Johne’s Disease Control in Beef Cattle: Balancing Test-and-Cull Strategies with Economic and Epidemiological Trade-Offs
Notice bibliographique
Résumé
Johne's disease (JD) is a chronic infection of cattle that undermines herd productivity and profitability. While test-and-cull programs are commonly proposed for control, their effectiveness and economic feasibility remain uncertain in beef production systems. This study used an updated agent-based model (ABM) to simulate JD transmission in a representative 300-cow Western Canadian beef herd, coupled with a partial budget model to evaluate net present value (NPV) over a 10-year time horizon. Seven diagnostic test-and-cull strategies were compared, varying in test type (ELISA, individual PCR, and pooled PCR), sampling frequency (6, 12, or 24 mo), and risk-based sampling protocols. Results showed that, under baseline assumptions (6% starting prevalence; 1% prevalence in purchased stock), all strategies reduced JD prevalence relative to no testing, and six of seven yielded higher NPVs. Annual individual PCR testing provided the best balance between prevalence reduction and profitability, whereas semi-annual PCR most effectively reduced prevalence but at greater economic cost. Failure to implement control measures resulted in increasing prevalence and long-term economic losses. Sensitivity analyses demonstrated that strategy performance was consistent across variations in market conditions, cost of production, and replacement female management, although profitability declined substantially when JD prevalence in externally sourced stock was high (i.e., 10%). Collectively, these findings indicate that JD can be controlled economically in beef herds, with long-term application of various test-and-cull strategies offering robust options adaptable to management preferences.
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 | 0,001 |
| 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 ».