CN117095832B - 一种动物疫病传染风险的建模方法及系统 - Google Patents
一种动物疫病传染风险的建模方法及系统 Download PDFInfo
- Publication number
- CN117095832B CN117095832B CN202311353575.7A CN202311353575A CN117095832B CN 117095832 B CN117095832 B CN 117095832B CN 202311353575 A CN202311353575 A CN 202311353575A CN 117095832 B CN117095832 B CN 117095832B
- Authority
- CN
- China
- Prior art keywords
- farm
- infection
- risk
- epidemic
- animal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 241001465754 Metazoa Species 0.000 title claims abstract description 162
- 208000015181 infectious disease Diseases 0.000 title claims abstract description 135
- 201000010099 disease Diseases 0.000 title claims abstract description 111
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 59
- 206010006500 Brucellosis Diseases 0.000 claims abstract description 108
- 238000012544 monitoring process Methods 0.000 claims abstract description 28
- 241000589562 Brucella Species 0.000 claims abstract description 24
- 230000036541 health Effects 0.000 claims abstract description 18
- 230000004044 response Effects 0.000 claims abstract description 17
- 230000002265 prevention Effects 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 241000282887 Suidae Species 0.000 claims description 80
- 238000009395 breeding Methods 0.000 claims description 16
- 230000001488 breeding effect Effects 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 230000007480 spreading Effects 0.000 claims description 10
- 238000011534 incubation Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000002255 vaccination Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 238000002759 z-score normalization Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 claims 1
- 239000003814 drug Substances 0.000 claims 1
- 229940079593 drug Drugs 0.000 claims 1
- 238000005259 measurement Methods 0.000 claims 1
- 238000012546 transfer Methods 0.000 abstract description 7
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000005541 medical transmission Effects 0.000 abstract 1
- 241000282898 Sus scrofa Species 0.000 description 45
- 208000024891 symptom Diseases 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 208000035473 Communicable disease Diseases 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 241000283690 Bos taurus Species 0.000 description 2
- 206010037660 Pyrexia Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006806 disease prevention Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 208000006820 Arthralgia Diseases 0.000 description 1
- 208000035240 Disease Resistance Diseases 0.000 description 1
