Australia Danai Timor Leste dan Papua Nugini dalam Pertempuran Melawan ASF

Pekerjaan ini didanai oleh Pusat Informasi Kesehatan Babi dan Institut Pangan dan Pertanian Nasional USDA.

“Selama bertahun-tahun, perusahaan produksi telah melaporkan status infeksi peternakan babi mereka ke MSHMP. Jadi sekarang kami memiliki kumpulan data luar biasa yang menunjukkan apakah peternakan tertentu terinfeksi virus diare epidemi babi (PED) dalam minggu tertentu.

Kami menggabungkan data ini dengan data pergerakan hewan, baik ke peternakan babi maupun ke peternakan tetangga, untuk membangun algoritme pembelajaran mesin prediktif yang benar-benar memperkirakan kapan dan di mana kami memperkirakan kemungkinan besar wabah PED,” VanderWaal dikatakan.

Kesiapan yang lebih baik

Tujuan keseluruhan dari model ini adalah untuk dapat memproyeksikan kemungkinan bahwa peternakan babi akan putus dengan PED 2 minggu ke depan, jelasnya.

“Kami memperkirakan ini dalam dua cara berbeda. Kami memberikan dikotomi ya, itu akan putus, atau tidak, tidak, ”katanya.

“Kami juga memberikan probabilitas terus-menerus, mulai dari nol - peternakan Anda mungkin cukup aman hingga satu, yang berbahaya."

“Faktor risiko dapat berubah seiring waktu, terutama ketika Anda berbicara tentang hal-hal seperti pergerakan hewan,” tambahnya.

“Kami mencoba memperhitungkan perubahan itu, serta perubahan dalam distribusi spasial penyakit di peternakan lain sepanjang waktu.”

Tujuan dari proyek ini adalah untuk mendapatkan gambaran yang lebih baik tentang risiko saat ini untuk peternakan tertentu berdasarkan pergerakan hewan dan lanskap epidemiologi saat ini, kata VanderWaal.

“Kami berharap ini akan memungkinkan produsen untuk membuat keputusan berdasarkan data yang lebih baik tentang intervensi atau langkah-langkah mitigasi di pertanian mereka,” katanya.

Potongan teka-teki lainnya

Model membantu menentukan peringkat faktor risiko yang berbeda dalam hal memprediksi apakah wabah akan terjadi atau tidak, catat VanderWaal.

“Kami memasukkan sekitar 20 variabel berbeda ke dalam model, dan kami membiarkan algoritme pembelajaran mesin mengurutkan variabel tersebut dan menemukan variabel yang paling relevan untuk prediksi,” katanya.

“[Informasi] itu juga memberi tahu kita banyak tentang epidemiologi penyakit dan faktor-faktor apa yang penting untuk mempengaruhi penularan penyakit antar-peternakan.”