Abstract Companion animals are susceptible to SARS-CoV-2 infection and sporadic cases of pet infections have occurred in the United Kingdom. Here we present the first large-scale serological survey of SARS-CoV-2 neutralising antibodies in dogs and cats in the UK. Results are reported for 688 sera (454 canine, 234 feline) collected by a large veterinary diagnostic laboratory for routine haematology during three time periods; pre-COVID-19 (January 2020), during the first wave of UK human infections (April-May 2020) and during the second wave of UK human infections (September 2020-February 2021). Both pre-COVID-19 sera and those from the first wave tested negative. However, in sera collected during the second wave, 1.4% (n=4) of dogs and 2.2% (n=2) cats tested positive for neutralising antibodies. The low numbers of animals testing positive suggests pet animals are unlikely to be a major reservoir for human infection in the UK. However, continued surveillance of in-contact susceptible animals should be performed as part of ongoing population health surveillance initiatives.

Abstract As interest in using machine learning models to support clinical decision-making increases, explainability is an unequivocal priority for clinicians, researchers and regulators to comprehend and trust their results. With many clinical datasets containing a range of modalities, from the free-text of clinician notes to structured tabular data entries, there is a need for frameworks capable of providing comprehensive explanation values across diverse modalities. Here, we present a multimodal masking framework to extend the reach of SHapley Additive exPlanations (SHAP) to text and tabular datasets to identify risk factors for companion animal mortality in first-opinion veterinary electronic health records (EHRs) from across the United Kingdom. The framework is designed to treat each modality consistently, ensuring uniform and consistent treatment of features and thereby fostering predictability in unimodal and multimodal contexts. We present five multimodality approaches, with the best-performing method utilising PetBERT, a language model pre-trained on a veterinary dataset. Utilising our framework, we shed light for the first time on the reasons each model makes its decision and identify the inclination of PetBERT towards a more pronounced engagement with free-text narratives compared to BERT-base’s predominant emphasis on tabular data. The investigation also explores the important features on a more granular level, identifying distinct words and phrases that substantially influenced an animal’s life status prediction. PetBERT showcased a heightened ability to grasp phrases associated with veterinary clinical nomenclature, signalling the productivity of additional pre-training of language models.

Abstract Monitoring mortality rates offers crucial insights into public health by uncovering the hidden impacts of diseases, identifying emerging trends, optimising resource allocation, and informing effective policy decisions. Here, we present a novel approach to analysing premature mortality in companion animals, utilising data from 28,159 deceased dogs and 24,006 deceased cats across the United Kingdom. By employing PetBERT-ICD, an automated large language model (LLM) based International Classification of Disease 11 syndromic classifier, we reveal critical insights into the causes and patterns of premature deaths. Our findings highlight the significant impact of behavioural conditions on premature euthanasia in dogs, particularly in ages one to six. We also identify a 19% increased risk of premature mortality in brachycephalic dog breeds, raising important animal welfare concerns. Our research establishes a strong correlation between socioeconomic status and premature mortality in cats and dogs. Areas with the lowest Index of Multiple Deprivation (IMD) scores show nearly a 50% reduction in the risk of premature mortality across cats and dogs, underscoring the powerful impact that socioeconomic factors can have on pet health and longevity. This research underscores the necessity of examining the socioeconomic disparities affecting animal health outcomes. By addressing these inequities, we can better safeguard the well-being of our companion animals.