- 208000006083 Hypokinesia Diseases 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 229940027941 immunoglobulin g Drugs 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000004580 weight loss Effects 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/80—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for detecting, monitoring or modelling epidemics or pandemics, e.g. flu
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Public Health (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及健康信息处理技术领域，提出了一种动物疫病传染风险的建模方法及系统，包括：采集养殖场内动物的疫病观测数据；根据布鲁氏菌的传播特性获取外场疫病传播指数；根据养殖场内动物来源地以及外场疫病传播指数获取每个动物的个体病患指数；根据所有动物的个体病患指数构建传染响应微分方程，根据传染响应微分方程得到布鲁氏菌传染风险模型以及布鲁氏菌传染风险指数；利用聚类算法获取疫病监测区域内养殖场的疫病风险等级，动物疫病风险传染系统根据疫病风险等级采取具体的防疫措施。本发明通过分析布鲁氏菌在动物之间的传递特征构建传染响应微分方程对SEIR模型进行优化，提高SEIR模型对布鲁氏菌传染风险的识别精度。
Description
技术领域
本发明涉及健康信息处理技术领域，具体涉及一种动物疫病传染风险的建模方法及系统。
背景技术
随着畜牧业的发展，经济动物通常以高密度和集中饲养的方式养殖，且随着不同种类动物的引进和混养，物种间接触机会增加，将会导致病原体跨越不同物种进行传染，如布鲁氏菌可以在牛、羊、猪等动物之间相互传播，增大了动物疫病传染风险，为避免扩大动物疫病的传染趋势，需要对动物疫病的传染风险构建合适的模型，便于及时采取措施降低动物感染率和传播风险。
传统的动物疫病传染风险建模方法如SEIR模型，是一种较为成熟的传染病传播的动态数学模型，能够根据动物疫病的传播速率、潜伏期、感染期等参数构建出合理的模型，进而预测动物疫病未来的发展趋势，进而采取不同的措施对动物疫病进行防控，而养殖场内动物的流动转移模式与传统的动物流动转移模式不同，且不同养殖场的管理措施、卫生条件不同，导致不同养殖场内的动物感染疫病的情况较为复杂，传统SEIR模型的构建通常基于一些假设条件，如动物均匀混合、恒定参数等，这些假设与养殖场内的动物特征可能不一致，导致所构建出的模型精度下降，从而无法对动物疫病的传染提出有效的防控措施。
发明内容
本发明提供一种动物疫病传染风险的建模方法及系统，以解决传统SEIR模型的先验假设条件与实际情况不符造成风险模型精度低的问题，所采用的技术方案具体如下：
第一方面，本发明一个实施例一种动物疫病传染风险的建模方法，该方法包括以下步骤：
采集疫病监测区域内养殖场中每个动物的疫病观测数据，所述疫病观测数据包括流动数据、健康状态数据、疫苗接种记录数据；
根据任意两个养殖场内动物之间布鲁氏菌的传播特性获取两个养殖场之间的外场疫病传播指数；根据每个养殖场内动物来源地与所述养殖场之间的外场疫病传播指数获取每个养殖场内每个动物的个体病患指数；
根据每个养殖场内所有动物的个体病患指数构建每个养殖场的传染响应微分方程，根据每个养殖场的传染响应微分方程对每个养殖场已有SEIR模型进行优化，将所述已有SEIR模型优化结果作为每个养殖场的布鲁氏菌传染风险模型；根据每个养殖场的布鲁氏菌传染风险模型获取每个养殖场的布鲁氏菌传染风险指数；
利用聚类算法基于疫病监测区域内所有养殖场的布鲁氏菌传染风险指数获取疫病监测区域内所有养殖场的疫病风险等级，动物疫病风险传染系统根据所述疫病风险等级对不同养殖场内的动物分类采取具体的防疫措施。
优选的，所述根据任意两个养殖场内动物之间布鲁氏菌的传播特性获取两个养殖场之间的外场疫病传播指数的方法为：
根据每个养殖场内每个动物的疫病观测数据获取每个养殖场的养殖风险指数；
将以任意两个不相同养殖场的养殖风险指数之间差值为指数，以自然常数为底数的计算结果作为两个不相同养殖场之间的外场疫病传播指数。
优选的，所述根据每个养殖场内每个动物的疫病观测数据获取每个养殖场的养殖风险指数的方法为：
将每个养殖场内每个动物每个疫病观测指标的观测数据与所述每个动物每个疫病观测指标健康值之间差值的绝对值作为第一差值；
将每个养殖场内所有动物所有疫病观测指标上第一差值的累加结果的均值作为每个养殖场的养殖风险指数。
优选的，所述根据每个养殖场内动物来源地与所述养殖场之间的外场疫病传播指数获取每个养殖场内每个动物的个体病患指数的方法为：
将每个养殖场内每个已感染布鲁氏菌的动物作为一个临时感染源，根据每个养殖场内每个动物与所有临时感染源之间的接触特性获取每个养殖场内每个动物的感染传播因子；
将每个养殖场内每个动物所处局部养殖空间内的动物数量与所述每个动物所处局部养殖空间面积的比值作为第一比例因子；将以自然常数为底数，以第一比例因子与所述感染传播因子的乘积为指数的计算结果作为第一组成因子；
将每个养殖场与每个养殖场内每个动物初始养殖场之间的外场疫病传播指数与第一组成因子的乘积作为每个养殖场内每个动物的个体病患指数。
优选的，所述根据每个养殖场内每个动物与所有临时感染源之间的接触特性获取每个养殖场内每个动物的感染传播因子的方法为：
获取每个养殖场内的所有临时感染源，将每个养殖场内每个动物所处局部养殖空间存在临时感染源的数量与所述局部养殖空间面积的比值作为第一乘积因子；
将每个养殖场内每个动物的疫病观测数据与每个临时感染源的疫病观测数据之间的度量距离在所有临时感染源上的累加作为第二乘积因子；
