一种预测中国荷斯坦牛乳房炎发病风险的系统的制作方法

本发明涉及动物医学领域中，一种预测中国荷斯坦牛乳房炎发病风险的系统。
背景技术：
：奶牛乳房炎不仅使奶牛产奶量显著下降而造成严重经济损失，还可导致乳汁成分发生改变，使牛奶的营养价值和食用价值显著下降。据乳房或乳汁有无肉眼可见的变化，奶牛乳房炎分为临床乳房炎和隐性乳房炎两类。目前测定乳房炎反应的指标是dhi测定记录中的乳汁体细胞数(scc)。dhi是一套针对奶牛泌乳性能及乳成分的完整奶牛生产性能记录体系。目前国际上乳汁scc的判断标准在10万·ml-1～50万·ml-1不等。为克服scc在统计分析中的不足，通常将其转换成遵循正态分布的体细胞评分(scs)的形式。及早发现奶牛乳房炎有利于患病奶牛的治疗，进而可以减少与乳房炎相关的经济损失。奶牛乳房炎风险预测已有多种模型，其中logistic回归、深度学习、随机森林等模型所得准确率及预测价值并无显著差异。回归分析通过一组预测变量，预测一个或多个响应变量。这种统计分析方法可用于评估预测变量对响应变量的预期效果。技术实现要素：本发明所要解决的技术问题是如何预测奶牛尤其是中国荷斯坦牛乳房炎发病风险。本发明首先提供了用于预测或辅助预测奶牛乳房炎发病风险的系统，所述系统包括参数采集物质；所述参数采集物质用于采集待测奶牛的所处的场规模与季节、分娩胎次、泌乳阶段以及乳汁体细胞数(scc)或体细胞评分(scs)。上述系统中，所述参数采集物质可为设备和/或试剂。上述系统中，scs取值可为0～9.9。scs值＝log2(scc/100,000)+3。上述系统中，所述奶牛乳房炎可为奶牛临床乳房炎或隐性乳房炎。所述临床乳房炎可满足奶牛乳汁scc>50万·ml-1。所述隐性乳房炎可满足奶牛乳汁10万·ml-1＜scc≤50万·ml-1。上述系统中，所述系统还可包括风险预测模块或设置有所述风险预测模块的计算设备，所述风险预测模块能根据待测奶牛的所处的场规模与季节、分娩胎次、泌乳阶段以及scc或scs预测奶牛乳房炎发病风险。上述系统中，所述奶牛乳房炎为奶牛临床乳房炎，所述风险预测模块可根据式i预测奶牛临床乳房炎发病风险：logitp临＝-4.3759-0.3926x1+0.4070x2+0.2340x3+0.2367x4+0.6596x5(式i)；其中，p临为临床乳房炎预测概率；x1为场规模，场规模为泌乳牛≤800头时x1取值为1，场规模为泌乳牛＞800头时x1取值为2；x2为分娩胎次，分娩胎次为一胎、二胎和三胎时x2的取值分别为1、2和3；x3为测定季节，测定季节为6、7或8月时x3取值为1，测定季节非6、7和8月时x3取值为2；x4为泌乳阶段，泌乳阶段为1～100天、101～200天、201～300天及＞300天时x4的取值分别为1、2、3和4；x5为scs值，scs值＝log2(scc/100,000)+3。上述系统中，所述奶牛乳房炎为奶牛隐性乳房炎，所述风险预测模块可根据式ii预测奶牛隐性乳房炎发病风险：logitp隐＝-2.3966-0.1683x1+0.2618x2+0.0879x3+0.2507x4+0.4432x5(式ii)；其中，p隐为隐性乳房炎预测概率；x1为场规模，场规模为泌乳牛≤800头时x1取值为1，场规模为泌乳牛＞800头时x1取值为2；x2为分娩胎次，分娩胎次为一胎、二胎和三胎时x2的取值分别为1、2和3；x3为测定季节，测定季节为6、7或8月时x3取值为1，测定季节非6、7和8月时x3取值为2；x4为泌乳阶段，泌乳阶段为1～100天、101～200天、201～300天及＞300天时x4的取值分别为1、2、3和4；x5为scs值，scs值＝log2(scc/100,000)+3。