Diagnosi della mastite con il machine learning

Secondo un nuovo studio condotto da un team di ricercatori dell’Università di Nottingham, l’uso del machine learning (o apprendimento automatico), branca dell’intelligenza artificiale che utilizza metodi statistici per migliorare progressivamente la performance di un algoritmo nell’identificare pattern nei dati, può aiutare i veterinari a diagnosticare con precisione l’origine della mastite.

La mastite nei bovini da latte

La mastite è una delle malattie endemiche dei bovini da latte più costose, rappresentando il 38% di tutti i costi diretti delle malattie della produzione e generando una perdita annua stimata di 170 milioni di £ nel Regno Unito. Oltre a notevoli perdite economiche, la mastite è anche una danno per il benessere degli animali e ha dimostrato di essere uno dei fattori più significativi dell’uso di antimicrobici nell’industria lattiero-casearia britannica.

I batteri che causano mastite nei bovini sono stati storicamente classificati in due categorie in base ai principali reservoirs e vie di infezione, ovvero: “contagiosi” e “ambientali”. I batteri contagiosi esistono comunemente all’interno della ghiandola mammaria e vengono trasmessi tra le bovine durante la mungitura. I batteri ambientali non sono generalmente adattati per sopravvivere nell’ospite ma sono invasori opportunisti dall’ambiente in cui si trovano gli animali. Questi sono generalmente acquisiti tra le muniture e stimolano una risposta immunitaria rapidamente gestita dal sistema immunitario, con conseguente aumento transitorio dei leucociti nel latte. Poiché le strategie di controllo per la mastite contagiosa differiscono notevolmente da quelle messe in atto per la mastite ambientale, la capacità di diagnosticare correttamente la via di trasmissione prevalente della mastite in azienda è essenziale per un’implementazione efficace delle misure di controllo.

La mastite e il periodo produttivo di una vacca

Oltre a differenziare la mastite di origine contagiosa e ambientale, è importante identificare il momento del ciclo di produzione in cui il rischio di nuove infezioni intramammarie è più elevato. È stato dimostrato che il periodo di asciutta è importante almeno quanto la lattazione nell’epidemiologia delle infezioni intramammarie, e le strategie di controllo differiscono ulteriormente tra le mastiti con origine nella fase di asciutta e quelle che insorgono durante la lattazione. L’uso di una diagnosi a livello di mandria che tenga conto delle diverse categorie di mastite, ovvero “ambientale nel periodo di asciutta” (EDP), “ambientale nel periodo di lattazione” (EL) o “contagiosa” (CONT), è uno dei cardini dell’AHDB Dairy Mastitis Control Plan (DMCP), un programma di controllo della mastite basato sulle evidenze applicato nel Regno Unito. La capacità di formulare correttamente questa diagnosi si basa attualmente sull’analisi da parte del veterinario dei dati registrati in azienda e richiede una notevole formazione, esperienza e competenze specialistiche per l’interpretazione dei dati.

Il machine learning applicato alla veterinaria

Gli algoritmi di classificazione del machine learning (ML) sono stati utilizzati per una varietà di applicazioni, dal filtraggio delle e-mail di spam al suggerimento di film che un utente di Netflix potrebbe apprezzare. Il machine learning può anche diventare uno strumento indispensabile per i medici, con algoritmi che affrontano problemi molto simili a quelli di un medico che progredisce attraverso la sua formazione clinica, apprendendo le regole dai dati e applicandole a nuovi pazienti. L’applicazione del machine learning nell’identificazione delle malattie si è spesso concentrata sul riconoscimento delle immagini, ad esempio per una classificazione accurata del cancro della pelle e delle malattie della retina. È stato anche descritto l’uso di tecniche di machine learning con dati diagnostici, come i risultati ematologici, in grado di raggiungere una precisione dell’88% rispetto agli ematologi specializzati, superando gli specialisti di medicina interna nel raggiungimento di una diagnosi corretta. Questa tecnica è stata utilizzata anche nella diagnosi del diabete, utilizzando parametri come il sesso, l’età e la pressione sanguigna, e nella diagnosi di aritmia cardiaca, con particolare attenzione agli algoritmi Forest Random per la loro capacità di superare molti altri algoritmi di apprendimento automatico negli esercizi di classificazione. Nonostante il machine learning sia stato in grado di fornire classificazioni accurate in campo medico, le previsioni di successo avranno un impatto minimo sulla cura dei pazienti senza un approccio collaborativo tra data scientist e clinici per integrare la pratica nelle attività del mondo reale. Anche se è stata condotta una grande quantità di ricerche sull’uso dell’apprendimento automatico per influire sulla gestione clinica dei pazienti, raramente si trovano esempi di traduzione di queste ricerche in un effetto sulla gestione clinica.

La ML è stata utilizzata nel campo della buiatria, ad esempio nel tentativo di prevedere la fertilità, l’elevata conta di cellule somatiche e l’inizio del parto. Con la diffusione dei “big data” all’interno della medicina degli animali da allevamento, la possibilità di tradurli in “dati intelligenti”, facendo pieno uso dei dati già raccolti, sta aumentando. Il machine learning è stato già applicato a problemi di classificazione epidemiologica nell’ambito della buiatria, ad esempio per prevedere l’esposizione al virus della diarrea virale bovina a livello della mandria e la distribuzione dell’esposizione delle mandrie al trematode epatico, ed è stato recentemente applicato nelle indagini sul modello di trasmissione del patogeno della mastite nei bovini (Streptococcus uberis) e nella diagnosi di mastite subclinica e clinica a livello di singolo animale. Nonostante l’apprendimento automatico sia stato descritto in campo medico e veterinaro, e sia stato esplorato per la diagnosi individuale di mastite, non è stato ancora applicato per replicare accuratamente una diagnosi clinica specialistica a livello di popolazione, e in particolare per la diagnosi a livello di mandria di mastite bovina.

Gli obiettivi di questo studio erano di valutare se una decisione clinica specialistica complessa e poliedrica potesse essere replicata utilizzando algoritmi di apprendimento automatico. Ad esempio, nel caso in cui un medico debba sintetizzare ed elaborare più strand di informazioni per giungere ad una decisione ragionata, sarebbe potenzialmente possibile arrivare alla stessa conclusione utilizzando metodi di machine learning e dati sulla gestione dell’azienda agricola e sulle patologie facilmente disponibili?

Utilizzando i dati provenienti da 1000 allevamenti, gli algoritmi Random Forest sono stati in grado di replicare le complesse diagnosi a livello di mandria fatte da specialisti veterinari con un alto grado di precisione. Un’accuratezza del 98%, un valore predittivo positivo (PPV) dell’86% e un valore predittivo negativo (NPV) del 99% sono stati raggiunti per la diagnosi di mastite bovina contagiosa (CONT) vs mastite ambientale (ENV) (con CONT come diagnosi “positiva”) mentre per la diagnosi di mastite ambientale nel periodo di asciutta (EDP) vs mastite ambientale in lattazione (EL) (con EDP come diagnosi “positiva”) è stata raggiunta un’accuratezza del 78 %, un PPV del 76% e un NPV dell’81%. L’utilizzo di uno strumento accurato e automatizzato di diagnosi della mastite può aiutare i veterinari non specialisti a fare una diagnosi rapida a livello di mandria e ad attuare tempestivamente misure di controllo appropriate per una malattia estremamente dannosa in termini di salute degli animali, produttività, benessere e uso degli antimicrobici.

Fonte: ruminantia.it