每个养殖场内每个动物的感染传播因子由第一乘积因子、第二乘积因子两部分组成，其中，所述感染传播因子与第一乘积因子、第二乘积因子成正比关系。
优选的，所述根据每个养殖场内所有动物的个体病患指数构建每个养殖场的传染响应微分方程的方法为：
式中，为第i个养殖场内猪患布鲁氏菌病数量的变化率，/>为第i个养殖场内健康猪的数量，/>为第i个养殖场内感染布鲁氏菌病后康复猪的数量，m是第i个养殖场内猪的数量，/>为第i个养殖场内第p头猪的个体患病指数经过Z-score归一化的归一化结果，/>为第i个养殖场内已经感染布鲁氏菌病的猪数量，/>为第i个养殖场内处于布鲁氏菌病潜伏期的猪数量。
优选的，所述根据每个养殖场的布鲁氏菌传染风险模型获取每个养殖场的布鲁氏菌传染风险指数的方法为：
利用每个养殖场的布鲁氏菌传染风险模型获取每个养殖场连续预设数量天健康动物的预测数量、感染布鲁氏菌动物的预测数量、康复动物的预测数量、布鲁氏菌潜伏期动物的预测数量；
将每个养殖场预测每一天的健康动物的预测数量、感染布鲁氏菌动物的预测数量、康复动物的预测数量、布鲁氏菌潜伏期动物的预测数量组成的序列作为所述每一天的传染状态序列；
将每个养殖场相邻两天的传染状态序列之间的度量距离在每个养殖场连续预设数量天上的累加作为每个养殖场的布鲁氏菌传染风险指数。
优选的，所述利用聚类算法基于疫病监测区域内所有养殖场的布鲁氏菌传染风险指数获取疫病监测区域内所有养殖场的疫病风险等级的方法为：
将疫病监测区域内所有养殖场的布鲁氏菌传染风险指数作为聚类算法的输入，利用聚类算法将所有养殖场的布鲁氏菌传染风险指数划分成预设数量个聚类簇；
分别获取每个聚类簇中所有所述布鲁氏菌传染风险指数的均值，将所有聚类簇的所述均值按照升序的顺序排序；根据所述排序结果获取每个聚类簇中每个养殖场的疫病风险等级，所述疫病风险等级包括一级风险等级、二级风险等级、三级风险等级。
优选的，所述动物疫病风险传染系统根据所述疫病风险等级对不同养殖场内的动物分类采取具体的防疫措施的方法为：
将疫病监测区域内所有养殖场的疫病风险等级上传至动物疫病风险传染系统，动物疫病风险传染系统根据每个养殖场的疫病风险等级生成针对性的防疫措施；并将每个养殖场的防疫措施下发至每个养殖场的动物健康管理人员。
第二方面，本发明实施例还提供了一种动物疫病传染风险的建模系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。
本发明的有益效果是：本发明通过分析养殖场内猪的养殖特点与传统动物疫病传染的差异，构建养殖风险指数，反映养殖场的养殖条件造成猪感染布鲁氏菌病的风险程度，并根据养殖场内各猪的来源地所在养殖场构建外场疫病传播指数，反映从其余养殖场引进猪时对当前养殖场带来的风险程度，基于此结合养殖场内对猪的管理方式构建猪的个体患病指数，反映猪患布鲁氏菌病的可能性，据此构建传染响应微分方程对传统的SEIR模型进行修正，得到布鲁氏菌病传染风险模型，所得模型相较于传统的SEIR模型对布鲁氏菌病的传染风险具有更高的识别精度，基于此构建养殖场的布鲁氏菌病传染风险指数，对养殖场的风险等级进行划分，并对不同风险等级的养殖场采取不同的措施，避免疫病大范围扩散。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种动物疫病传染风险的建模方法的流程示意图；
图2为本发明一个实施例所提供的养殖场内局部空间的划分流程图；
图3为本发明一个实施例所提供的一种动物疫病传染风险的建模方法的实施流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，其示出了本发明一个实施例提供的一种动物疫病传染风险的建模方法的流程图，该方法包括以下步骤：
步骤S001，采集疫病监测区域内养殖场中每个动物的疫病观测数据，所述疫病观测数据包括流动数据、健康状态数据、疫苗接种记录数据。
本发明旨在对疫病监测区域内动物疫病的传染风险进行建模并通过所建模型对疫病监测区域内的疫病采用针对性的防疫措施。本发明以疫病监测区域内的布鲁氏菌病为例进行分析，由于不同动物感染布鲁氏菌病的临床表现不同，如牛感染布鲁氏菌病的症状较轻，而猪、羊感染布鲁氏菌病的症状相对较重，本发明以疫病监测区域内猪感染布鲁氏菌病的传染风险为例进行建模。
通过中国疾病预防控制中心所提供的数据可知布鲁氏菌病的潜伏期平均为2周，感染期一般在3-6个月之间，本发明取均值4.5个月，即135天作为猪感染布鲁氏菌的感染期，布鲁氏菌病引起的症状通常包括发烧、虚弱、体重减轻等。通过养殖场内的日志采集养殖场内猪流动数据，所述流动数据包括：每个养殖场内猪的养殖数量、每头猪进养殖场的时间与来源地数据、每头猪离开养殖场的时间与目的地；其次通过动物疫病监测报告采集动物的健康状态数据与疫苗接种记录数据，记采集天数为T，本发明中T的大小取经验值150，记疫病监测区域内养殖场的数量为N，记动物的疫病观测指标数量为M，则每个养殖场内每头猪都能够得到流动数据、健康状态数据与疫苗接种记录数据，则第i个养殖场第q天所有猪的采集数据组成的数据表如表1所示。
表1 第i个养殖场第q天的采集数据表
如表1所示，是第i个养殖场内猪的数量，IgG抗体浓度为每头猪体内免疫球蛋白g的抗体浓度，将每一列数据作为每头猪的疫病观测数据，将每一行数据作为一个疫病观测指标。
至此，得到动物的疫病观测数据，用于后续养殖场之间的外场疫病传播指数的计算。
步骤S002，根据任意两个养殖场内动物之间布鲁氏菌的传播特性获取两个养殖场之间的外场疫病传播指数；根据每个养殖场内动物来源地与所述养殖场之间的外场疫病传播指数获取每个养殖场内每个动物的个体病患指数。
由于猪的生存空间为养殖场内，故布鲁氏菌病的传播途径与传统的传播途径具有一定的差异性，其差异性主要体现在猪的流动特征中，将每头猪进行场地转移前的养殖基地作为每头猪的初始养殖场。以第i个养殖场为例，当某头猪从其余养殖场进入第i个养殖场中时，若此头猪的初始养殖场存在患有布鲁氏菌病的猪时，则第i个养殖场内的猪存在被布鲁氏菌感染的风险，据此本发明构建外场疫病传播指数，用于表征两个养殖场之间由猪的场地转移造成的传染风险，计算第i个、第k个养殖场之间的外场疫病传播指数：
