0
La industria porcina es una parte esencial del sistema alimentario mundial, ya que proporciona una importante fuente de proteínas para la población de todo el mundo. Uno de los principales factores que limitan la productividad y comprometen el bienestar animal en la industria porcina son los brotes de enfermedades en cerdos a lo largo de todo el proceso productivo: los brotes generalizados pueden provocar pérdidas de hasta el 10% de la cabaña porcina estadounidense en años extremos. En este estudio, se presenta un modelo de aprendizaje automático para predecir diariamente la aparición de infecciones en los sistemas de producción porcina a lo largo del proceso productivo, un posible precursor de brotes cuya detección es vital para la prevención y mitigación de enfermedades.
Métodos: Se determinaron las características que aportan más valor a la hora de predecir infecciones, entre las que se incluyen la densidad de granjas cercanas, los índices históricos de pruebas, el inventario de lechones, el consumo de pienso durante el periodo de gestación y la velocidad y dirección del viento. Se utilizaron estas características para producir un modelo de aprendizaje automático generalizable, se valoró la capacidad del modelo para predecir brotes tanto con siete como con 30 días de antelación, lo que permite una alerta temprana de infección de la enfermedad, y se evaluó este modelo en dos sistemas de producción porcina. Se analizaron los efectos de la disponibilidad de datos y la granularidad de los datos en el contexto de estos dos sistemas porcinos con diferentes volúmenes de datos.
Resultados: Los resultados demuestran una buena capacidad para predecir infecciones en ambos sistemas, con una precisión equilibrada del 85,3% para cualquier enfermedad en el primer sistema y precisiones equilibradas (precisión de predicción media en muestras positivas y negativas) del 58,5%, 58,7%, 72,8% y 74,8% para el síndrome reproductivo y respiratorio porcino, el virus de la diarrea epidémica porcina, el virus de la gripe A y Mycoplasma hyopneumoniae en el segundo sistema, respectivamente, utilizando los seis predictores más importantes en todos los casos.
Conclusión: Estos modelos proporcionan probabilidades de infección diarias que los veterinarios y otras partes interesadas pueden utilizar como referencia para respaldar de manera más oportuna las estrategias preventivas y de control en las granjas.
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