоящего изобретения. Более полно описанное ниже, первоначальное исследование показало, что современные способы оценки идеальной массы для питания со снижением массы являются в значительной степени неточными для собак, имеющих более чем 45% телесного жира.

Дополнительная оборотная сторона способа BCS состоит в том, что чем более животное страдает ожирением, тем менее точен способ. Фактически, способ BCS становится все в большей степени неточным для животных со значениями процентного содержания телесного жира свыше 45%. Частично это происходит, так как BCS разрабатывали первоначально для оценки собак со значениями процентного содержания телесного жира менее, чем 45%. Вследствие увеличения количества собак с высокими значениями процентного содержания телесного жира, BCS, как универсальный способ, становится менее и менее эффективным. Например, в настоящее время многие собаки с ожирением имеют процентное содержание жира на уровне свыше 50%, для которого способ BCS является в большой степени неэффективным.

Элемент первоначального исследования продемонстрировал, что современные способы (т.е. BCS) оценки идеальной массы тела для кормлений со снижением массы являются неточными для собак, имеющих более, чем 45% телесного жира. Два основных ограничения современных способов оценки телесного жира состоят в том, что (1) правильность и точность в большой степени зависят от подготовки и квалификации индивида, проводящего оценку, и (2) современные шкалы балльной оценки состояния тела не проводят отличия между различными уровнями ожирения. Например, в шкале BCS с 5 точками все собаки более, чем с 35% телесного жира оказываются в единичной точке, равной 5. Это имеет нежелательный эффект, что собака с 60% телесного жира и собака с 35% телесного жира обе получают одинаковую балльную оценку. Чем тучнее собака, тем больше переоценка идеальной массы тела и количества питания и, следовательно, тем медленнее и более неэффективна программа снижения массы.

Первоначальное исследование сравнивало точность применения значений процентного содержания телесного жира в 5 и 9 точечных системах BCS для оценки идеальной массы тела и RER у собак. Как только специалист, практикующий в области ветеринарии, устанавливает значение BCS, для оценки идеальной массы тела и RER применяют среднее процентное содержание жира для каждой балльной оценки. На основе результатов сканирования DEXA телесный жир колебался от 28,3% до 63,7% со средним значением, равным 45,9%. Для оценки точности BCS для умеренно тучных собак по сравнению с болезненно тучными собаками, собак разделяли на две группы. Первая группа имела менее чем 45% телесного жира, и вторая группа имела более чем 45% телесного жира. В первой группе было 15 собак, и во второй группе была 21 собака.

По сравнению с DEXA, оценки идеальной массы тела были значительно выше с применением 5 (23,0 против 19,2 кг) и 9 (21,1 против 19,2 кг) точек BCS у собак с телесным жиром более чем 45% (р<0,001), но не различались у собак с менее чем 45% (р>0,05).

Следовательно, результаты приведенного выше исследования показывают, что современные системы BCS предоставляют удовлетворительные оценки идеальной массы тела и RER для собак с менее чем 45% телесного жира, но являются недостаточными для вычисления RER и идеальной массы тела у болезненно тучных собак с телесным жиром более, чем 45%.

Кроме проблемы оценки процентного содержания телесного жира существует ошибка, связанная с оценкой RER. Для того, чтобы программа снижения массы животного оставалась эффективной, ежедневный прием калорий животного должен быть ограничен ниже уровня, требуемого для поддержания текущей массы тела. Для животных с нормальной массой вычисление ежедневной потребности калорий может быть основано на массе тела животного. Однако применение такого же подхода к животным с превышенной массой может иметь негативные последствия, включая переоценку ежедневных потребностей в калориях для животного.

Кроме того, дополнительное исследование, описанное ниже, предлагает, что DEXA (или эквивалентные методы) можно применять в комбинации с известными морфометрическими измерениями и основной биологической информацией для применения статистического анализа для разработки наиболее соответствующего уравнения, причем наиболее соответствующее уравнение является подходящим для определения эффективного режима снижения массы для любого домашнего животного.

Далее представлено обобщающее описание того, как можно использовать морфометрические измерения. Человек, являясь специалистом в данной области техники, сможет понять, что любой подобный характер измеряемых физических атрибутов можно должным образом понимать как эквивалентный, и дальнейшее является просто иллюстративным и не ограниченным по природе. Например, длину тела можно измерять посредством применения измерительной штанги Сека для измерения от грудинной кости до седалищной кости/прямой кишки, когда домашнее животное находится в положении стоя и его голова расположена прямо вперед. Высоту спереди можно измерить, применяя напольную измерительную штангу Сека для измерения высоты на уровне плеч. Высоту сзади можно измерить, применяя напольную измерительную штангу Сека для измерения высоты на уровне бедер. Окружность груди можно измерить, применяя портняжную ленту с обертыванием ленты плотно вокруг грудной клетки на уровне сердца при измерении. Окружность таза можно измерить, применяя портняжную ленту с обертыванием ленты плотно вокруг поясничной области сразу же напротив колена.