式中，是第i个养殖场内的养殖风险指数，/>表示第i个养殖场内猪的数量，M表示所选取的猪的疫病观测指标数量，/>是第i个养殖场内第j只猪第b个疫病观测指标值，是第i个养殖场内猪的第b个疫病观测指标的健康值；
是第i个、第k个养殖场之间的外场疫病传播指数，/>是第k个养殖场内的养殖风险指数，需要说明的是，当是同一养殖场之间猪的场地转移时，此时养殖场的外场疫病传播指数值为1。
由于猪感染布鲁氏菌病后，会出现发热、乏力、关节疼痛等症状，导致猪的体温升高、体重下降等情况，猪的健康状态越差，越可能感染布鲁氏菌病，养殖场内猪的疫病观测指标值与疫病观测指标的健康值差异越大，第一差值越大，/>的值越大；第i个养殖场内存在感染布鲁氏菌的猪越多，症状越严重，第i个养殖场内的猪转移到第k个养殖场时造成的疫病传播概率越高，/>的值越大。
其次，由于猪在养殖场内被养殖工作者管理，即对于不同类型的猪存在不同的管理方法，如对于幼猪，对布鲁氏菌病的抗病性较弱，当养殖场内存在感染源时极易被感染，养殖工作者通常会将其与成年猪分开管理，即同一养殖场内，不同类型的猪被布鲁氏菌传染患病的可能性不同。
现阶段的养殖场内，养殖场中间隔一定的距离进行空间划分，通常情况下将少数几头猪圈养在一个局部空间内，局部空间之间存在围墙，养殖场内局部空间的划分如图2所示。将每头猪所在局部空间作为每头猪的局部养殖空间，其次将每个养殖场内每个已感染布鲁氏菌的动物作为一个临时感染源，每头猪和已感染布鲁氏菌的临时感染源的距离越近，在养殖场内相处流动时间越多，其被传染的风险越大。
根据上述分析，构建个体患病指数H，用于表征每头猪被布鲁氏菌感染风险的可能性，计算第i个养殖场内的第p头猪的个体患病指数：
式中，第i个养殖场内的第p头猪的感染传播因子，/>是第p头猪所在局部养殖空间内临时感染源的数量，s是局部养殖空间的面积，c是第p头猪所在局部养殖空间内第c个临时感染源，/>、/>分别是第p头猪、第c个临时感染源的疫病观测数据，是/>、/>之间的皮尔逊相关系数，皮尔逊相关系数的计算为公知技术，具体过程不再赘述；
是第i个养殖场内的第p头猪的个体患病指数，/>是第p头猪所在局部养殖空间内猪的数量，k是第p头猪的初始养殖场，/>是第i个、第k个养殖场之间的外场疫病传播指数。
其中，第p头猪的来源地，即第k个养殖场对第i个养殖场之间场地转移造成的传染风险越大，外场疫病传播指数的值越大；第i个养殖场内第p头猪局部养殖空间的临时感染源的数量越多，第p头猪被传染的风险越大，疫病观测数据之间的相似度越大，的值越大，/>的值越大；第p头猪所处局部养殖空间养殖密度越大，第一比例因子/>的值越大，第一组成因子/>的值越大；即/>的值越大，第p头猪所处局部养殖空间内存在患布鲁氏菌病的猪时，第p头猪被传染的概率越高。
至此，得到养殖场内每个动物的个体病患指数，用于后续构建布鲁氏菌传染风险模型。
步骤S003，根据每个养殖场内所有动物的个体病患指数构建每个养殖场的传染响应微分方程，根据每个养殖场的传染响应微分方程对每个养殖场已有SEIR模型进行优化，将所述已有SEIR模型优化结果作为每个养殖场的布鲁氏菌传染风险模型；根据每个养殖场的布鲁氏菌传染风险模型获取每个养殖场的布鲁氏菌传染风险指数。
通过上述步骤所得各养殖场内每头猪的个体患病指数，利用每个养殖场内所有猪的个体患病指数构建每个养殖场的传染响应微分方程，反映养殖场内猪患布鲁氏菌病概率的变化率。第i个养殖场的传染响应微分方程为，计算公式如下：
式中，为第i个养殖场内猪患布鲁氏菌病数量的变化率，/>为第i个养殖场内健康猪的数量，/>为第i个养殖场内感染布鲁氏菌病后康复猪的数量，m是第i个养殖场内猪的数量，/>为第i个养殖场内第p头猪的个体患病指数经过Z-score归一化的归一化结果，/>为第i个养殖场内已经感染布鲁氏菌病的猪数量，/>为第i个养殖场内处于布鲁氏菌病潜伏期的猪数量，Z-score归一化为公知技术，具体过程不再赘述。
进一步的，通过健康猪的数量、布鲁氏菌病潜伏期的猪数量/>、已经感染布鲁氏菌病的猪数量/>、感染布鲁氏菌病后康复的猪数量/>、布鲁氏菌病潜伏期的倒数/>、布鲁氏菌病感染期的倒数/>，根据每头猪的疫病观测数据分别将布鲁氏菌病潜伏期的倒数/>设置为/>，将布鲁氏菌病感染期的倒数/>设置为/>，基于上述参数构建第i个养猪场的传统SEIR模型/>，其次将上述所得第i个养殖场的传染响应微分方程/>加入模型中，得到第i个养猪场优化修正后的SEIR模型，记为布鲁氏菌病传染风险模型，/>可表示为如下形式：
式中，表示养殖场内健康猪数量的变化率，/>表示养殖场内布鲁氏菌病潜伏期猪数量的变化率，/>表示养殖场内已经感染布鲁氏菌病猪数量的变化率，/>表示养殖场内感染布鲁氏菌病康复后猪数量的变化率，/>表示养殖场内猪患布鲁氏菌病概率的变化率，需要说明的是上述所有微分方程的自变量都是时间t，/>表示布鲁氏菌病传播速率，/>的取值可通过中国疾病预防控制中心-传染病预防控制研究所网址中得到，实施者可根据建模疫病的种类自行查找相应的取值。
通过上述步骤所得布鲁氏菌病传染风险模型，将第一天各养殖场猪的总数、健康猪的数量、潜伏期猪的数量、已经感染布鲁氏菌病猪的数量、康复后猪的数量、布鲁氏菌病传播速率、布鲁氏菌病潜伏期的倒数、布鲁氏菌病感染期的倒数作为各养殖场的布鲁氏菌病传染风险模型的输入，则可以得到各养殖场的布鲁氏菌病传染风险模型的输出结果，所述输出结果中包含预测每一天的健康动物的预测数量、感染布鲁氏菌动物的预测数量、康复动物的预测数量、布鲁氏菌潜伏期动物的预测数量。将每个养殖场预测每一天的健康动物的预测数量、感染布鲁氏菌动物的预测数量、康复动物的预测数量、布鲁氏菌潜伏期动物的预测数量组成的序列作为每一天的传染状态序列，将第i个养殖场预测第L天的传染状态序列记为,据此可以构建各养殖场的布鲁氏菌病传染风险指数，反映各养殖场对布鲁氏菌病传染所造成的影响程度。第i个养殖场的布鲁氏菌病传染风险指数的计算公式如下：
式中，表示第i个养殖场的布鲁氏菌病传染风险指数，/>表示布鲁氏菌病传染风险模型输出结果的天数，/>、/>分别是第i个养殖场预测第L、第L+1天的传染状态序列，/>是序列/>、/>之间的DTW距离，DTW距离为公知技术，具体过程不再赘述。