上述系统还可包括可读性载体；所述可读性载体能根据待测奶牛的所处的场规模与季节、分娩胎次、泌乳阶段以及scc或scs预测奶牛临床乳房炎发病风险，所述可读性载体可记载有如下式i：logitp临＝-4.3759-0.3926x1+0.4070x2+0.2340x3+0.2367x4+0.6596x5(式i)；其中，p临为临床乳房炎预测概率；x1为场规模，场规模为泌乳牛≤800头时x1取值为1，场规模为泌乳牛＞800头时x1取值为2；x2为分娩胎次，分娩胎次为一胎、二胎和三胎时x2的取值分别为1、2和3；x3为测定季节，测定季节为6、7或8月时x3取值为1，测定季节非6、7和8月时x3取值为2；x4为泌乳阶段，泌乳阶段为1～100天、101～200天、201～300天及＞300天时x4的取值分别为1、2、3和4；x5为scs值，scs值＝log2(scc/100,000)+3。上述系统还还可包括可读性载体；所述可读性载体能根据待测奶牛的所处的场规模与季节、分娩胎次、泌乳阶段以及scc或scs预测奶牛隐性乳房炎发病风险，所述可读性载体记载有如下式ii：logitp隐＝-2.3966-0.1683x1+0.2618x2+0.0879x3+0.2507x4+0.4432x5(式ii)；其中，p隐为隐性乳房炎预测概率；x1为场规模，场规模为泌乳牛≤800头时x1取值为1，场规模为泌乳牛＞800头时x1取值为2；x2为分娩胎次，分娩胎次为一胎、二胎和三胎时x2的取值分别为1、2和3；x3为测定季节，测定季节为6、7或8月时x3取值为1，测定季节非6、7和8月时x3取值为2；x4为泌乳阶段，泌乳阶段为1～100天、101～200天、201～300天及＞300天时x4的取值分别为1、2、3和4；x5为scs值，scs值＝log2(scc/100,000)+3。上述系统中，所述参数采集物质可包括利用显微镜法、电子粒子计数法(库尔特计数仪计数法)或荧光光电计数法测定scc所用仪器，如显微镜、库尔特计数仪或荧光光电计数仪法所用体细胞检测仪(如丹麦foss公司或美国bentley公司的体细胞检测仪)。上述系统可仅由所述参数采集物质组成，还可由所述参数采集物质与所述风险预测模块组成，还可由所述参数采集物质与设置有所述风险预测模块的计算设备组成，还可由所述参数采集物质与所述可读性载体组成。本发明还提供了所述用于预测或辅助预测奶牛乳房炎发病风险的系统的使用方法，所述方法包括：1)采集待测奶牛的所处的场规模与季节、分娩胎次、泌乳阶段以及scc或scs；2)根据式i计算临床乳房炎预测概率或根据式ii计算隐性乳房炎预测概率；logitp临＝-4.3759-0.3926x1+0.4070x2+0.2340x3+0.2367x4+0.6596x5(式i)，p临为临床乳房炎预测概率；logitp隐＝-2.3966-0.1683x1+0.2618x2+0.0879x3+0.2507x4+0.4432x5(式ii)，p隐为隐性乳房炎预测概率；x1为场规模，场规模为泌乳牛≤800头时x1取值为1，场规模为泌乳牛＞800头时x1取值为2；x2为分娩胎次，分娩胎次为一胎、二胎和三胎时x2的取值分别为1、2和3；x3为测定季节，测定季节为6、7或8月时x3取值为1，测定季节非6、7和8月时x3取值为2；x4为泌乳阶段，泌乳阶段为1～100天、101～200天、201～300天及＞300天时x4的取值分别为1、2、3和4；x5为scs值，scs值＝log2(scc/100,000)+3。本发明还提供了所述用于预测或辅助预测奶牛乳房炎发病风险的系统在制备预测或辅助预测奶牛乳房炎发病风险产品中的应用。