机器学习模型与基于规则的传统选择性干牛治疗算法进行比较,用于检测乳内感染
S M Rowe1, E Zhang2, S M Godden3
1Sydney School of Veterinary Science, The University of Sydney, Camden, New South Wales 2570, Australia.
Journal of dairy science
|September 29, 2024
概括
机器学习模型用于在奶牛中识别乳腺内感染 (IMI) 显示,与当前基于规则的方法相比,只有微小的改进. 目前的证据不支持选择性干牛治疗的ML的广泛采用; 仍然建议基于规则的方法.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 动物科学动物科学
- 数据科学数据科学数据科学
背景情况:
- 乳腺内感染 (IMI) 是乳牛的一个重大问题,影响牛奶生产和动物福利.
- 选择性干牛疗法 (SDCT) 旨在通过向干燥时IMI的奶牛来优化抗生素的使用.
- 目前的SDCT策略通常依赖于基于规则的算法进行风险评估.
研究的目的:
- 评估机器学习 (ML) 模型在干燥时在晚期哺乳期奶牛中识别IMI的性能.
- 将ML模型的准确性与指导抗生素治疗的传统基于规则的算法进行比较.
- 确定ML是否为实施算法引导的SDCT提供了有价值的替代方案.
主要方法:
- 一项观察性研究涉及来自68个美国奶牛群的3645头奶牛,它们接近干燥期.
- 牛的IMI通过有氧培养和牛奶样本的MALDI-TOF识别来确定.
- 机器学习算法 (逻辑回归,随机森林等) 使用53只牛和39只群体级特征进行训练,与基于规则的算法 (高SCC或临床乳腺炎) 相比.
主要成果:
- 在所有IMI结果中,与基于规则的算法相比,ML模型显示曲线下的面积 (AUC) 和Youden指数值略高.
- 通过ML模型观察到的预测准确度的改进不足以证明其作为优质替代品的采用是合理的.
- 对于ML和基于规则的方法,分析了灵敏度,特异性和预测值.
结论:
- 当前的ML模型并没有在基于规则的算法上提供足够的准确性改进,用于在干燥时识别IMI.
- 目前没有足够的证据来建议广泛实施ML引导的选择性干牛治疗.
- 对算法引导的SDCT感兴趣的生产者建议继续使用基于规则的方法.