其中，如果从第L天到第L+1天，若养殖场内猪的健康状况变好，则、之间的度量距离减小，差异减小，/>的值偏小。
至此，得到每个养殖场的布鲁氏菌传染风险指数，用于动物疫病风险传染系统下发具体的防疫措施。
步骤S004，利用聚类算法基于疫病监测区域内所有养殖场的布鲁氏菌传染风险指数获取疫病监测区域内所有养殖场的疫病风险等级，动物疫病风险传染系统根据所述疫病风险等级对不同养殖场内的动物分类采取具体的防疫措施。
将疫病监测区域内所有养殖场的布鲁氏菌传染风险指数作为聚类算法的输入，利用K-means聚类算法将所有养殖场的布鲁氏菌传染风险指数划分成个聚类簇，/>的大小取经验值3，其次分别获取每个聚类簇中所有布鲁氏菌传染风险指数的均值，将所有聚类簇内布鲁氏菌传染风险指数的均值按照从小到大的顺序排序，根据排序结果设置每个聚类簇中每个养殖场的疫病风险等级，将排序结果中第一个元素对应聚类簇内所有养殖场的疫病风险等级设置为一级风险等级、将排序结果中第二元素对应聚类簇内所有养殖场的疫病风险等级设置为二级风险等级、将排序结果中第三个元素对应聚类簇内所有养殖场的疫病风险等级设置为三级风险等级。本发明根据疫病风险等级的不同进行分类防疫，本发明的实施流程如图3所示。
将疫病监测区域内所有养殖场的疫病风险等级上传至动物疫病风险传染系统，动物疫病风险传染系统根据每个养殖场的疫病风险等级生成针对性的防疫措施，并将每个养殖场的防疫措施下发至每个养殖场的动物健康管理人员。例如，风险等级为一级时对应的聚类簇为，此聚类簇内的养殖场为疫病传染低风险养殖场，需要做好对养殖工作者所养殖动物的动物健康和传染病控制的培训和教育，鼓励实施良好的养殖卫生条件，定期对动物进行监测，以便及早发现潜在的感染病例；
风险等级为二级时的聚类簇为，此聚类簇内的养殖场为疫病传染中风险养殖场，需要对养殖场内的动物健康情况进行频繁的监测，建立紧急响应计划，当出现动物感染疫病的情况时，能够立即采取措施对其进行隔离，并及时进行疫苗的接种，确保所有被感染动物均能得到追踪和监测；
风险等级为三级时的聚类簇为，此聚类簇内的养殖场为疫病传染高风险养殖场，需要立即采取措施来控制动物疫病进一步扩散，包括对感染动物的隔离、扑杀、消毒、移除感染源等。
进一步的，通过风险等级划分模块对各养殖场的风险等级进行划分后，则可以通过动物疫病风险传染系统中的数据可视化模块将疫病监测区域内各养殖场的布鲁氏菌传染风险指数与风险等级进行可视化展示，便于相关部门更好的理解各养殖场的动物疫病传染风险，并提出相应的措施，避免动物疫病大范围传播。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.一种动物疫病传染风险的建模方法，其特征在于，该方法包括以下步骤：
采集疫病监测区域内养殖场中每个动物的疫病观测数据，所述疫病观测数据包括流动数据、健康状态数据、疫苗接种记录数据；
根据任意两个养殖场内动物之间布鲁氏菌的传播特性获取两个养殖场之间的外场疫病传播指数；根据每个养殖场内动物来源地与所述养殖场之间的外场疫病传播指数获取每个养殖场内每个动物的个体病患指数；所述流动数据包括：每个养殖场内猪的养殖数量、每头猪进养殖场的时间与来源地数据、每头猪离开养殖场的时间与目的地；
根据每个养殖场内所有动物的个体病患指数构建每个养殖场的传染响应微分方程，根据每个养殖场的传染响应微分方程对每个养殖场已有SEIR模型进行优化，将所述已有SEIR模型优化结果作为每个养殖场的布鲁氏菌传染风险模型；根据每个养殖场的布鲁氏菌传染风险模型获取每个养殖场的布鲁氏菌传染风险指数；
利用聚类算法基于疫病监测区域内所有养殖场的布鲁氏菌传染风险指数获取疫病监测区域内所有养殖场的疫病风险等级，动物疫病风险传染系统根据所述疫病风险等级对不同养殖场内的动物分类采取具体的防疫措施；
所述根据任意两个养殖场内动物之间布鲁氏菌的传播特性获取两个养殖场之间的外场疫病传播指数的方法为：
根据每个养殖场内每个动物的疫病观测数据获取每个养殖场的养殖风险指数；
将以任意两个不相同养殖场的养殖风险指数之间差值为指数，以自然常数为底数的计算结果作为两个不相同养殖场之间的外场疫病传播指数；
所述根据每个养殖场内每个动物的疫病观测数据获取每个养殖场的养殖风险指数的方法为：
将每个养殖场内每个动物每个疫病观测指标的观测数据与所述每个动物每个疫病观测指标健康值之间差值的绝对值作为第一差值；
将每个养殖场内所有动物所有疫病观测指标上第一差值的累加结果的均值作为每个养殖场的养殖风险指数；
所述根据每个养殖场内动物来源地与所述养殖场之间的外场疫病传播指数获取每个养殖场内每个动物的个体病患指数的方法为：
将每个养殖场内每个已感染布鲁氏菌的动物作为一个临时感染源，根据每个养殖场内每个动物与所有临时感染源之间的接触特性获取每个养殖场内每个动物的感染传播因子；
将每个养殖场内每个动物所处局部养殖空间内的动物数量与所述每个动物所处局部养殖空间面积的比值作为第一比例因子；将以自然常数为底数，以第一比例因子与所述感染传播因子的乘积为指数的计算结果作为第一组成因子；
将每个养殖场与每个养殖场内每个动物初始养殖场之间的外场疫病传播指数与第一组成因子的乘积作为每个养殖场内每个动物的个体病患指数；
所述根据每个养殖场内每个动物与所有临时感染源之间的接触特性获取每个养殖场内每个动物的感染传播因子的方法为：
获取每个养殖场内的所有临时感染源，将每个养殖场内每个动物所处局部养殖空间存在临时感染源的数量与所述局部养殖空间面积的比值作为第一乘积因子；
将每个养殖场内每个动物的疫病观测数据与每个临时感染源的疫病观测数据之间的度量距离在所有临时感染源上的累加作为第二乘积因子；
每个养殖场内每个动物的感染传播因子由第一乘积因子、第二乘积因子两部分组成，其中，所述感染传播因子与第一乘积因子、第二乘积因子成正比关系；
所述根据每个养殖场内所有动物的个体病患指数构建每个养殖场的传染响应微分方程的方法为：
式中，为第i个养殖场内猪患布鲁氏菌病数量的变化率，/>为第i个养殖场内健康猪的数量，/>为第i个养殖场内感染布鲁氏菌病后康复猪的数量，m是第i个养殖场内猪的数量，/>为第i个养殖场内第p头猪的个体患病指数经过Z-score归一化的归一化结果，为第i个养殖场内已经感染布鲁氏菌病的猪数量，/>为第i个养殖场内处于布鲁氏菌病潜伏期的猪数量；