Затем в данном документе предоставлено описание измерений ног. Длину задней ноги можно измерить, применяя металлическую ленту для измерения длины задней ноги от центральной подушечки стопы до дорсального кончика пяточного процесса. Ширину пятки задней ноги можно измерить, применяя ручной штангенциркуль для измерения ширины пятки. Ширину центральной подушечки стопы задней ноги можно измерить, применяя ручной штангенциркуль и положив микрометр ровно на пол в основание подушечки. Длину центральной подушечки стопы задней ноги можно измерить, можно измерить, применяя ручной штангенциркуль и положив микрометр ровно на пол в основание подушечки. Измерения передней ноги являются похожими на измерения задней ноги за исключением того, что передние ноги измеряют вместо задних ног.

Измерения головы можно предоставить следующим образом. Длину черепа можно измерить, применяя портняжную ленту для измерения от внешнего затылочного выступа до медиального кантуса глаза. Длину морды можно измерить, применяя портняжную ленту для измерения от медиального кантуса глаза до кончика носа. Окружность головы можно измерить, применяя портняжную ленту для измерения окружности между глазами и ушами в самой широкой части головы. Окончательно ширину головы можно измерить, применяя измерительную штангу Сека для измерения между глазами и ушами.

После регистрации измерений можно использовать множественный регрессионный анализ, применяя результаты DEXA для разработки регрессионных уравнений для прогноза телесного жира или безжировой массы тела, исходя из измеренных данных тела и вводных описательных данных. Описательные данные могут включать любые из массы тела, вида, возраста, пола, наличия кастрации и т.д.

Как описано в данном документе, для получения оценки процентного содержания телесного жира животного можно применять два основных типа инструментов. В соответствии с Фиг.2 предоставлен примерный способ, называемый способом 201 Балльной оценки телесного жира (BFS). В способе BFS 201 получают визуальную и пальпационную оценку телесного жира. В этом способе применяют наблюдения обученного индивида для определения балльной оценки индекса телесного жира к отдельному животному. Как правило, понимают, что балльная оценка индекса телесного жира является целым числом, которое является оценкой процентного содержания телесного жира для этого животного.

В одном исполнении способа BFS 201 животное оценивают, применяя схему, которая перечисляет характеристики для каждой категории индекса телесного жира и устанавливает соответствующую балльную оценку. Например, балльная оценка индекса телесного жира, равная 10, может указывать на интервал 5-15% телесного жира. Балльная оценка, равная 10, требует, чтобы ребра были рельефными, легко ощутимыми и содержали небольшое жировое покрытие. Балльная оценка, равная 10, также требует, чтобы форма собаки сверху представляла собой явную форму песочных часов; форма сбоку представляла собой ясно выраженную брюшную складку; форма сзади представляла собой рельефные кости и заостренный контур; основание хвоста содержит рельефные костные структуры, легко ощущается и содержит небольшое жировое покрытие. Следующая таблица иллюстрирует исчерпывающие категории балльной оценки индекса телесного жира.

Как выражается приведенной выше таблицей, каждая категория индекса телесного жира охватывает интервал в 10 точек в процентном содержании телесного жира. Балльную оценку индекса телесного жира можно затем внести в вычислительное устройство снижения массы для получения идеальной массы и информации о питании.

Как легко будет понятно специалисту в данной области техники, средство для описания этого способа представляет собой субъективную оценку физических критериев на основе множественных физических местоположений на животном, причем каждая оценка определяет конкретное количество точек. Как только все местоположения животного были подвергнуты оценке, точки можно суммировать для достижения расчетной балльной оценки индекса телесного жира. Затем балльную оценку индекса телесного жира можно ввести в вычислительное устройство снижения массы для получения информации об идеальной массе и кормлении.

Следующая таблица описывает примерную систему балльной оценки индекса телесного жира. Когда каждый из критериев определен визуальным осмотром и пальпацией, суммарные точки можно объединить.

Усовершенствование настоящей шкалы BCS с помощью приведенной выше шкалы BFS может предоставить корректное предписание пищевой дозы для снижения массы у очень тучных домашних животных. Кроме того, методологию выставления числовых точек, которая позволяет практикующему специалисту вводить данные, можно легко программировать в электронную таблицу Microsoft Excel, базу данных Microsoft Access или подобный разработанный инструмент.

Второй примерный способ оценки процентного содержания телесного жира животного представляет собой способ 203 прогноза телесного жира (BFP). Способ 203 BFP представляет собой описанный выше способ, в котором используют основную биологическую информацию и простые физические измерения для прогноза телесного жира и идеальной массы тела. Этот способ можно описать как разработку уравнений посредством применения методов регрессионного анализа, поясненных выше, для прогноза процентного содержания телесного жира или безжировой массы тела на основе физических данных, полученных практикующим ветеринаром. Например, описательную информацию, такую как масса тела, возраст, пол и наличие кастрации, можно комбинировать с простыми измерениями (такими как высота, длина, длина ноги, размер подушечки стопы и т.д.) для достижения расчетного процентного содержания телесного жира.

