Афонюшкин В.Н. Вопросы использования компьютерных и математических технологий в практике ветеринарной службы птицефабрики.

(lisocim@mail.ru, www.laboratorium.narod.ru)

 

Рост компъютеризации, разработка широкого спектра программного обеспечения, широкое распространение сетевых технологий и наконец, повышение компьютерной грамотности у значительной части ветеринарных специалистов создают предпосылки для внедрения компъютерных технологий в практику ветеринарных служб.

Рассмотрим основные направления использования компъютера.

Автоматизация рутинных вычислений, использование компьютера в качестве печатной машинки - безусловно самый распространенный способ использования компьютера.

В то же время, нецелесообразно ограничиваться только этим. Например, немалое количество сложных математических и статистических расчетов становиться возможным выполнять простым практикам, и не обязательно, при этом, понимать всю математическую сущность таких процедур.

К наиболее перспективным математическим и статистическим расчетам следует отнести выявление различных зависимостей, взаимосвязей, статистической достоверности различий разнообразных параметров. Для этих целей, в зависимости от постановки вопроса используют, корелляционно-регрессивный анализ, дисперсионный анализ, оценку достоверности различий между группами птицы (по Стьюденту), и т.д. Например, изучение взаимосвязи с использованием корелляционно-регрессивного анализа между уровнем гидратации птицы, уровнем протеина витамина Д и уровнем мочевой кислоты позволяет выявить механизм мочекислого диатеза. Широко корелляционно-регрессионный анализ используется в лабораторной практике при фотометрических и спектрофотометрических исследованиях, в данном случае выявляют линейную зависимость между изменением прозрачности реагента (оптической плотности) и концентрацией определяемого вещества в пробе. Для пересчета единиц оптической плотности в концентрацию вещества содержащегося в пробе используют коэффициент регрессии. Однако зависимость одного параметра от другого может быть нелинейной, в этом случае приходится использовать более сложные математические процедуры (в лабораторной практике это сплайн интерполяция - позволяющая автоматизировать процессы расчетов по калибровочным кривым), при изучении зависимости например, заболеваемости птицы от активности кислой фосфатазы можно использовать критерий «ню». Более простой способ сравнения двух групп птицы например с разными уровнями инфицированности аденовирусами и интенсивностью поствакцинального ответа. В этом случае средние арифметическая титров антител сравниваются между собой и определяется достоверность различий по критерию Стьюдента.

Более сложные расчеты используются в современных инфракрасных анализаторах кормов. В данном случае такой анализатор не выявляет концентрацию того или иного витамина а замеряет характеристики спектров корма в инфракрасном диапазоне которые кореллируют с содержанием этого витамина. Недостатком такой методики может быть то, что спектральные сдвиги на самом деле могут быть обусловлены не витамином, а скажем, количеством ферментов ответственных за его синтез или вообще со структурами растительных клеток в образовании которых данный витамин принимает участие. Естественно это чревато несоответствием полученной математической модели с фактическим состоянием дел. Но далеко не всегда. Плюсом же является возможность контроля очень большого числа биохимических характеристик корма. В таких приборах обычно используется многофакторный корелляционно-регрессионный анализ либо Фурье-преобразование.

Другая важная группа математических методов - анализ колебания изучаемого параметра в группе птицы и изучение однородности популяции птицы по какому-либо критерию. Наиболее широко известный критерий это, безусловно, коэффициент вариации (Cv).  Почему это важно? Как общеизвестно даже группа птицы одного возраста и содержащаяся в одинаковых условиях будет неоднородна по массе, защитным иммунологическим реакциям и многим другим критериям. При воздействии какого-либо неблагоприятного фактора эти различия могут усилиться в связи с неодновременным и неповсеместным воздействием на популяцию либо в связи с неодинаковой способностью птицы противостоять этому фактору. Однако могут и ослабнуть если фактор не превосходит по силе защитные способности всей популяции вызывая лишь одинаковые адаптационные реакции. Пропорционально этому будет варьировать и коэффициент вариации. Иногда диагностическое значение этого коэффициента может превосходить роль исходного параметра. Наиболее часто Сv используют в иммуноферментном анализе. В сочетании с другими характеристиками, в таком случае, можно оценить однородность иммунологических реакций поголовья скорость перезаражения птицы и т.д.