所述根据每个养殖场的布鲁氏菌传染风险模型获取每个养殖场的布鲁氏菌传染风险指数的方法为：
利用每个养殖场的布鲁氏菌传染风险模型获取每个养殖场连续预设数量天健康动物的预测数量、感染布鲁氏菌动物的预测数量、康复动物的预测数量、布鲁氏菌潜伏期动物的预测数量；
将每个养殖场预测每一天的健康动物的预测数量、感染布鲁氏菌动物的预测数量、康复动物的预测数量、布鲁氏菌潜伏期动物的预测数量组成的序列作为所述每一天的传染状态序列；
将每个养殖场相邻两天的传染状态序列之间的度量距离在每个养殖场连续预设数量天上的累加作为每个养殖场的布鲁氏菌传染风险指数；
所述每个养殖场的布鲁氏菌传染风险模型可表示为如下形式：
式中，是第i个养殖场的布鲁氏菌病传染风险模型，/>表示养殖场内健康猪数量的变化率，/>表示第i个养殖场内健康猪的数量，/>表示第i个养殖场内已经感染布鲁氏菌病的猪数量，/>表示养殖场内布鲁氏菌病潜伏期猪数量的变化率，/>表示第i个养殖场内布鲁氏菌病潜伏期的猪数量，/>表示养殖场内已经感染布鲁氏菌病猪数量的变化率，/>表示养殖场内感染布鲁氏菌病康复后猪数量的变化率，/>表示养殖场内猪患布鲁氏菌病概率的变化率，/>表示第i个养殖场内感染布鲁氏菌病后康复的猪数量，为第i个养殖场内第p头猪的个体患病指数经过Z-score归一化的归一化结果，/>表示布鲁氏菌病传播速率，/>、/>均为预设参数。
2.根据权利要求1所述的一种动物疫病传染风险的建模方法，其特征在于，所述利用聚类算法基于疫病监测区域内所有养殖场的布鲁氏菌传染风险指数获取疫病监测区域内所有养殖场的疫病风险等级的方法为：
将疫病监测区域内所有养殖场的布鲁氏菌传染风险指数作为聚类算法的输入，利用聚类算法将所有养殖场的布鲁氏菌传染风险指数划分成预设数量个聚类簇；
分别获取每个聚类簇中所有所述布鲁氏菌传染风险指数的均值，将所有聚类簇的所述均值按照升序的顺序排序；根据所述排序结果获取每个聚类簇中每个养殖场的疫病风险等级，所述疫病风险等级包括一级风险等级、二级风险等级、三级风险等级。
3.根据权利要求1所述的一种动物疫病传染风险的建模方法，其特征在于，所述动物疫病风险传染系统根据所述疫病风险等级对不同养殖场内的动物分类采取具体的防疫措施的方法为：
将疫病监测区域内所有养殖场的疫病风险等级上传至动物疫病风险传染系统，动物疫病风险传染系统根据每个养殖场的疫病风险等级生成针对性的防疫措施；并将每个养殖场的防疫措施下发至每个养殖场的动物健康管理人员。
4.一种动物疫病传染风险的建模系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-3任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311353575.7A CN117095832B (zh) | 2023-10-19 | 2023-10-19 | 一种动物疫病传染风险的建模方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311353575.7A CN117095832B (zh) | 2023-10-19 | 2023-10-19 | 一种动物疫病传染风险的建模方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117095832A CN117095832A (zh) | 2023-11-21 |
| CN117095832B true CN117095832B (zh) | 2023-12-19 |
Family
ID=88780146
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311353575.7A Active CN117095832B (zh) | 2023-10-19 | 2023-10-19 | 一种动物疫病传染风险的建模方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117095832B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111394293A (zh) * | 2020-04-10 | 2020-07-10 | 西北农林科技大学 | 一株布鲁氏菌S2疫苗株Omp16基因条件性诱导缺失菌株、其构建方法及应用 |
| CN111883260A (zh) * | 2020-07-27 | 2020-11-03 | 西北工业大学 | 一种基于改进的seir模型疫情群体演变预测方法 |
| CN112382406A (zh) * | 2020-11-11 | 2021-02-19 | 医渡云（北京）技术有限公司 | 传染病的基本再生数的估算方法及装置、介质和设备 |
| CN112671856A (zh) * | 2020-12-15 | 2021-04-16 | 青岛智能产业技术研究院 | 一种基于疾病传播特征的智能预警系统及预警方法 |
| CN113096787A (zh) * | 2021-04-19 | 2021-07-09 | 大连理工大学 | 数据驱动疫情检测和医疗资源分配的联合决策系统与方法 |
| CN113223731A (zh) * | 2021-04-30 | 2021-08-06 | 南京工业大学 | 深度时序n-seir传染病预测模型 |
| CN113943831A (zh) * | 2021-10-14 | 2022-01-18 | 泰州蕾灵百奥生物科技有限公司 | 可同时诊断猪腹泻病三种高发病原的多重荧光定量引物和探针组合及其应用 |
| CN114373542A (zh) * | 2021-12-13 | 2022-04-19 | 同济大学 | 一种基于行为模式的seir感染风险模拟方法 |
| CN114708986A (zh) * | 2022-03-17 | 2022-07-05 | 太原理工大学 | 基于动力学建立羊布鲁氏菌病的多斑块模型的方法和介质 |
