Forskere opretter algoritme til at forudsige PEDV -udbrud

Forskere fra North Carolina State University har udviklet en algoritme, der kan give svinefarmene på forhånd besked om udbrud af svinepidemisk diarrévirus (PEDV). Proof-of-concept algoritmen har potentiale til brug i realtid forudsigelse af andre sygdomsudbrud hos maddyr.

PEDV er en virus, der forårsager høje dødeligheder hos forvarmede smågrise. Virussen opstod i USA i 2013 og havde i 2014 inficeret cirka 50 procent af avlsbesætninger. PEDV overføres ved kontakt med kontamineret fækalt materiale.

Gustavo Machado, adjunkt i befolkningssundhed og patobiologi ved NC State og tilsvarende forfatter til et papir, der beskriver arbejdet, udviklet en pipeline ved hjælp af maskinlæringsteknikker til at oprette en algoritme, der er i stand til at forudsige PEDV-udbrud i rum og tid.

Machado, med kolleger fra University of Minnesota og Brasiliens Universidade Federal do Rio Grande do Sul, brugte ugentlige data om incidens på gårdsniveau fra sobrug til at oprette modellen. Dataene omfattede alle typer af svinebevægelser, svinetæthed, og miljø- og vejrfaktorer såsom vegetation, vindhastighed, temperatur og nedbør.

Forskerne kiggede på "kvarterer", der blev defineret som en radius på 10 kilometer omkring so-gårde. De fodrede modeloplysningerne om udbrud, dyrs bevægelser ind i hvert kvarter og miljøegenskaberne inden for hvert kvarter. Ultimativt, deres model var i stand til at forudsige PEDV -udbrud med cirka 80 procent nøjagtighed.

Den vigtigste risikofaktor for at forudsige PEDV -spredning var svinebevægelse til og gennem 10 km -kvarteret, selvom kvartermiljøet - herunder hældning og vegetation - også påvirkede risikoen.

"Denne proof-of-concept-model identificerede PEDV-flaskehalsen i North Carolina og gav os mulighed for at rangere infektionsrisikofaktorer i rækkefølge efter betydning, "Siger Machado." Efterhånden som vi får flere data fra andre gårdsteder i hele USA, vi forventer, at modellens nøjagtighed stiger. Vores slutmål er at have risikoforudsigelser nær realtid, så landmænd og dyrlæger kan yde forebyggende pleje til områder med høj risiko og træffe beslutninger baseret på data. "

Næste trin for forskerne omfatter forbedring af modellen til at forudsige en bredere vifte af sygdomme og udvide den til at omfatte andre industrier, såsom fjerkræ.

Værket vises i Videnskabelige rapporter .