В соответствии с вариантом осуществления настоящего изобретения, регрессионные уравнения можно применять для прогноза либо безжировой массы или массы жира. Затем можно вычислить процентное содержание жира, применяя либо безжировую массу или массу жира или общую массу тела. Основные данные, требуемые для прогноза телесного жира, можно ввести в вычислительное устройство BFP, который предоставляет инструмент для вычисления процентного содержания телесного жира и других вариаций телесного жира. Процентное содержание жира можно вводить в то же самое вычислительное устройство телесного жира, как приведено выше, или вычисления снижения массы можно автоматически вводить в вычислительное устройство BFP. Следовательно, Способ 203 BFP предоставляет точное и объективное измерение, в то же время сохраняя подходящий формат для клинической установки.

Можно также предоставить идеальную массу тела и вычислительное устройство дозы пищи в качестве инструмента для вычисления RER и количества пищи для ежедневного кормления животного. Например, вычислительное устройство идеальной массы может принимать в качестве ввода балльную оценку BFS и текущую массу тела животного. Альтернативно, вычислительное устройство идеальной массы может принимать в качестве ввода описательную информацию и параметры уравнения для способа 203 BFP. В качестве вывода вычислительное устройство идеальной массы тела может определять идеальную массу животного, вычисление RER (т.е. ккал/день) и количество пищи для кормления животного. Кроме того, идеальная масса тела и вычислительное устройство пищевой дозы могут определять процентное содержание безжировой массы и количество безжировой массы и альтернативно отображать эту информацию в формате электронной таблицы для практикующего специалиста в области ветеринарии.

Альтернативный вариант осуществления настоящего изобретения может отделять электронные таблицы для определения процентного содержания телесного жира и идеальной массы тела и определять пищевую дозу на основе вычисленной информации и типа пищи. Подобным образом, отдельные электронные таблицы можно применять для любой категории животного, к которым могут применяться отдельные уравнения. Например, таблицу можно применять для ввода данных морфометрических измерений для собак с массой тела, менее или равной 40 фунтам, и отдельную таблицу можно применять для ввода данных морфометрических измерений для собак с массой тела, более 40 фунтов. Таким образом, отдельные уравнения могут запускать конечный процесс, посредством которого вычисляют выходные переменные.

На Фиг.3 показано, что для примерного способа, который будет применяться, сначала надо применять надежный, но клинически трудоемкий способ для определения действительного процентного содержания телесного жира каждого животного в группе животных 301. Далее пользователь может измерять физические данные, которые являются подходящими для измерения в клинической установке 303. Это дает возможность пользователю вводить физически измеренные данные, а также описательные данные 305 для выведения функции, подходящей для клинической установки. Затем можно применять регрессионный анализ для генерирования наиболее соответствующей функции (функций), которую практикующий специалист в области ветеринарии может применять для клинической установки 307. В конце концов, производные функцию (функции) можно применять для прогноза процентного содержания телесного жира животных 309.

Применяя инструмент для прогноза процентного содержания телесного жира животного, практикующий специалист в области ветеринарии может затем оценить идеальную массу тела, вычислить RER и определить ежедневный режим питания для животного для достижения целей идеальной массы тела.

Фиг.4 показывает примерные входные и выходные параметры, которые можно использовать в предпочтительном варианте осуществления электронной таблицы для животных с массой тела, меньшей или равной 40 фунтам. Масса тела 401, длина тела 403, высота спереди 405, окружность груди 407, окружность таза 409, длина центральной подушечки стопы задней ноги 411 и ширина центральной подушечки стопы передней ноги 413 являются параметрами ввода в электронную таблицу в соответствии с описанным выше наиболее соответствующим алгоритмом для собак с массой тела, меньшей или равной 40 фунтам. Соответственно выходные параметры включают BFI% 430, целевую массу 432, массу для снижения 434, Ккал/день 436, банки/день 438, миски/день 440, расчетное еженедельное снижение массы 442, расчетное время для достижения целевой массы 444 и расчетное еженедельное снижение массы % 446.

Фиг.5 показывает примерные входные и выходные параметры, которые можно использовать в предпочтительном варианте осуществления электронной таблицы для животных с массой тела, большей, чем 40 фунтов. Масса тела 501, длина задней ноги 503, длина центральной подушечки стопы задней ноги 505, длина передней ноги 507, длина черепа 509 и окружность головы 511 являются параметрами ввода в электронную таблицу в соответствии с описанным выше наиболее соответствующим алгоритмом для собак с массой тела, большей, чем 40 фунтов. Подобным образом, выходные параметры включают BFI% 430, целевую массу 432, массу для снижения 434, Ккал/день 436, банки/день 438, миски/день 440, расчетное еженедельное снижение массы 442, расчетное время для достижения целевой массы 444 и расчетное еженедельное снижение массы % 446.

