Detecting and Predicting Emerging Disease in Poultry With the Implementation of New Technologies and Big Data: A Focus on Avian Influenza Virus
Notice bibliographique
Résumé
Future demands for food will place agricultural systems under pressure to increase production. Poultry is accepted as a good source of protein and the poultry industry will be forced to intensify production in many countries, leading to greater numbers of farms that house birds at elevated densities. Increasing farmed poultry can facilitate enhanced transmission of infectious pathogens among birds, such as avian influenza virus among others, which have the potential to induce widespread mortality in poultry and cause considerable economic losses. Additionally, the capability of some emerging poultry pathogens to cause zoonotic human infection will be increased as greater numbers of poultry operations could increase human contact with poultry pathogens. In order to combat the increased risk of spread of infectious disease in poultry due to intensified systems of production, rapid detection and diagnosis is paramount. In this review, multiple technologies that can facilitate accurate and rapid detection and diagnosis of poultry diseases are highlighted from the literature, with a focus on technologies developed specifically for avian influenza virus diagnosis. Rapid detection and diagnostic technologies allow for responses to be made sooner when disease is detected, decreasing further bird transmission and associated costs. Additionally, systems of rapid disease detection produce data that can be utilized in decision support systems that can predict when and where disease is likely to emerge in poultry. Other sources of data can be included in predictive models, and in this review two highly relevant sources, internet based-data and environmental data, are discussed. Additionally, big data and big data analytics, which will be required in order to integrate voluminous and variable data into predictive models that function in near real-time are also highlighted. Implementing new technologies in the commercial setting will be faced with many challenges, as will designing and operating predictive models for poultry disease emergence. The associated challenges are summarized in this review. Intensified systems of poultry production will require new technologies for detection and diagnosis of infectious disease. This review sets out to summarize them, while providing advantages and limitations of different types of technologies being researched.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».