Modelling contamination of trucks used in the shipment of pigs infected with porcine reproductive and respiratory syndrome virus
Notice bibliographique
Résumé
Objectives: To quantify the likelihood that a shared truck used to ship pigs will be contaminated with porcine reproductive and respiratory syndrome (PRRS) virus at the end of a given day, and to evaluate the efficacy of cleaning and washing protocols for trucks, using a Bayesian approach. Materials and methods: PRRS virus-infected farms, from which trucks had shipped pigs, were deemed to be the source of contamination. A quantitative stochastic model was built using farm- and animal-level PRRS prevalence data, the number of times a truck is typically shared on any given day, shipment size, travel time between farms, and the efficacy of three different cleaning and disinfection procedures. Results: The model predicted a median probability of 0.525 that a truck would be contaminated at the end of any given day, without considering the number of previous shipments made by that truck or whether or not it had been washed and disinfected between shipments. Truck washing alone resulted in a negligible decrease in probability that a truck would be contaminated, while washing and disinfection followed by drying had the highest impact, with a greater than 99% reduction in probability of contamination. Implications: Findings of this study suggest that under current biosecurity practices, a substantial risk exists for the spread of PRRS virus due to truck sharing. This model could also be utilized in understanding the risk of truck sharing on the spread of other swine diseases (such as porcine epidemic diarrhea) where transportation is believed to spread the virus.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».