В зависимости от того, используют ли способ BFS или способ BFP для оценки процентного содержания телесного жира животного, следует немедленно осуществлять улучшенные диетические пищевые рекомендации на основе поглощения калорий, особенно для животных с избыточной массой и тучных животных.

ПРИМЕРЫ

Пример 1

Оценивали тридцать шесть собак с составом тела, колеблющимся от избыточной массы до болезненно тучных. Проводились следующие измерения и процедуры: масса тела, пальпационная и визуальная оценка, цифровые фотографии (спереди, сзади, сбоку и сверху), измерения размера тела и формы, рентгенограммы (голова, грудь и таз) и DEXA.

Посредством DEXA определяли безжировую массу, массу жира и процентное содержание жира. Эти данные применяли для оценки других способов посредством предоставления зависимых переменных для прогноза состава тела (безжировую массу, массу жира и процентное содержание жира) посредством применения независимых переменных, полученных из морфометрических измерений, измерений скелета, массы тела, возраста, пола и состояния кастрации. Таким образом, выводили уравнения для безжировой массы, массы жира и процентного содержания жира. Применяли две отдельные модели. Первую модель выводили из регрессионного анализа, применяя морфометрические измерения. Вторую модель выводили из регрессионного анализа, применяя измерения скелета.

Первая Модель: Морфометрические измерения

В регрессионном анализе для прогноза состава тела применяли размер и форму тела (морфометрические измерения). Переменные, применяемые в анализе, включали длину тела, высоту спереди, высоту сзади, окружность груди, окружность таза, длину передней ноги, длину задней ноги, длину центральной подушечки стопы, ширину центральной подушечки стопы, ширину пяточной кости, ширину головы, окружность головы, длину морды и длину черепа. Другими переменными, включенные в регрессионный анализ, являлись возраст, пол и состояние кастрации.

Применяли ступенчатый множественный регрессионный анализ, для определения того, какие морфометрические переменные предоставляли наилучшую оценку безжировой массы тела, массы жира и процентного содержания телесного жира посредством DEXA. Данные анализировали с массой тела и без нее как независимой переменной. Модели разрабатывали для всей исследуемой популяции и для двух субпопуляций, т.е. собак с массой тела, меньшей или равной 40 фунтам и собак с массой тела, большей, чем 40 фунтов.

В случае всех собак, включенных в регрессионный анализ и массы, включенной в качестве независимой переменной, наилучшая модель, которая получалась для прогноза безжировой массы тела, включала следующие параметры: массу тела (BW), длину черепа (CL), длину черепа*окружность головы (CL×HC), ширину головы (HW), длину центральной подушечки стопы задней ноги (HLCFPL), ширину пяточной кости (CW), длину задней ноги (HLL), окружность таза (PC) и высоту спереди (FH). В этом уравнении безжировая масса тела представлена LBM:

(1) LBM=(134,4×BW)-(1012×CL)+(23,5×(CL×HC))-(403,7×HW)+(319,74×HLCFPL)-(214,8×CW)+(1012,4×HLL)-(30,34×PC)-(119,4×FH)+2772,3.

Применение этой модели ко всей исследуемой популяции прогнозировало безжировую массу тела точно у 83% популяции собак (с точностью до ±10% значения DEXA).

В случае всех собак, включенных в регрессионный анализ, и массы, исключенной в качестве независимой переменной, наилучшая модель, которая была выведена для прогнозирования LBM, включала возраст, HLCFPL, PC, HC, ширину центральной подушечки стопы передней ноги (FLCFPW), HLL, CL и CL*HC. В этом уравнении:

(2) LBM=(122,5×возраст)+(174,3×HLCFPL)+(807,01×HLL)+(87,59×PC)-(570,1×HC)+(246,67×FLCFPW)-(2447×CL)+(58,92×(CL×HC))+10712.

Применение этой модели ко всей исследуемой популяции прогнозировало безжировую массу тела точно у 81% популяции собак (с точностью до ±10% значения DEXA).

Для более точных уравнений согласно первой модели все собаки были разбиты на группы тех, масса тела которых была менее, чем 40 фунтов и тех, масса тела которых была больше, чем 40 фунтов. В случае всех собак, имеющих массу тела менее, чем 40 фунтов, включенных в регрессионный анализ, и массы, включенной в качестве независимой переменной, наилучшая модель, которая была выведена для прогнозирования LBM, включала возраст, BW, CL*HC, ширину центральной подушечки стопы задней ноги (HLCFPW), CW, HLL и длину передней ноги (FLL). В этом уравнении:

(3) LBM=(63,74×возраст)+(71,69×BW)+(5,31×(CL×HC))+

(189,72×HLCFPW)-(112,8×CW)+(1019,6×HLL)-(337,7×FLL)-4148.

Применение этой модели к соответствующей исследуемой популяции прогнозировало безжировую массу тела точно у 100% соответствующей популяции собак (с точностью до ±10% значения DEXA).

