PSI-15 Understanding seasonal trends in anemia risk: A multi-scale analysis of fecal egg count, PCV, and FAMACHA scores.
Notice bibliographique
Résumé
Abstract Parasitic infections in small ruminants, especially gastrointestinal nematodes, pose major risks to animal health, economic growth and productivity. This study examines Fecal Egg Count (FEC), Packed Cell Volume (PCV), and FAMACHA scores at various time intervals to evaluate the incidence of anemia and its correlation with environmental factors like temperature, humidity, and precipitation. Conventional statistical techniques, predictive modeling, and machine learning approaches explored trends, correlations, and forecasting potential. The traditional analysis included descriptive statistics, where the mean FEC was 950 epg (±1120), indicating high variability in parasite loads, while mean PCV was 26.8% (±5.4%), with values as low as 14% in anemic goats. There was a high negative connection (-0.72) between PCV and FEC, and a positive correlation (0.67) between FAMACHA scores and FEC, proving that FEC is reliable source for detecting anemia. Seasonal tendencies were revealed by time series analysis, with warm and humid months exhibiting the highest FEC levels (over 2000 epg). ANOVA results (p < 0.001) showed significant differences in PCV and FEC across FAMACHA score categories, with goats scoring 4 or 5 having an average PCV of 19.6%, significantly lower than those scoring 1 (average PCV: 30.8%). Multiple regression models were developed to predict anemia risk. Linear regression models predicted PCV with an R² of 0.58, considering FEC and environmental factors. Logistic regression classified anemia severity with an 80.2% accuracy, distinguishing between low-risk (FAMACHA 1 & 2) and high-risk (FAMACHA 4 & 5) categories. Advanced machine learning models were implemented to classify FAMACHA scores based on physiological and environmental predictors. Random Forest models achieved 85.4% accuracy, outperforming other classifiers. SHAP analysis revealed that humidity (feature importance: 27%), temperature (22%), and FEC (18%) were the top predictors of anemia risk. A 52-week forecast for PCV, FEC, and FAMACHA scores using ARIMA and Prophet models predicted an increase in anemia risk during weeks 24–38, with expected PCV dropping by 3.5% on average in high-risk months. Finally, clustering analysis (K-means, Hierarchical Clustering) grouped goats into low-risk, moderate-risk, and high-risk clusters, while Kaplan-Meier survival analysis showed that goats with initial PCV below 22% had a 75% probability of developing severe anemia within 6 weeks. This study shows how climate can affect the likelihood of anemia and how decision support systems powered by machine learning can help with sustainable management of small ruminants. This work provides a data-driven paradigm for proactive health monitoring and parasite management in resource-limited situations using prediction models and clustering approaches.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».