| CN114707308A (zh) * | 2022-03-17 | 2022-07-05 | 太原理工大学 | 基于家畜价格的动物疫病动力学模型的防控方法和装置 |
| WO2022146046A1 (en) * | 2020-12-30 | 2022-07-07 | Seegene, Inc. | Server for predicting prevalence of infectious disease of interest in target area using molecular diagnostic test data, method therefor, and non-transitory computer-readable storage medium thereof |
| CN115732098A (zh) * | 2022-12-01 | 2023-03-03 | 四川轻化工大学 | 一种基于改进seir模型的传染病跨城市传播预测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20210375485A1 (en) * | 2020-05-28 | 2021-12-02 | OptimDosing, LLC | Application for tracking infectious disease |
-
2023
- 2023-10-19 CN CN202311353575.7A patent/CN117095832B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111394293A (zh) * | 2020-04-10 | 2020-07-10 | 西北农林科技大学 | 一株布鲁氏菌S2疫苗株Omp16基因条件性诱导缺失菌株、其构建方法及应用 |
| CN111883260A (zh) * | 2020-07-27 | 2020-11-03 | 西北工业大学 | 一种基于改进的seir模型疫情群体演变预测方法 |
| CN112382406A (zh) * | 2020-11-11 | 2021-02-19 | 医渡云（北京）技术有限公司 | 传染病的基本再生数的估算方法及装置、介质和设备 |
| CN112671856A (zh) * | 2020-12-15 | 2021-04-16 | 青岛智能产业技术研究院 | 一种基于疾病传播特征的智能预警系统及预警方法 |
| WO2022146046A1 (en) * | 2020-12-30 | 2022-07-07 | Seegene, Inc. | Server for predicting prevalence of infectious disease of interest in target area using molecular diagnostic test data, method therefor, and non-transitory computer-readable storage medium thereof |
| CN113096787A (zh) * | 2021-04-19 | 2021-07-09 | 大连理工大学 | 数据驱动疫情检测和医疗资源分配的联合决策系统与方法 |
| CN113223731A (zh) * | 2021-04-30 | 2021-08-06 | 南京工业大学 | 深度时序n-seir传染病预测模型 |
| CN113943831A (zh) * | 2021-10-14 | 2022-01-18 | 泰州蕾灵百奥生物科技有限公司 | 可同时诊断猪腹泻病三种高发病原的多重荧光定量引物和探针组合及其应用 |
| CN114373542A (zh) * | 2021-12-13 | 2022-04-19 | 同济大学 | 一种基于行为模式的seir感染风险模拟方法 |
| CN114708986A (zh) * | 2022-03-17 | 2022-07-05 | 太原理工大学 | 基于动力学建立羊布鲁氏菌病的多斑块模型的方法和介质 |
| CN114707308A (zh) * | 2022-03-17 | 2022-07-05 | 太原理工大学 | 基于家畜价格的动物疫病动力学模型的防控方法和装置 |
| CN115732098A (zh) * | 2022-12-01 | 2023-03-03 | 四川轻化工大学 | 一种基于改进seir模型的传染病跨城市传播预测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 传染病类突发公共卫生事件风险评估与应对;赵成珍;梁循;王军礼;;中国流通经济(第05期);全文 * |
| 垂直传染与环境因素对野牛布鲁氏菌传播的影响研究;康瑶瑶;夏米西努尔・阿布都热合曼;;数学的实践与认识(第18期);全文 * |
| 康瑶瑶 ; 夏米西努尔・阿布都热合曼 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117095832A (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Adriaens et al. | Productive life span and resilience rank can be predicted from on-farm first-parity sensor time series but not using a common equation across farms | |
| Lukas et al. | A novel method of analyzing daily milk production and electrical conductivity to predict disease onset | |