В случае всех собак, имеющих массу тела, большей, чем 40 фунтов, включенных в регрессионный анализ, и массы, исключенной в качестве независимой переменной, наилучшая модель, которая была выведена для прогнозирования LBM, включала возраст, длину тела (BL), CL*HC, HLL, FLL и длину морды (FL). В этом уравнении:

(4) LBM=(60,22×возраст)+(111,3×BL)+(7,61×(CL×HC))-(480,2×FLL)-(169×FL)-5480.

Применение этой модели к соответствующей исследуемой популяции прогнозировало безжировую массу тела точно у 100% соответствующей популяции собак (с точностью до ±10% значения DEXA).

Подобные методы применяли к собакам с массой тела, большей, чем 40 фунтов. В случае всех собак, имеющих массу тела, большей, чем 40 фунтов, включенных в регрессионный анализ, и массы, включенной в качестве независимой переменной, наилучшая модель, которая была выведена для прогнозирования LBM, включала возраст, BW, CL*HC, CL, HLCFPL, HLL и FLL. Это уравнение дается следующим образом:

(5) LBM=(-146,1×возраст)+(104,71×BW)+(15,31×(CL×HC))-(675×CL)+(394,04×HLCFPL)+(1239,4×HLL)-(372,4×FLL)-6099.

Применение этой модели к соответствующей исследуемой популяции прогнозировало безжировую массу тела точно у 100% соответствующей популяции собак (с точностью до ±10% значения DEXA).

В случае всех собак, имеющих массу тела, большей, чем 40 фунтов, включенных в регрессионный анализ, и массы, исключенной в качестве независимой переменной, наилучшая модель, которая была выведена для прогнозирования LBM, включала окружность груди (TC), PC, HLL, HLCFPL, FLL и CL*HC. Это уравнение дается следующим образом:

(6) LBM=(148,92×TC)+(159,8×PC)+(944,01×HLL)+(679,12×HLCFPL)-(469,8×FLL)+(10,05×(CL×HC))-31075.

Применение этой модели к соответствующей исследуемой популяции прогнозировало безжировую массу тела точно у 95% соответствующей популяции собак (с точностью до ±10% значения DEXA).

Массу жира можно вычислять подобным образом. В случае всех собак, включенных в регрессионный анализ, и массы, включенной в качестве независимой переменной, наилучшая модель, которая была выведена для прогнозирования массы жира (FM), включала BW, CL*HC, HLCFPL, HLL и TC. Это уравнение дается следующим образом:

(7) FM=(272,41×BW)-(7,54×(CL×HC))-(208,8×HLCFPL)-(463×HLL)+(98,25×TC)+3110,3.

Применение этой модели ко всей исследуемой популяции точно прогнозировало FM у 78% популяции собак (с точностью до ±10% значения DEXA).

В случае всех собак, включенных в регрессионный анализ, и массы, исключенной в качестве независимой переменной, наилучшая модель, которая была выведена для прогнозирования массы жира (FM), включала TC, FLCFPL, и CW. Это уравнение приводится следующим образом:

(8) FM=(366,14×TC)+(705,54×CW)-(365,1×FLCFPL)-18496.

Применение этой модели ко всей исследуемой популяции точно прогнозировало FM только у 50% популяции собак (с точностью до ±10% значения DEXA).

Деление собак на две отдельные группы на основании массы тела для прогнозирования массы жира было также полезным, подобно делению для прогнозирования безжировой массы тела. В случае всех собак, имеющих массу тела менее, чем 40 фунтов, включенных в регрессионный анализ, и массы, включенной в качестве независимой переменной, наилучшая модель, выведенная для прогнозирования FM, включала BL, HLCFPL, FLCFPW, PC, TC и высоту спереди (FH). Это уравнение дается следующим образом:

(9) FM=(185,29×BL)-(193,5×HLCFPL)-(49,75×FLCFPW)+(79,99×PC)+(162,51×TC)-(49,72×FH)-9129.

Применение этой модели к соответствующей исследуемой популяции точно прогнозировало FM у 100% соответствующей популяции собак (с точностью до ±10% значения DEXA).

В случае всех собак, имеющих массу тела менее, чем 40 фунтов, включенных в регрессионный анализ, и массы, исключенной в качестве независимой переменной, было обнаружено, что уравнение (9) является наилучшей моделью, и обнаружено, что прогнозируемые значения являются такими же.

В случае всех собак, имеющих массу тела, большей, чем 40 фунтов, включенных в регрессионный анализ, и массы, включенной в качестве независимой переменной, наилучшая модель, выведенная для прогнозирования FM, включала BW, HLL, HLCFPL, FLL и CL*HC. Это уравнение приводится следующим образом:

(10) FM=(303,25×BW)-(917,6×HLL)-(339,5×HLCFPL)+(298,28×FLL)-(6,68×(CL×HC))+10067.

Применение этой модели к соответствующей исследуемой популяции точно прогнозировало FM у 100% соответствующей популяции собак (с точностью до ±10% значения DEXA).