所述奶牛乳房炎可为奶牛临床乳房炎或隐性乳房炎。本发明中，所述系统可为产品。所述产品可为试剂盒。所述奶牛可为中国荷斯坦牛。本发明中，所述参数采集物质所采集的参数可为奶牛一个月的参数，所述系统可用于预测下个月的乳房炎发病风险。p隐数值越大，隐性乳房炎发病风险越大；p临数值越大，临床乳房炎发病风险越大。实验证明，本发明的用于预测或辅助预测奶牛乳房炎发病风险的系统不仅可以预测临床乳房炎发病风险，还可预测隐性乳房炎发病风险，且准确性高，灵敏度高，特异性高，预测简单快速。本发明可以实现提前发现具有高乳房炎发病风险的奶牛，进而在生产中提前防范，防止奶牛患乳房炎，对奶牛乳房炎发生的早期检测和预防具有重要的指导意义，适于推广应用。附图说明图1是隐性乳房炎风险评估模型的roc曲线。图2是临床乳房炎风险评估模型的roc曲线。图中，model表示乳房炎风险评估模型，herd_scale表示场规模，parity表示胎次，test_season表示测定季节，dim表示泌乳阶段，scs_this_month表示本月scs值。具体实施方式本发明提供了一种预测中国荷斯坦牛乳房炎发病情况的风险评估系统，该系统用于评估和预测奶牛下个月患乳房炎的风险；该系统包括：因素分析模块：用于对预测奶牛乳房炎的风险指标进行选择及分析；计算模块：用于根据风险指标的记录及logistic回归方程式计算预测概率；预测模块：根据预测概率，预测奶牛下个月的乳房炎发病情况。因素分析模块，进一步包括：因素选择子模块：用于对乳房炎风险因素进行选择；乳房炎风险因素包括：场规模、胎次、季节、泌乳阶段、本月scs；分类因素判定子模块：用于对分类风险因素进入风险评估模型的形式进行判定并赋值；因素形式包括：场规模，分为小型及中型(1)、大型(2)；胎次，分为一胎(1)、二胎(2)及三胎(3)；测定季节，分为夏季(1)、非夏季(2)；泌乳阶段，分为1～100天(1)、101～200天(2)、201～300天(3)及＞300天孕次(4)；因素分析子模块：用于分析风险因素形式中更倾向于发生隐性、临床乳房炎的因素形式；选用场规模+胎次+测定季节+泌乳阶段等为变量代入多因素logistic回归方程，据or值确定更倾向于发生隐性、临床乳房炎的因素形式；其中，形式的的or值，表示该风险形式更倾向于发生隐性或临床乳房炎。计算模块中，隐性乳房炎logistic回归方程式为：临床乳房炎logistic回归方程式为：logitp临＝-4.3759-0.3926x1+0.4070x2+0.2340x3+0.2367x4+0.6596x5(式i)，p临为临床乳房炎预测概率；其中，x1为场规模、x2为胎次、x3测定季节、x4为泌乳阶段、x5为scs值；logitp隐＝-2.3966-0.1683x1+0.2618x2+0.0879x3+0.2507x4+0.4432x5(式ii)，p隐为隐性乳房炎预测概率；其中，x1为场规模、x2为胎次、x3测定季节、x4为泌乳阶段、x5为scs值；p隐数值越大，隐性乳房炎发病风险越大；p临数值越大，临床乳房炎发病风险越大。下面结合具体实施方式对本发明进行进一步的详细描述，给出的实施例仅为了阐明本发明，而不是为了限制本发明的范围。以下提供的实施例可作为本
技术领域：
