Onderzoekers van de North Carolina State University hebben een algoritme ontwikkeld dat varkenshouderijen van tevoren op de hoogte kan stellen van uitbraken van het varkensepidemie-diarreevirus (PEDV). Het proof-of-concept-algoritme heeft potentieel voor gebruik in realtime voorspelling van andere ziekte-uitbraken bij voedseldieren.

PEDV is een virus dat hoge sterftecijfers veroorzaakt bij voorgespeende biggen. Het virus dook in 2013 op in de VS en had in 2014 ongeveer 50 procent van de fokkuddes besmet. PEDV wordt overgedragen door contact met besmette ontlasting.

Gustavo Machado, assistent-professor bevolkingsgezondheid en pathobiologie bij NC State en corresponderende auteur van een paper waarin het werk wordt beschreven, ontwikkelde een pijplijn met behulp van machine learning-technieken om een ​​algoritme te creëren dat in staat is om PEDV-uitbraken in ruimte en tijd te voorspellen.

Machado, met collega's van de Universiteit van Minnesota en de Braziliaanse Universidade Federal do Rio Grande do Sul, gebruikte wekelijkse incidentiegegevens op bedrijfsniveau van zeugenbedrijven om het model te maken. De gegevens omvatten alle soorten verplaatsingen van varkens, varkensdichtheid, en omgevings- en weersfactoren zoals vegetatie, windsnelheid, temperatuur en neerslag.

De onderzoekers keken naar "buurten" die werden gedefinieerd als een straal van 10 kilometer rond zeugenbedrijven. Ze gaven de modelinformatie over uitbraken, verplaatsingen van dieren naar elke buurt en de omgevingskenmerken binnen elke buurt. uiteindelijk, hun model was in staat om PEDV-uitbraken te voorspellen met een nauwkeurigheid van ongeveer 80 procent.

De belangrijkste risicofactor voor het voorspellen van PEDV-verspreiding was de verplaatsing van varkens in en door de 10 km-buurt, hoewel de omgeving, inclusief hellingen en vegetatie, ook het risico beïnvloedde.

"Dit proof-of-concept-model identificeerde het PEDV-verspreidingsprobleem in North Carolina en stelde ons in staat om infectierisicofactoren te rangschikken in volgorde van belangrijkheid, " zegt Machado. "Naarmate we meer gegevens krijgen van andere boerderijsites in de VS, we verwachten dat de nauwkeurigheid van het model zal toenemen. Ons einddoel is om bijna realtime risicovoorspellingen te hebben, zodat boeren en dierenartsen preventieve zorg kunnen bieden aan gebieden met een hoog risico en beslissingen kunnen nemen op basis van gegevens."

De volgende stappen voor de onderzoekers zijn onder meer het verbeteren van het model om een ​​breder scala aan ziekten te voorspellen en het uitbreiden naar andere industrieën, zoals pluimvee.

Het werk verschijnt in Wetenschappelijke rapporten .