Campylobacter species abortion in sheep.

This focus article was prepared by Jasmine Smith of the APHA Small Ruminant Species Expert Group. Data extraction and analysis was done by Anna Brzozowska of the APHA Surveillance Intelligence Unit and Leanne Dempsey from APHA Thirsk.

Laboratory diagnosis of gastrointestinal nematodes in first-grazing-season cattle.

This focus article has been prepared by Natalie Jewell of the APHA Cattle Expert Group with the assistance of Vanessa Swinson (veterinary lead of the APHA Cattle Expert Group), Claire Hayman, Lucy Martindale and Anna Brzozowska (Surveillance Intelligence Unit), and Siân Mitchell (formerly the APHA's parasitology discipline champion).

Applications of machine learning in animal and veterinary public health surveillance.

Machine learning (ML) is an approach to artificial intelligence characterised by the use of algorithms that improve their own performance at a given task (e.g. classification or prediction) based on data and without being explicitly and fully instructed on how to achieve this. Surveillance systems for animal and zoonotic diseases depend upon effective completion of a broad range of tasks, some of them amenable to ML algorithms. As in other fields, the use of ML in animal and veterinary public health surveillance has greatly expanded in recent years. Machine learning algorithms are being used to accomplish tasks that have become attainable only with the advent of large data sets, new methods for their analysis and increased computing capacity. Examples include the identification of an underlying structure in large volumes of data from an ongoing stream of abattoir condemnation records, the use of deep learning to identify lesions in digital images obtained during slaughtering, and the mining of free text in electronic health records from veterinary practices for the purpose of sentinel surveillance. However, ML is also being applied to tasks that previously relied on traditional statistical data analysis. Statistical models have been used extensively to infer relationships between predictors and disease to inform risk-based surveillance, and increasingly, ML algorithms are being used for prediction and forecasting of animal diseases in support of more targeted and efficient surveillance. While ML and inferential statistics can accomplish similar tasks, they have different strengths, making one or the other more or less appropriate in a given context.

L'apprentissage automatique (AA) est une approche de l'intelligence artificielle caractérisée par l'utilisation d'algorithmes qui améliorent leurs propres performances sur une tâche donnée (par exemple, la classification ou la prédiction) sur la base de données et sans avoir reçu d'instructions spécifiques ou complètes concernant la marche à suivre. Les systèmes de surveillance des maladies animales et des zoonoses sont tributaires de la mise en oeuvre efficace d'un large éventail de tâches, parmi lesquelles certaines sont susceptibles de fonctionner avec des algorithmes d'AA. Comme dans d'autres domaines, l'utilisation de l'AA s'est beaucoup développée ces dernières années dans le secteur de la surveillance de la santé animale et de la santé publique vétérinaire. Les algorithmes d'AA sont utilisés pour accomplir des tâches qui ne sont devenues possibles que grâce à l'arrivée de grandes séries de données, de nouvelles méthodes d'analyse et de capacités informatiques accrues. Parmi les exemples, on peut citer la capacité à déceler une structure sous-jacente dans de grands volumes de données provenant d'un flux continu de registres de saisies d'abattoirs, l'utilisation de l'apprentissage profond pour identifier les lésions révélées par les images numériques obtenues pendant l'abattage et l'extraction de texte libre à partir des registres sanitaires électroniques des cabinets vétérinaires à des fins de surveillance sentinelle. L'AA est cependant également appliqué dans des tâches qui s'appuyaient précédemment sur une analyse classique de données statistiques. Les modèles statistiques ont été largement utilisés pour déduire des relations entre prédicteurs et maladie afin d'étayer la surveillance fondée sur le risque ; les algorithmes d'AA sont de plus en plus utilisés pour prédire et pronostiquer des maladies animales en vue d'une surveillance plus ciblée et efficace. S'il est vrai que l'AA et la statistique inférentielle peuvent accomplir des tâches similaires, chaque approche présente ses propres atouts et pourra se révéler plus ou moins pertinente selon le contexte spécifique.

El aprendizaje automático es una vertiente de la inteligencia artificial que se caracteriza por el uso de algoritmos capaces de mejorarse a sí mismos en la ejecución de una determinada tarea (p.ej., procesos de clasificación o predicción) con empleo de datos y sin necesidad de recibir instrucciones explícitas y completas sobre la manera de lograrlo. Los sistemas de vigilancia de enfermedades animales y zoonóticas dependen de la ejecución eficaz de numerosas y muy diversas tareas, algunas de las cuales se prestan al uso de algoritmos de aprendizaje automático. Al igual que en otros campos, la aplicación del aprendizaje automático en sanidad animal y salud pública veterinaria se ha extendido sobremanera en los últimos años. Ahora se utilizan algoritmos de aprendizaje automático para realizar tareas que solo han empezado a ser factibles con el advenimiento de ingentes conjuntos de datos, nuevos métodos para analizarlos y una mayor capacidad de tratamiento informático. Entre otros ejemplos, cabe citar la determinación de la estructura subyacente de grandes volúmenes de datos procedentes de un flujo continuo de registros de los descartes de matadero; la utilización del aprendizaje profundo para detectar lesiones en imágenes digitales obtenidas durante las operaciones de sacrificio, o el análisis del texto libre de registros sanitarios electrónicos de procedimientos veterinarios con fines de vigilancia centinela. Con todo, el aprendizaje automático se está aplicando también a tareas que anteriormente reposaban en el análisis estadístico clásico de los datos. Los modelos estadísticos han sido extensamente utilizados para inferir relaciones entre una enfermedad y uno u otro predictor y alimentar a partir de ahí la vigilancia basada en el riesgo. Por otro lado, cada vez más se vienen empleando algoritmos de aprendizaje automático para predecir y anticipar enfermedades animales y conferir así más eficacia y especificidad a las actividades de vigilancia. Aunque el aprendizaje automático y la estadística inferencial realizan tareas parecidas, sus puntos fuertes son distintos, con lo cual, en función del contexto de que se trate, será preferible recurrir a uno u otro método.

Update on severe summer scour syndrome in cattle.

This focus article has been prepared by Vanessa Swinson, veterinary lead of the APHA Cattle Expert Group, Liz Nabb, of APHA Starcross, Katrina Henderson, of SRUC Dumfries, and Mick Millar, of the University of Bristol Veterinary School.