Utilização de inteligência artificial (redes neurais artificiais) para a classificação do comportamento bioquímico de amostras de Escherichia coli isoladas de frangos de corte

Abstract

A Escherichia coli é comumente encontrada na avicultura e muitas vezes sua presença no organismo dos animais e/ou contaminando as camas de aviários não causa estranheza. Por outro lado, a utilização de inteligência artificial, especificamente redes neurais artificiais, está sendo crescentemente empregada como ferramenta para medir relações não lineares entre variáveis. Neste trabalho foram usados os dados disponíveis referentes a 261 amostras da bactéria oriundas de camas de aviários, lesões de celulite e quadros respiratórios de frangos de corte. O diagnóstico laboratorial envolveu o isolamento do agente, a caracterização dos genes associados à virulência, as lesões provocadas pela inoculação em pintos, o Índice de Patogenicidade das amostras e a resistência antimicrobiana a 14 antibióticos que foram as entradas das redes neurais e sete provas bioquímicas as saídas. A principal conclusão deste artigo foi de que as redes neurais foram capazes de realizar a classificação correta do comportamento das amostras com amplitude de 87,80% a 98,37%. A sensibilidade e a especificidade das classificações obtidas variaram de 59,32% a 99,47% e de 80,00% a 98,54%, respectivamente.

The Escherichia coli is often found in the poultry industry and, many times, its presence in the organism of the animals and/or contaminating the litter of poultry houses don’t cause surprise. On the other hand, the use of artificial intelligence, specifically, artificial neural network, is being increasingly used as tool to measure not linear relations between variables. In this work we used available data from 261 samples of the bacterium isolated of poultry litter, lesions of cellulitis and respiratory problems of broilers. The laboratory diagnosis involved the isolation of the agent, the characterization of the genes associates with the virulence, the lesions provoked by the inoculation in day-old-chicks, the Pathogenicity Index of the samples and the antimicrobial resistance against 14 antibiotics. Those variables were the inputs of the neural network and the outputs were seven biochemical tests. The main conclusion of this paper was that the neural network were capable to make correct classification of the biochemical reactions of all the samples with amplitude from 87.80% to 98.37%. The sensitivity and the specificity of the classifications varied from 59.32% to 99.47% and from 80.00% to 98.54%, respectively.