Machine learning models provide modest accuracy in predicting clinical impact of porcine reproductive and respiratory syndrome type 2 in Canadian sow herds
Notice bibliographique
Résumé
Objective: To determine the predictive potential of the open reading frame 5 nucleotide sequence of porcine reproductive and respiratory syndrome (PRRS) virus and the basic demographic data on the severity of the impact on selected production parameters during clinical PRRS outbreaks in Ontario sow herds. Methods: A retrospective longitudinal study of clinical outbreaks in Ontario sow herds at various points between September 5, 2009, and February 5, 2019, was conducted using herds as units of analysis. Data were gathered from study sow farms in Ontario at the start of each clinical outbreak. Six machine learning models and 2 different genetic input structures of open reading frame 5 sequences were utilized to predict the impact on abortion and preweaning mortality. Results: Extreme boosting machine learning models with genetic data represented through 2-dimensional multiple correspondence analysis had the highest accuracy when predicting clinical outcomes (60.8% [SD = 12.4%] and 74.4% [SD = 13.2%]) for abortion and preweaning mortality outcomes, respectively. The mean sensitivity of classifying outbreaks with a high impact on abortion was 50%, with a specificity of 89.2%. The mean sensitivity of classifying outbreaks with high preweaning mortality was 56.2%, with a specificity of 85.2%. Conclusions: The data and methods utilized herein exhibited improvement in accuracy over the baseline; however, this increase was not sufficient to warrant field implementation. Clinical Relevance: Predictive models based on observed data could assist practitioners in linking the genetics of the PRRS virus with clinical impact in clinical settings. Models trained in this study show promise for PRRS clinical impact prediction.
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 | 0,004 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».