普通技术人员进行进一步改进的指南，并不以任何方式构成对本发明的限制。下述实施例中的实验方法，如无特殊说明，均为常规方法，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。下述实施例中所用的材料、试剂、仪器等，如无特殊说明，均可从商业途径得到。以下实施例中的定量试验，均设置三次重复实验，结果取平均值。实施例1、中国荷斯坦牛乳房炎发病情况的风险评估系统的构建1.奶牛生产性能测定记录收集选取北京地区dhi数据(来自北京市奶牛中心)，覆盖121个牛场的78,386头中国荷斯坦牛，时间为1998～2016年，共计1,967,310条dhi测定记录。数据内容包括个体号、胎次、产犊日期、测定日期、产奶天数和scc等。其中，scc可采用显微镜法、电子粒子计数法(库尔特计数仪计数法)或荧光光电计数法测定。对获得的原始dhi记录：删除scc缺失的牛只记录；删除前4天的scc值避免因前4天的scc值偏高造成偏差；筛选同一头奶牛连续两个月都具有dhi的记录，并根据下一月scc将中国荷斯坦牛分为健康组、隐性乳房炎组以及临床乳房炎组；应用国际通用的转换公式scs＝log2(scc/100,000)+3将scc值转化为scs，并取scs为0～9.9的数据集。其中，乳房炎判定标准为：健康组，scc≤10万·ml-1；隐性乳房炎组，10万·ml-1＜scc≤50万·ml-1；临床乳房炎组，scc>50万·ml-1。剔除后，共得781,611条dhi记录。2.乳房炎风险因素的选择使用北京地区dhi数据，利用sas9.2软件对影响奶牛乳房炎预测的各个因素进行单因素分析，对单个因素进行初步筛选，探究单个因素对奶牛乳房炎的影响大小，确定健康组、隐性乳房炎组组和临床乳房炎组组间有统计学意义的指标，即奶牛乳房炎风险因素。3.乳房炎风险因素的形式判定及赋值利用北京地区dhi数据进行分析，根据计算奶牛隐性乳房炎组及临床乳房炎组的logit(p)，并绘制折线图，以确定分类变量进入模型的形式同时赋值。分类因素形式包括：场规模，分为小型及中型(1)、大型(2)；胎次，分为一胎(1)、二胎(2)及三胎(3)；测定季节，分为夏季(1)、非夏季(2)；泌乳阶段，分为1～100天(1)、101～200天(2)、201～300天(3)及＞300天孕次(4)，括号中数字均为不同指标的赋值。其中，场规模的小型及中型是指泌乳牛≤800头，场规模的大型是指泌乳牛＞800头。胎次的一胎、二胎及三胎是指奶牛生产胎次。夏季是指6、7、8月，非夏季是指非6、7、8月。泌乳阶段是指奶牛生产后的泌乳时间。各单因素分析结果见表2和图2。4.隐性乳房炎组及临床乳房炎组各单因素分析使用北京奶牛中心提供的dhi数据进行奶牛乳房炎风险评估。选用场规模+胎次+测定季节+泌乳阶段为变量进行分析，各因素的定义及赋值同步骤3。各单因素分析结果见表1和图1。据or值确定更倾向于发生隐性、临床乳房炎的因素形式；其中，or值大小，表示该风险形式更倾向于发生隐性或临床乳房炎。其中，在场规模为小型及中型时，奶牛的隐性乳房炎与临床乳房炎的风险显著增加；奶牛产二胎和三胎后的隐性乳房炎与临床乳房炎的风险均显著增加；在夏季隐性乳房炎与临床乳房炎的风险显著增加；在泌乳101～200天、201～300天和300天后(即＞300天)的隐性乳房炎与临床乳房炎的风险也均显著增加。表1、隐性乳房炎组单因素分析注：1为参考类别；***，p<0.001。表2、临床乳房炎组因素分析注：1为参考类别；***，p<0.001。5.乳房炎风险评估模型的建立针对步骤1中筛选得数据集，以各风险指标(场规模、胎次、测定季节、泌乳阶段与scs值)为自变量，乳房炎患病情况为因变量，采用非条件多因素logistic回归分析方法建立模型，分别获得隐性乳房炎及临床乳房炎的logistic回归方程(即乳房炎风险评估模型)如下：logitp临＝-4.3759-0.3926x1+0.4070x2+0.2340x3+0.2367x4+0.6596x5(式i)，p临为临床乳房炎预测概率；其中，x1为场规模、x2为胎次、x3为测定季节、x4为泌乳阶段、x5为奶牛生产性能记录本月scs值；logitp隐＝-2.3966-0.1683x1+0.2618x2+0.0879x3+0.2507x4+0.4432x5(式ii)，p隐为隐性乳房炎预测概率；其中，x1为场规模、x2为胎次、x3为测定季节、x4为泌乳阶段、x5为奶牛生产性能记录本月scs值。