Providing probability distributions for the causal pathogen of clinical mastitis using naive Bayesian networks
Notice bibliographique
Résumé
Clinical mastitis (CM) can be caused by a wide variety of pathogens and farmers must start treatment before the actual causal pathogen is known. By providing a probability distribution for the causal pathogen, naive Bayesian networks (NBN) can serve as a management tool for farmers to decide which treatment to use. The advantage of providing a probability distribution for the causal pathogen, rather than only providing the most likely causal pathogen, is that the uncertainty involved is visible and a more informed treatment decision can be made. The objective of this study was to illustrate provision of probability distributions for the gram status and for the causal pathogen for CM cases. For constructing the NBN, data were used from 274 Dutch dairy herds in which the occurrence of CM was recorded over an 18-mo period. The data set contained information on 3,833 CM cases. Two-thirds of the data set was used for the construction process and one-third was retained for validation. One NBN was constructed with the CM cases classified according to their gram status, and another was built with the CM cases classified into streptococci, Staphylococcus aureus, or Escherichia coli. Information usually available at a dairy farm was included in both NBN (parity, month in lactation, season of the year, quarter position, SCC and CM history, being sick or not, and color and texture of the milk). Accuracy was calculated to obtain insight in the quality of the constructed NBN. The accuracy of classifying CM cases into gram-positive or gram-negative pathogens was 73%, while the accuracy of classifying CM cases into streptococci, Staph. aureus, or E. coli was 52%. Because only CM cases with a high probability for a single causal pathogen will be considered for pathogen-specific treatment, accuracies based on only classifying CM cases above a particular probability threshold were determined. For instance, for CM cases in which either gram-negative or gram-positive had a probability >0.90, classification according to the gram status reached an accuracy of 97%. We found that the greater the probability for a particular pathogen was for a CM case, the more accurate was the classification of this case as being caused by this pathogen. The probability distributions provided by the NBN and the associated accuracies for varying classification thresholds provide the farmer with considerable insight about the most likely causal pathogen for a CM case and the uncertainty involved.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».