EE.UU. - PRRS: Algoritmos para mejora la bioseguridad

"Algoritmos de aprendizaje automático para identificar las prácticas clave de bioseguridad y los factores asociados con los hatos reproductores que notifican un brote de PRRS", es el título de la investigación desarrollada por Gustavo Silva; Kimberlee L. Baker; Derald Holtkamp y Daniel C.L.Linhares (Departamento de Medicina de Animales de Producción y Diagnóstico Veterinario, Facultad de Medicina Veterinaria, Universidad Estatal de Iowa); y Gustavo Machado (Departamento de Salud de la Población y Patobiología, Universidad Estatal de Carolina del Norte, Facultad de Medicina Veterinaria, Raleigh, Carolina del Norte).

Los autores señalan que el objetivo de este estudio fue evaluar el uso de algoritmos de aprendizaje automático (ML por “Machine-learning”) para identificar las prácticas clave de bioseguridad y los factores asociados con los rebaños reproductores que reportaron un brote de PRRS y los que no en los últimos 5 años. Los productores realizan inversiones en prácticas de bioseguridad para reducir la probabilidad de introducir patógenos como el virus del síndrome respiratorio y reproductivo porcino (PRRSv). La evaluación de las prácticas de bioseguridad en los rebaños reproductores se suele realizar mediante encuestas.

"Además, exploramos el uso del valor predictivo positivo (PPV por “positive predictive value”) de estos modelos como indicador de riesgo de introducción de PRRSv comparando el PPV y la frecuencia de brotes de PRRS informados por los rebaños en los últimos 5 años. Se utilizaron datos de un estudio de casos y controles que evaluó las prácticas y factores de bioseguridad mediante una encuesta en 84 hatos reproductores en EE. UU. de 14 sistemas de producción. Se desarrollaron dos métodos, el método A identificó 20 variables y clasificó con precisión las granjas que habían informado de un brote de PRRS en los 5 años anteriores el 76% de las veces. El método B identificó seis variables, de las cuales 5 ya habían sido seleccionadas por el modelo A, aunque el modelo B superó al modelo anterior con una precisión del 80%. Las variables seleccionadas se relacionaron con la frecuencia de eventos de riesgo en la granja, la densidad de cerdos alrededor de la granja, las características de la granja y las conexiones operativas con otras granjas. Los PPVs para los métodos A y B estaban altamente correlacionados con la frecuencia de brotes de PRRSv informados por las granjas en los últimos 5 años (Pearson r = 0,71 y 0,77, respectivamente)" señalan los investigadores y concluyen en el resumen de su trabajo que "Nuestra metodología propuesta tiene el potencial de facilitar las decisiones de los productores y veterinarios mientras mejora la bioseguridad, comparando prácticas y factores clave de bioseguridad, identificando sitios con un riesgo relativamente mayor de introducción de PRRSv para gestionar mejor el riesgo de introducción de patógenos".

En engormix.com cuando se publicó y divulgo la información (EE.UU. - Crean sistema de puntaje sobre Bioseguridad ante PRRS) se generó un excelente foro de discusión técnica donde participaron el Dr. Arnaldo Ambrogi (Universidad Nacional de Rio Cuarto - Argentina) y Cristina Escudero Moreno (Técnico veterinario en PigCHAMP Pro Europa, S.L)

El resumen en inglés de Machine-learning algorithms to identify key biosecurity practices and factors associated with breeding herds reporting PRRS outbreak las publicaciones puede leerse en ResearchGate y en ScienceDirect