6.p阈值确定根据上述回归方程所得p值预测隐性乳房炎及临床乳房炎的方法如下：p隐数值越大，隐性乳房炎发病风险越大；p临数值越大，临床乳房炎发病风险越大。具体的，如p隐＞0.5，则待测奶牛下个月患隐性乳房炎，如p隐≤0.5，则待测奶牛下个月不患隐性乳房炎；如p临＞0.5，则待测奶牛下个月患临床乳房炎，如p临≤0.5，则待测奶牛下个月不患临床乳房炎。如p临＞0.5且p隐＞0.5，则待测奶牛下个月患临床乳房炎；如p临≤0.5且p隐＞0.5，则待测奶牛下个月患隐性乳房炎；如p临≤0.5且p隐≤0.5，则待测奶牛下个月不患临床乳房炎，也不患隐性乳房炎；未见p临＞0.5且p隐≤0.5的情况。7.利用实际数据测试验证模型利用步骤1的781,611条dhi记录，评估上述乳房炎风险评估模型预测奶牛乳房炎的准确率。结果显示，利用上述隐性乳房炎风险评估模型预测隐性乳房炎的准确性为67.6％，灵敏度为50.7％，特异性为80.3％，曲线下面积为0.7214；利用场规模预测隐性乳房炎的曲线下面积为0.5130；利用胎次预测隐性乳房炎的曲线下面积为0.5645；利用测定季节预测隐性乳房炎的曲线下面积为0.5112；利用泌乳阶段预测隐性乳房炎的曲线下面积为0.5749；利用scs预测隐性乳房炎的曲线下面积为0.7133。表明利用上述隐性乳房炎风险评估模型预测隐性乳房炎优于各单独的指标。利用上述临床乳房炎风险评估模型预测临床乳房炎的准确性为83.6％，灵敏度为42.5％，特异性为94.9％，曲线下面积为0.8251；利用场规模预测临床乳房炎的曲线下面积为0.5356；利用胎次预测临床乳房炎的曲线下面积为0.6105；利用测定季节预测临床乳房炎的曲线下面积为0.5282；利用泌乳阶段预测临床乳房炎的曲线下面积为0.5762；利用scs预测临床乳房炎的曲线下面积为0.8157。表明，利用上述临床乳房炎风险评估模型预测临床乳房炎优于各单独的指标。实施例2、利用奶牛生产性能测定记录测试检验模型的准确率应用牧场的中国荷斯坦牛dhi数据，对实施例1的乳房炎风险评估模型预测奶牛乳房炎的准确率进行评估。其中，dhi数据内容包括个体号、胎次、产犊日期、测定日期、产奶相关记录和scc等。dhi数据来源于北京市另一示范牛场。利用r5.4.1软件对dhi数据进行整理，并应用logistic回归模型对牧场dhi数据中各测定指标进行分析，比较每月预测情况与下月奶牛乳房炎实际情况之间的一致性以验证模型的准确率。奶牛乳房炎发病判定标准为：scc＞50万/毫升。结果见表3，结果显示，准确率均在65％以上。表3、牧场奶牛生产性能测定记录测试检验模型准确率月份2月3月4月5月6月平均泌乳牛头数123413391329126311651266准确率67％69％81％66％65％70％以上对本发明进行了详述。对于本领域技术人员来说，在不脱离本发明的宗旨和范围，以及无需进行不必要的实验情况下，可在等同参数、浓度和条件下，在较宽范围内实施本发明。虽然本发明给出了特殊的实施例，应该理解为，可以对本发明作进一步的改进。总之，按本发明的原理，本申请欲包括任何变更、用途或对本发明的改进，包括脱离了本申请中已公开范围，而用本领域已知的常规技术进行的改变。按以下附带的权利要求的范围，可以进行一些基本特征的应用。当前第1页12