Подобным образом в случае всех собак, имеющих массу тела, большей, чем 40 фунтов, включенных в регрессионный анализ, и массы, исключенной в качестве независимой переменной, наилучшая модель, которая была выведена для прогнозирования FM, включала TC, PC, HLL и CW. Это уравнение приводится следующим образом:

(11) FM=(343,17×TC)+(234,01×PC)-(566,6×HLL)+(465,59×CW)-32291.

Применение этой модели к соответствующей исследуемой популяции точно прогнозировало FM у 64% соответствующей популяции собак (с точностью до ±10% значения DEXA).

Процент жира можно вычислить подобным образом. В случае всех собак, включенных в регрессионный анализ, и массы, включенной в качестве независимой переменной, наилучшая модель, которая была выведена для прогнозирования процентного содержания жира (% Жира), включала BL, RH, TC, HLL, CW, FLCFPL и HC. Это уравнение приводится следующим образом:

(12) % Жира=(0,44×BL)+(0,34×RH)+(0,81×TC)-(4,2×HLL)+(0,95×CW)-(0,97×FLCFPL)-(1×HC)+47,87.

Применение этой модели ко всей исследуемой популяции точно прогнозировало % Жира у 89% популяции собак (с точностью до ±10% значения DEXA).

В случае всех собак, включенных в регрессионный анализ, и массы, исключенной в качестве независимой переменной, было обнаружено, что уравнение (12) является наилучшей моделью, и обнаружено, что прогнозируемые значения являются такими же.

Деление собак на две отдельные группы на основании массы тела для прогнозирования процентного содержания жира было также полезным. В случае всех собак, имеющих массу тела менее, чем 40 фунтов, включенных в регрессионный анализ, и массы, включенной в качестве независимой переменной, наилучшая модель, выведенная для прогнозирования % Жира, включала возраст, PC и HW. Это уравнение приводится следующим образом:

(13) % Жира=(1×PC)-(0,89×возраст)-(3,96×HW)+35,81.

Применение этой модели к соответствующей исследуемой популяции точно прогнозировало FM у 79% соответствующей популяции собак (с точностью до ±10% значения DEXA).

В случае всех собак, имеющих массу тела менее, чем 40 фунтов, включенных в регрессионный анализ, и с массой, исключенной в качестве независимой переменной, было обнаружено, что уравнение (13) является наилучшей моделью, и обнаружено, что прогнозируемые значения являются такими же.

В случае всех собак, имеющих массу тела, большую, чем 40 фунтов, включенных в регрессионный анализ, и с массой, включенной в качестве независимой переменной, наилучшая модель, выведенная для прогнозирования % Жира, включала BW, FLL, CL*HC, HLCFPL и HLL. Это уравнение приводится следующим образом:

(14) % Жира=(0,24×BW)+(0,96×FLL)-(0,01×(CL×HC))-(1,27×HLCFPL)-(2,62×HLL)+79,55.

Применение этой модели к соответствующей исследуемой популяции точно прогнозировало FM у 100% соответствующей популяции собак (с точностью до ±10% значения DEXA).

В случае всех собак, имеющих массу тела, большей, чем 40 фунтов, включенных в регрессионный анализ, и с массой, исключенной в качестве независимой переменной, наилучшая модель, выведенная для прогнозирования % Жира, включала PC и HLCFPL. Это уравнение приводится следующим образом:

(15) % Жира=(0,34×PC)-(1,12×HLCFPL)+48,93.

Применение этой модели к соответствующей исследуемой популяции точно прогнозировало FM у 86% соответствующей популяции собак (с точностью до ±10% значения DEXA).

Вторая Модель - Измерение Скелета

Радиографические данные предоставили информацию о размере скелета, которую применяли в регрессионном анализе для прогнозирования безжировой массы тела. Из головного, вентрального/дорсального и латерального радиографических видов было измерены следующее: длина морды, длина черепа, ширина скальпа, длина таза, ширина таза, длина большой берцовой кости, диаметр большой берцовой кости, длина пяточной кости и длина от бугра пяточной кости до дистального конца плюсневых костей. Кроме этих переменных, в регрессионный анализ также были включены следующие переменные: длина черепа × ширина головы, длина таза × ширина таза, длина большой берцовой кости × диаметр большой берцовой кости, площадь большой берцовой кости, окружность большой берцовой кости, объем большой берцовой кости, площадь поверхности большой берцовой кости и общая площадь большой берцовой кости.

В случае всех собак, включенных в регрессионный анализ и массы, включенной в качестве независимой переменной, наилучшая модель, которая получалась для прогноза безжировой массы тела, включала параметры: длину черепа (cranL), длину пяточной кости (calL) и массу тела. Это уравнение приводится следующим образом:

(16) LBM=(165,42×BW)+(2993,72×calL)-(442,01×cranL)-4817,52.