Другой важный критерий - это структура распределения признака по выборке (группе птицы). Как уже упоминалось, внешне однородное стадо может разделяться на больных и здоровых, с высокой интенсивностью адаптационных процессов и низкой, с разными стадиями патологического процесса и т.д. И наоборот некоторые признаки (например, уровень кальция, калия и др.) могут поддерживаться на одинаковом уровне вне зависимости от клинического состояния. Соответственно при построении графика распределения признака по выборке можно увидеть одновершинную кривую, а может появиться несколько пиков свидетельствующих о расслоении птицы по изучаемому параметру (например, уровню иммунного ответа). Такая ситуация называется трансгрессией рядов и, обычно, она свидетельствует не в пользу благоприятного состояния стада. Для сравнения таких кривых (например по разным группам или в динамике) используют специальные коэффициенты: ассиметрия (As), коэффициент вариации (Cv) и эксцесс (Ex). О коэффициенте вариации мы уже упоминали. Эксцесс выражает степень неоднородности стада если он высок и положителен то разница между птицей с различным статусом (например биохимическим) велика - в такой ситуации, согласитесь, глупо говорить о сбалансированности рациона или профилактических мероприятиях идеально «подогнанных» под физиологические и патолофизиологические процессы в стаде. Отрицательный эксцесс также не всегда благоприятен да стадо очень однородно но в то же время это говорит о высокой, хотя и не запредельной нагрузке на изучаемую систему организма. Ассиметрия отражает ситуацию когда несколько птиц, например, с запредельными значениями фосфора в крови создают некое среднее значение ни в коей мере не отражающее состояние остальной (большей) части стада. В таком случае ассиметрия будет велика и отрицательна.

Рассмотрим вопросы упорядочивания и автоматизированной обработки стандартных, часто используемых на птицефабриках критериев (отход птицы, конверсия корма, затраты препаратов, структура падежа и т.д.). При условии ведения документации такой информации получается очень много, но в виду низкой эффективности ее обработки большая часть этих данных для анализа не используется. К наиболее эффективным средствам упорядоченного ввода данных и автоматизированной обработки данных (расчеты, обобщения, поиск, сортировка) следует отнести базы данных. Например нами разрабатывается база данных для патологоанатомических вскрытий процесс работы с ней заключается занесении в компьютер данных патологоанатомических вскрытий непосредственно во вскрывочной, в последующем база данных обеспечивает анализ динамики изменения структуры падежа, поиск вероятных диагнозов, обобщение полученных результатов по корпусам, птицефабрике в целом, за различные периоды времени. Существует возможность задать критерии при которых корпус или цех можно считать неблагополучным, например увеличение частоты встречаемости какого-либо патологоанатомического признака на 10%. Создание баз данных по разным направлениям ветеринарной и зоотехнической работы создает условия для взаимодействия между базами данных. В такой ситуации возможен уже поиск и анализ взаимосвязанных данных, например изменения в рационе и структуре заболеваемости и др. определенных комбинаций патологоанатомических признаков и результатов лабораторных исследований. Такое взаимодействие возможно как с использованием локальных сетей, так и с использованием других средств передачи информации. При этом создается возможность автоматического создания отчетов, диаграмм, статистических сводок.

Другим современным средством анализа больших массивов информации являются геоинформационные системы (ГИС). ГИС это в некотором смысле такая же база данных но способная выводить обработанные данные в виде карты и анализировать пространственно-географические взаимосвязи полученных результатов. Например, можно построить карту птицефабрики со всеми корпусами и цехами и соединить эту карту с базой данных производственной лаборатории. Например, при возникновении, у птицы какого либо корпуса, штамма устойчивого к антибиотику карта высветит этот корпус красным цветом. В принципе такую систему можно настроить на любые отклонения в любых параметрах (продуктивности, проценте отхода, инфекционного благополучия, титрах антител причем для птицы конкретного возраста, направления продуктивности и т.д.). Помимо удобства анализа больших массивов данных такая система удобна для поиска пространственных механизмов той или иной проблемы. Например, при распространении какой либо инфекции в масштабе региона или птицефабрики можно наблюдать цепочку вспышек распространяющихся от одного объекта к другому - такой феномен называют эпизоотические волны. Естественно наблюдая этот процесс на карте, проще выявить привязку к дорожной или речной сети, поставщику племенной птицы, зонам с определенными климатическими характеристиками.

Современные интернет-технологии позволяют не только эффективно и быстро пересылать результаты лабораторных исследований, получать свежую научную информацию. Практически все упомянутые методы исследований возможно проводить с использованием интернета. Например, геоинформационная система птицефабрики может автоматически черпать через Интернет последние данные по эпизоотической ситуации в регионе, база данных обновлять цены по препаратам, кормам, птицеводческой продукции автоматически выбирая наиболее выгодные, а с помощью ГИС еще и рассчитывая оптимальные позиции с учетом затрат на транспортировку, ГСМ, маршрутов перевозки попутных грузов.

Довольно широко уже внедрены в ветеринарную практику компьютерные системы совмещенные с различными приборами. Автоматический ввод и обсчет данных ИФА, обработка результатов электофореза при проведении ПЦР анализа, постоянный мониторинг температурных и влажностных режимов по всей птицефабрике с использованием соответствующих датчиков.

Таким образом, существуют не только средства сложной обработки больших массивов информации но, благодаря компьютерной технике, резко увеличиваются объемы диагностической и иной информации поступающей к ветеринарному врачу. По нашему мнению компьютеризация уже существующих на птицефабрике процессов не позволяет полноценно реализовать весь потенциал современных компьютеров и программного обеспечения. В то же время нельзя отрицать и того, что даже на уровне научно-исследовательских организаций не часто можно встретить специалистов владеющих всеми выше перечисленными методами одновременно.