0
Il settore dei suini è una parte essenziale del sistema alimentare globale, poiché fornisce un’importante fonte di proteine per le persone di tutto il mondo. Uno dei principali fattori che limitano la produttività e compromettono il benessere degli animali nel settore dei suini sono le epidemie che colpiscono i suini durante l’intero processo produttivo: epidemie diffuse possono causare perdite fino al 10% della popolazione suina negli Stati Uniti in anni estremi. In questo studio viene presentato un Modello di Apprendimento Automatico per prevedere quotidianamente il verificarsi di infezioni nei sistemi di produzione suina durante tutto il processo produttivo, un possibile precursore di epidemie il cui rilevamento è vitale per la prevenzione e la mitigazione delle malattie.
Metodi: Sono state determinate le caratteristiche che forniscono il massimo valore nella previsione delle infezioni, tra cui la densità degli allevamenti vicini, valutazioni dei test storici, l'inventario dei suinetti, il consumo di mangime durante il periodo di gestazione e la velocità e la direzione del vento. Queste caratteristiche sono state utilizzate per produrre un modello generalizzabile di apprendimento automatico, è stata valutata la capacità del modello di prevedere le epidemie sia con 7 che 30 giorni di anticipo, consentendo un allarme precoce dell'infezione della malattia, e questo modello è stato valutato in due sistemi di produzione di suini. Gli effetti della disponibilità e della granularità dei dati (data granularity) sono stati analizzati nel contesto di questi due sistemi suini con volumi di dati diversi.
Risultati: I risultati dimostrano una buona capacità di predire le infezioni in entrambi i sistemi, con un'accuratezza bilanciata dell'85,3% per qualsiasi malattia nel primo sistema e accuratezze bilanciate (accuratezza media della previsione nei campioni positivi e negativi) del 58,5%, 58,7%, 72,8 % e 74,8% per la sindrome riproduttiva e respiratoria suina-PRRS, il virus della diarrea epidemica suina-PED, il virus dell'influenza A e il Mycoplasma hyopneumoniae nel secondo sistema, rispettivamente, utilizzando i sei principali predittori importanti in tutti i casi.
Conclusione: Questi modelli forniscono probabilità di infezione giornaliera che i veterinari e le altre parti interessate possono utilizzare come riferimento per supportare in modo più tempestivo le strategie di prevenzione e controllo negli allevamenti.
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
