0
Przemysł wieprzowy jest istotną częścią globalnego systemu żywnościowego, zapewniając znaczące źródło białka dla ludzi na całym świecie. Głównym czynnikiem ograniczającym produktywność i zagrażającym dobrostanowi zwierząt w przemyśle wieprzowym są epidemie chorób u świń w całym procesie produkcyjnym: powszechne epidemie mogą prowadzić do strat sięgających nawet 10% populacji świń w USA w ekstremalnych latach. W tym badaniu przedstawiamy model uczenia maszynowego do codziennego przewidywania pojawienia się infekcji w systemach produkcji trzody chlewnej w całym procesie produkcyjnym, co może być potencjalnym prekursorem epidemii, których wykrywanie ma kluczowe znaczenie dla zapobiegania chorobom i ich ograniczania.
Metody: Określamy cechy, które zapewniają największą wartość w przewidywaniu infekcji, w tym zagęszczenie gospodarstw w pobliżu, historyczne wskaźniki badań, pogłowie prosiąt, spożycie paszy w okresie ciąży oraz prędkość i kierunek wiatru. Wykorzystujemy te cechy do stworzenia uogólnionego modelu uczenia maszynowego, oceniamy zdolność modelu do przewidywania ognisk zarówno z siedmiodniowym, jak i 30-dniowym wyprzedzeniem, co pozwala na wczesne ostrzeganie o infekcji chorobowej, a także oceniamy nasz model w dwóch systemach produkcji trzody chlewnej i analizujemy wpływ dostępności danych i szczegółowości danych w kontekście naszych dwóch systemów trzody chlewnej z różnymi ilościami danych.
Wyniki: Nasze wyniki wykazują dobrą zdolność do przewidywania infekcji w obu systemach ze zbalansowaną dokładnością 85,3% dla każdej choroby w pierwszym systemie i zbalansowaną dokładnością (średnia dokładność przewidywania dla próbek dodatkowych i ujemnych) wynoszącą 58,5%, 58,7%, 72,8% i 74,8% dla zespołu rozrodczo-oddechowego świń, wirusa epidemicznej biegunki świń, wirusa grypy A i Mycoplasma hyopneumoniae w drugim systemie, odpowiednio, przy użyciu sześciu najważniejszych predyktorów we wszystkich przypadkach.
Wnioski: Modele te zapewniają dzienne prawdopodobieństwa infekcji, które mogą być wykorzystywane przez lekarzy weterynarii i inne zainteresowane strony jako punkt odniesienia do bardziej terminowego wspierania strategii zapobiegawczych i kontrolnych w gospodarstwach.
Halev A, Martínez-López B, Clavijo M, et al. Infection prediction in swine populations with machine learning. Scientific Reports. 2023; 13: 17738. https://doi.org/10.1038/s41598-023-43472-5