Применение этой модели ко всей исследуемой популяции прогнозировало безжировую массу тела точно у 72% популяции собак (с точностью до ±10% значения DEXA).

В случае всех собак, включенных в регрессионный анализ и массы, исключенной в качестве независимой переменной, наилучшая модель, которая получалась для прогноза безжировой массы тела, включала calL, ширину головы (HW) и площадь большой берцовой кости (TA). Это уравнение приводится следующим образом:

(17) LBM=(3147,14×calL)+(1228,17×HW)+(24,39×TA)-17171,7.

Применение этой модели ко всей исследуемой популяции прогнозировало безжировую массу тела точно только у 47% популяции собак (с точностью до ±10% значения DEXA).

Деление собак на две отдельные группы на основании массы тела для прогнозирования безжировой массы тела было также полезным. В случае всех собак, имеющих массу тела менее, чем 40 фунтов, включенных в регрессионный анализ, и массы, включенной в качестве независимой переменной, наилучшая модель, выведенная для прогнозирования безжировой массы тела, включала cranL, HW, BW, cranL × HW, длину таза × ширину таза (PL×PW) и окружность большой берцовой кости (TC). Это уравнение приводится следующим образом:

(18) LBM=(-3842,51×cranL)-(2737,71×HW)+(85,48×BW)+(422,51×(cranL×HW))+(16,33×(PL×PW))+(77,37×TC)+23948,13.

Применение этой модели к соответствующей исследуемой популяции точно прогнозировало безжировую массу тела у 100% соответствующей популяции собак (с точностью до ±10% значения DEXA).

В случае всех собак, имеющих массу тела менее чем 40 фунтов, включенных в регрессионный анализ, и массы, исключенной в качестве независимой переменной, наилучшая модель, выведенная для прогнозирования безжировой массы тела, включала cranL×HW и calL. Это уравнение приводится следующим образом:

(19) LBM=(50,38×(cranL×HW))+(2874,99×calL)-7205,82.

Применение этой модели к соответствующей исследуемой популяции точно прогнозировало безжировую массу тела у 57% соответствующей популяции собак (с точностью до ±10% значения DEXA).

В случае всех собак, имеющих массу тела, большей, чем 40 фунтов, включенных в регрессионный анализ, и массы, включенной в качестве независимой переменной, наилучшая модель, выведенная для прогнозирования безжировой массы тела, включала cranL, calL и BW. Это уравнение приводится следующим образом:

(20) LBM=(-734,02×cranL)+(3460,67×calL)+(169,43×BW)-4591,56.

Применение этой модели к соответствующей исследуемой популяции точно прогнозировало безжировую массу тела у 86% соответствующей популяции собак (с точностью до ±10% значения DEXA).

В случае всех собак, имеющих массу тела, большей, чем 40 фунтов, включенных в регрессионный анализ, и массы, исключенной в качестве независимой переменной, наилучшая модель, выведенная для прогнозирования безжировой массы тела, включала HW и calL. Это уравнение приводится следующим образом:

(21) LBM=(1513,35×HW)+(4790,33×calL)-23102,8.

Применение этой модели к соответствующей исследуемой популяции точно прогнозировало безжировую массу тела у 73% соответствующей популяции собак (с точностью до ±10% значения DEXA).

Особенно в описанном выше образе действий наилучшее уравнение для прогнозирования безжировой массы тела, применяющее данные размеров скелета и массу тела, привело к r², равному 0,99, и предсказуемости (±10%), равной 100%, для собак с массой тела, меньшей или равной 40 фунтам, применяя 8 переменных. Эти 8 переменных представляли собой длину черепа, ширину головы, массу тела, длину черепа*ширину головы, длину таза*ширину таза и окружность большой берцовой кости. Наилучшее уравнение для прогнозирования безжировой массы тела, применяющее данные размеров скелета и массу тела, привело к r², равному 0,99, и предсказуемости (±10%), равной 86%, для собак с массой тела, большей, чем 40 фунтов, применяя 3 переменные, а именно длину черепа, длину пяточной кости и массу тела.

Подобным образом, наилучшее уравнение для прогнозирования безжировой массы тела, применяющее данные размеров тела, массы тела и возраст, привело к r², равному 0,99, и предсказуемости (±10%), равной 100%, для собак с массой тела, меньшей или равной 40 фунтам, применяя 8 переменных. Эти 8 переменных включали длину задней ноги, ширину пяточной кости, ширину центральной подушечки стопы задней ноги, длину передней ноги, длину черепа*окружность головы, массу тела и возраст. Наилучшее уравнение для прогнозирования безжировой массы тела, применяющее данные размеров тела, массу тела и возраст, привело к r², равному 0,99, и предсказуемости (±10%), равной 100%, для собак с массой тела, большей, чем 40 фунтов, применяя 7 переменных, а именно длину задней ноги, длину центральной подушечки стопы задней ноги, длину передней ноги, длину черепа, длину черепа*окружность головы, массу тела и возраст.

