机器学习建模用于预测牛群中传染性流产和围产死亡的原因
G Villa-Cox1, H Van Loo2, S Speelman3
1ESPOL Polytechnic University, Escuela Superior Politécnica del Litoral, ESPOL, Facultad de Ciencias Sociales y Humanísticas, Campus Gustavo Galindo Km, 30.5 Vía Perimteral, P.O. Box 09-01-5863, Guayaquil, Ecuador; ESPOL Polytechnic University, Escuela Superior Politécnica del Litoral, ESPOL, Centro de Investigaciones Rurales, Campus Gustavo Galindo Km, 30.5 Vía Perimteral, P.O. Box 09-01-5863, Guayaquil, Ecuador; Department of Agricultural Economics, Faculty of Bioscience Engineering, Ghent University, Coupure Links 653, 9000, Ghent, Belgium.
这项研究开发了一种机器学习模型,通过分析母体和环境因素来预测牛的流产和围产死亡率 (APM). 该模型有助于为兽医实验室创建更具成本效益,更有针对性的诊断方法.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 机器学习 机器学习
- 流行病学 流行病学
背景情况:
- 牛流产和围产死亡 (APM) 有许多原因,但诊断实验室经常使用有限的面板,因为成本和动物性疾病的担忧.
- 针对APM的有针对性的诊断方法可以通过专注于与母体和环境因素相关的病原体患病率来提高成本效益.
研究的目的:
- 实施机器学习管道 (MLP) 以预测与传染性牛APM相关的母体和环境因素.
- 确定关键预测因子及其在APM病例中的重要性,以便制定更为定制的诊断策略.
主要方法:
- 一项回顾性观察性研究,使用了1590例确诊的牛APM病例数据集.
- 使用一个贪的整体机器学习方法,采用四个模型的标准调网格.
- 该MLP分析了一组广泛的堕胎病原体,并将它们与母体和环境数据相关联.
主要成果:
- 该MLP成功地预测了生产类型,孕期长度和APM的季节,准确度为63-73%.
- 确定了APM的关键预测变量,包括肉牛的季节 (春季/夏季) (24%的重要性).
- 最后三个月的Trueperella pyogenes (22%) 和Neospora caninum (17%) 是显著的预测因素;群体大小 (12%) 对多母来说很重要.
结论:
- 开发的MLP可以确定与牛APM相关的重要的母性和环境因素.
- 实施这一MLP可以为兽医实验室带来更具成本效益和特定病例的诊断策略.
- 这种方法提高了诊断牛堕胎和围产死亡的传染病原因的效率.
更多相关视频
08:50A Murine Model of Fetal Exposure to Maternal Inflammation to Study the Effects of Acute Chorioamnionitis on Newborn Intestinal Development
Published on: June 24, 2020
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