| Loi et al. | Standardized risk analysis approach aimed to evaluate the last African swine fever eradication program performance, in Sardinia | |
| Cornou et al. | Use of information from monitoring and decision support systems in pig production: Collection, applications and expected benefits | |
| CN107194137B (zh) | 一种基于医疗数据建模的坏死性小肠结肠炎分类预测方法 | |
| Rutten et al. | A prognostic model to predict the success of artificial insemination in dairy cows based on readily available data | |
| US11424034B2 (en) | Systems and methods for predicting animal health | |
| Geenen et al. | Constructing naive Bayesian classifiers for veterinary medicine: A case study in the clinical diagnosis of classical swine fever | |
| Rosa et al. | Breeding and genetics symposium: Inferring causal effects from observational data in livestock | |
| CN107704581A (zh) | 一种基于近交系数计算模型的奶牛配种方法 | |
| CN112544491A (zh) | 一种识别圈养动物腹泻的方法及系统 | |
| McVey et al. | Invited Review: Applications of unsupervised machine learning in livestock behavior: Case studies in recovering unanticipated behavioral patterns from precision livestock farming data streams | |
| Taghipoor et al. | Animal board invited review: Quantification of resilience in farm animals | |
| Hermans et al. | Novel approaches to assess the quality of fertility data stored in dairy herd management software | |
| Lupo et al. | Bayesian network as an aid for Food Chain Information use for meat inspection | |
| CN117095832B (zh) | 一种动物疫病传染风险的建模方法及系统 | |
| Cihan et al. | A review on determination of computer aid diagnosis and/or risk factors using data mining methods in veterinary field | |
| Liberati et al. | Improving the automated monitoring of dairy cows by integrating various data acquisition systems | |
| Trapanese et al. | Short review of current limits and challenges of application of machine learning algorithms in the dairy sector | |
| Hidalgo et al. | Prediction of postpartum diseases of dairy cattle using machine learning | |
| Jensen et al. | An object-oriented Bayesian network modeling the causes of leg disorders in finisher herds | |
| Al-Mamun et al. | MABSDairy: a multiscale agent based simulation of a dairy herd | |
| Romadhonny et al. | Estrous cycle prediction of dairy cows for planned artificial insemination (AI) using multiple logistic regression | |
| Dallago et al. | Using the Herd Status Index to remotely assess the welfare status of dairy herds based on prerecorded data | |
| Scott | Incorporation of dairy farm survey data and epidemiological patterns for agent-based simulation modeling of dairy herd dynamics |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |