《International Journal for Parasitology》：Early prediction of declining health associated with helminth infection in small ruminants using accelerometers and machine learning
编辑推荐：
评估个体动物的健康状况是及时、靶向治疗感染的关键步骤，这对于减缓驱虫药和抗微生物药物耐药性的发展至关重要。FAMACHA评分系统已成功用于检测小型反刍动物由寄生线虫捻转血矛线虫（Haemonchus contortus）感染引起的贫血，是识别需要治疗的个体的有
评估个体动物的健康状况是及时、靶向治疗感染的关键步骤，这对于减缓驱虫药和抗微生物药物耐药性的发展至关重要。FAMACHA评分系统已成功用于检测小型反刍动物由寄生线虫捻转血矛线虫（Haemonchus contortus）感染引起的贫血，是识别需要治疗的个体的有效方法。然而，评估FAMACHA耗时耗力，因为必须频繁手动检查个体。在此，研究人员利用加速度计测量了在南部非洲广泛放牧、暴露于自然捻转血矛线虫感染环境下的小型反刍动物（绵羊和山羊）的个体活动量，时间跨度长达13个月以上。结合机器学习，该活动数据可预测绵羊健康状况恶化（FAMACHA评分升高），受试者工作特征曲线下面积（AUC）达82.7%，并能识别治疗无反应的动物，AUC为66.4%。研究人员证明这些分类器随时间推移保持稳健，并且对其训练结果的解释表明，健康状况不佳（如由血矛线虫病引起）显著影响夜间活动水平，其程度高于白天。该研究揭示，低成本生物记录仪（biologgers）可利用行为模式检测动物健康的细微变化，并实现及时、靶向的干预。这在改善经济结果和动物福利方面具有巨大潜力，同时限制了驱虫药物的使用，并减少了商业和贫困社区农业中针对驱虫药耐药性（AR）的选择压力。
研究人员针对小型反刍动物蠕虫感染早期健康预测难题，开展了基于低成本加速度计与机器学习的交叉研究。该研究旨在解决传统FAMACHA评分系统依赖高频人工检查、劳动强度大且成本高昂的问题，通过远程监测行为变化实现自动化、早期的健康预警，以优化靶向治疗并延缓驱虫药耐药性（AR）的发展。研究选取南非两个农场的伊拉·德·法兰西（Ile de France）绵羊和山羊群体，利用Accitrack系列射频识别（RFID）应答器采集长达13个月的活动计数数据，并结合定期的FAMACHA临床评分作为金标准。数据分析前进行了严格的数据预处理，包括基于群体均值活动的归一化、Anscombe变换以稳定方差，并采用基于多向循环神经网络（MRNN）的深度学习方法进行缺失数据插补。随后，研究人员构建了监督机器学习流程，主要使用支持向量机（SVM）算法，通过重复嵌套k折交叉验证优化超参数，建立了预测健康状态转变及治疗后反应的分类模型。研究结果表明，仅利用加速计数据即可在绵羊中实现对健康状态下降（FAMACHA 1→1 vs 2→2）高达83% AUC的预测精度，且该信号主要捕捉于夜间活动差异。此外，模型在面对气候季节性变化时表现出良好的鲁棒性（概念漂移控制），且活动数据本身已内在包含了降雨等气候变量对寄生虫侵袭的预测能力。这一成果证实了利用低成本传感器网络替代部分繁重人工筛查、实现资源匮乏地区可持续寄生虫管理的可行性。该论文发表于《International Journal for Parasitology》。
关键技术方法包括：1. 数据采集与设备验证，使用Accitrack v1/v2应答器在南非Delmas和Cedara农场对绵羊和山羊进行长期监测，并通过手部模拟及田间试验验证了设备区分静息与活动状态的可靠性；2. 数据预处理与插补，针对信号衰减和丢失问题，采用基于群体均值的缩放系数校正个体差异，利用Anscombe变换处理计数数据，并应用多向循环神经网络（MRNN）进行深度学习驱动的缺失值插补；3. 机器学习建模，构建基于支持向量机（SVM）的监督学习管道，采用10次重复的5折交叉验证评估模型性能，并通过网格搜索进行正则化调优。
研究结果如下：
活动水平预测小型反刍动物健康状态：研究人员利用Delmas绵羊群的数据，通过7天加速计数据预测FAMACHA 1→1与2→2的状态，中位精确率达74%，受试者工作特征曲线下面积（AUC）为83%。对于Cedara的山羊群，预测AUC为70%。采用留二法（LTO）交叉验证评估未见动物数据的泛化能力，绵羊AUC为71%，证实了模型对新个体的预测有效性。
活动水平预测治疗反应：研究比较了治疗后FAMACHA 2→1与始终健康（1→1）的动物活动模式。结果显示，尽管训练集规模有限，分类器仍能以66%（绵羊）和71%（山羊）的AUC预测对治疗的反应，表明活动数据可用于识别治疗无效个体。
习得分类器在大时间尺度上的鲁棒性：通过分析不同季节（2015年3月至10月与10月至2016年4月）的数据，研究人员发现虽然不健康动物的活动聚类随季节略有变化，但分类决策边界未受显著干扰，训练期与测试期互换的AUC分别为69%和75%，证明了模型抵抗概念漂移的能力。
活动水平吸收了气候对寄生虫侵袭的预测能力：对比降雨数据与活动数据的预测效能，Wilcoxon符号秩检验显示，仅使用活动数据（AUC 83%）显著优于仅使用降雨数据（AUC 75%），且两者结合并未提升性能（AUC 81%），表明动物的行为反应已内在包含了环境气候对寄生虫负荷的影响。
夜间活动水平对预测绵羊健康状态更为重要：通过对SVM特征权重的逆向变换分析，研究人员发现模型赋予夜间活动时段更高的判别权重（Wilcoxon p = 0.015），表明健康状况下降对夜间行为的影响比白天更为显著。
讨论部分总结：研究人员指出，本研究证明了亚临床疾病（FAMACHA 1升至2）可通过低成本生物记录仪预测，且夜间的判别信号更强。尽管传感器存在校准和佩戴位置的变异，但通过群体归一化处理仍提取出稳健的生物标志物。研究强调了在资源匮乏环境下，利用简易设备结合机器学习进行早期健康预警的可行性，这有助于减少不必要的全群给药，从而延缓驱虫药耐药性（AR）的产生。未来研究方向包括利用在线强化学习建立终身学习的决策支持系统，以及通过多变量时间序列统计建模进一步解析牛羊在健康与疾病状态下的行为特征。
结论部分翻译：分析表明，被视为亚临床疾病的状态（即FAMACHA评分从1（“最佳”）增加到2（“可接受”）并在绵羊长达一周、山羊两周内保持为2）可以通过低成本生物记录仪测量的行为来预测，且这种预测优于单独使用气候数据。此外，研究人员发现，对于绵羊农场，判别能力在夜间增强，这可能是由于夜间围栏环境中的特定行为所致。尽管在资源匮乏的农业系统中收集稳健的注释数据集具有挑战性，但本研究展示了一个基本的机器学习流程可以利用活动水平的波动来区分行为线索。由于发现了一定程度的概念漂移，特别是寄生虫负担增加的动物，这提示了未来研究的两个途径：（a）从部署预训练模型开始，使用在线强化学习技术创建一个“终身学习”的决策支持系统，该系统识别需要FAMACHA评估的动物并将结果反馈以动态更新模型校准；（b）多变量时间序列统计建模，以进一步表征健康与患病状态下绵羊和山羊的行为性质。