Подобным образом, наилучшее уравнение для прогнозирования массы жира, привело к r², равному 0,99, и предсказуемости (±10%), равной 100%, для собак с массой тела, меньшей или равной 40 фунтам, применяя длину тела, высоту спереди, окружность груди, окружность таза, длину центральной подушечки стопы задней ноги и ширину центральной подушечки стопы передней ноги. Наилучшее уравнение для прогнозирования массы жира привело к r², равному 0,99, и предсказуемости (±10%), равной 100%, для собак с массой тела, большей, чем 40 фунтов, применяя длину задней ноги, длину центральной подушечки стопы задней ноги, длину передней ноги, длину черепа*окружность головы и массу тела.

Доказано, что результаты этого исследования являются замечательными. Во-первых, оно определило, что существует корреляция между физически измеряемыми показателями и процентом телесного жира у уже тучных собак. Это дает возможность исследованию сделать вывод, что множественный регрессионный анализ можно применить к конкретным категориям животных, для определения которых клинически измеряемые показатели наиболее сильно сопоставляются с точным прогнозом массы жира или безжировой массы тела. В сущности, этот тип анализа дает практикующему специалисту в области ветеринарии практический, но еще эффективный инструмент для информации о точном режиме питания и здоровой диете для животного.

Пример 2

Оценивали тридцать семь взрослых кошек со структурой тела, колеблющейся от избыточной массы до болезненно тучных. Проводились следующие измерения и процедуры: масса тела, пальпационная и визуальная оценка, цифровые фотографии (спереди, сзади, сбоку и сверху), измерения размера тела и формы, рентгенограммы (голова, грудь и таз) и DEXA.

Посредством DEXA определяли безжировую массу тела, массу жира и процентное содержание жира. Эти данные применяли для оценки других способов посредством предоставления зависимых переменных для прогноза структуры тела (безжировая масса тела, масса жира и процентное содержание жира) посредством применения независимых переменных, полученных из морфометрических измерений, измерений скелета, массы тела, возраста, пола и состояния кастрации. Таким образом, выводили уравнения для прогноза безжировой массы тела, массы жира и процент жира. Применяли две отдельные модели. Первую модель выводили из регрессионного анализа, применяя морфометрические измерения. Вторую модель выводили из регрессионного анализа, применяя измерения скелета.

Первая Модель: Морфометрические измерения

В регрессионном анализе для прогноза состава тела применяли размер и форму тела (морфометрические измерения). Переменные, применяемые в анализе, включали длину тела, высоту спереди, высоту сзади, окружность груди, окружность таза, длину передней ноги, длину задней ноги, длину центральной подушечки стопы, ширину центральной подушечки стопы, ширину пяточной кости, ширину головы, окружность головы, длину морды и длину черепа. Другими переменными, включенные в регрессионный анализ, являлись возраст, пол и состояние кастрации.

Применяли ступенчатый множественный регрессионный анализ, для определения которого морфометрические переменные предоставляли наилучшую оценку безжировой массы тела, массы жира и процентного содержания телесного жира посредством DEXA.

В случае всех кошек, включенных в регрессионный анализ, наилучшая модель, которая была выбрана для прогноза безжировой массы тела, включала следующие параметры: окружность головы (HC), длину передней ноги (FLL), окружность передней ноги (FLC) и ширину центральной подушечки стопы задней ноги (HLCFPW). В этом уравнении безжировая масса тела представлена как LBM:

(22) LBM=(-5270)+(147×HC)+(248×FLL)+(317×FLC)-(103×HLCFPW).

Массу жира можно вычислить таким же образом. В случае всех кошек, включенных в регрессионный анализ, и массы, включенной в качестве независимой переменной, наилучшая модель, которая была выбрана для прогноза массы жира (FM), включала массу тела (BW), окружность головы (HC), длину задней ноги (HLL) и окружность передней ноги (FLC). Это уравнение приводится следующим образом:

(23) FM=(4910)+(438×BW)-(149×HC)-(296×HLL)-(206×FLC).

Вторая Модель - Измерение Скелета

Радиографические данные предоставили информацию о размере скелета, которую применяли в регрессионном анализе для прогнозирования безжировой массы тела. Из головного, вентрального/дорсального и латерального видов было измерены следующее: длина скальпа, ширина скальпа, длина головы, ширина головы, длина от подвздошного выступа до каудального края седалищной кости, ширину от правого до левого седалищного бугорка, длина большой берцовой кости, диаметр большой берцовой кости, длина пяточной кости и длина от бугра пяточной кости до дистального конца плюсневых костей.

В случае всех кошек, включенных в регрессионный анализ, и массы, включенной в качестве независимой переменной, наилучшая модель, которая была выбрана для прогноза безжировой массы тела, включала параметры: пол (G), ширину головы (HW), длину таза (PL), длину пяточной кости (calL) и длину бугра пяточной кости (calTL). Это уравнение приводится следующим образом:

(24) LBM=-4630+301×G+358×HW+355×PL-2240×calL+871×calTL.