0
Gli allevatori investono in biosicurezza per ridurre la probabilità di introduzione di malattie come la PRRS. La valutazione dei protocolli di biosicurezza nelle scrofaie è normalmente fatto in base a questionari.
L'obiettivo di questo studio è stato quello di valutare l'uso di dispositivi meccanici ad autoapprendimento che creano algoritmi(ML machine-learning) che identificano le pratiche più efficaci ed i fattori associati ad episodi (o no) di PRRS negli ultimi 5 anni.
Inoltre abbiamo esplorato l'uso dei valori di predizione positiva (PPV positive predictive value) di questi modelli come indicatore del rischio per l'introduzione del PRRv confrontando il PPV e la frequenza delle "rotture" riportate dagli allevamenti nel periodo di 5 anni. Dati di un episodio controllo è stato valutato utilizzando i protocolli di biosicurezza ed i fattori di rischio tramite un questionario su 84 allevamenti americani appartenenti a 14 filiere produttive.
2 metodi sono stati sviluppati: metodo A con identificazione di 20 variabili e la classificazione accurata degli allevamenti che hanno riportato episodi di PRRS negli 5 anni precedenti per il 76% del tempo; metodo B con identificazione di 6 variabili delle quali 5 erano già state selezionate dal modello A, nonostante il modello B abbia superato il modello precedente in precisione dell' 80%.
Le variabili selezionate erano correlate con la frequenza dei fattori di rischio in allevamento, la densità suinicola attorno all'allevamento, le caratteristiche dell'allevamento e la rete di connessione tra allevamenti. I metodi PPV A e B erano altamente associati alla frequenza degli episodi di PRRS riportati dagli allevamenti negli ultimi 5 anni (Pearson r = 0.71 e 0.77, rispettivamente).
La nostra proposta metodologica è potenzialmente utile per veterinari ed allevatori nella presa di decisioni, allo stesso tempo migliora la biosicurezza, i fattori di rischio ed i protocolli attraverso l'identificazione dei siti con rischio relativo elevato per l'introduzione del virus, portando ad una migliore gestione del rischio di entrata di patogeni.
Silva GS, Machado G, Baker KL, Holtkamp DJ, Linhares DCL. Machine-learning algorithms to identify key biosecurity practices and factors associated with breeding herds reporting PRRS outbreak. Prev Vet Med. 2019 Aug. https://doi.org/10.1016/j.prevetmed.2019.104749
