生产力数据作为PRRS监测手段

编号：2601          发布日期：2026年1月22日

Mette Fertner，Jeanett Snitgaard Pelck 和 Søren Kjærgaard Boldsen          SEGES Innovation P/S

由丹麦养猪业基金（Svineafgiftstonden）资助

 主要结论

母猪场生产力数据的变化可作为监测PRRS新感染的补充手段。这项初步研究表明，五个关键参数的变化——死胎数、仔猪死亡率、妊娠期长度、返情率和初产母猪比例——可以在超过一半的猪场中，比现有监测手段更早地指示PRRS感染。该模型可以调整，根据目的不同可获得不同的性能。应进一步研究是否所有五个参数都是必要的以达到最优效果，并且在可能实施前应在实践中对模型进行测试。

摘要

本研究旨在评估生产力数据的变化是否能够指示丹麦母猪场中PRRS的新感染，从而作为现有监测手段（包括临床症状和年度检测）的补充。          结果显示，五个关键参数的变化——死胎数、仔猪死亡率、妊娠期长度、返情率和初产母猪比例——可以在超过一半的猪场中比现有监测更早地指示PRRS感染。          表现最佳的模型在实现早期检测的同时保持了高特异性，取得了以下结果：敏感性76.7% [66.1; 84.8] CI95%，特异性98.9% [98.6; 99.1] CI95%，阳性预测值92.3%，阴性预测值96.1%。该模型识别出18次状态转变中的12次（准确率：67%），并在其中10次比现有监测更早发现（早期检测率：56%）。猪场关键参数的变化通常在实际状态转变前9.5周（中位数）就被检测到。          模型参数可根据目的进行调整——例如优先考虑高敏感性、高特异性或早期检测。因此，应根据具体应用领域选择最优模型。上述结果仅代表测试的众多模型配置中的一种。

背景

2022年5月启动的PRRS减排策略提高了对PRRS早期检测的关注，同时预计将建立PRRS无疫区。在PRRS无疫区中，尽快发现新感染至关重要，否则疾病可能在易感动物和猪场之间快速传播。

如果PRRS引起临床症状，在母猪场急性期最为明显。此时母猪可能出现食欲下降、发热、晚期流产（约在妊娠第110天）以及木乃伊胎、弱仔和死胎等症状。在生长猪中，PRRS还可能引起呼吸道疾病。美国的经验表明，PRRS爆发后通常需要约三个月（116天）生产才能恢复正常。

除了作为必须申报的疾病，当农民和兽医发现PRRS临床症状时有义务作出反应外，现有的PRRS监测还包括年度血液检测。PRRS已知在某些猪场引起临床症状，而另一些猪场则不受影响。这意味着一个新感染的猪场可能在感染后近一年才通过年度血液检测被发现。一旦怀疑猪场引入了PRRS，无论是基于临床怀疑还是生物安全漏洞，猪场将被赋予条件性状态，直到怀疑被证实或排除。可以看出，引入条件性状态是现有监测中猪场可能感染PRRS的最早警报。

通过传统方法（如血液、唾液或睾丸样本）进行更频繁的监测成本高昂。美国的研究表明，在个别猪场中，生产力数据的波动（如仔猪死亡率增加和流产数增加）在PRRS诊断之前就已出现，因此可用于监测。在丹麦，急性PRRS爆发也与生产力的显著影响相关。例如，2019年Horsens爆发导致生产力显著下降。每周分娩数减少（0.1-10.8%），活产仔数减少（每窝0.8-4.8头），死胎增加（每窝0.6-2.6头）。在13个受调查的猪场中，每窝总共缺少2.4-6.5头猪。

PRRS在急性期引起最显著的生产力波动。感染后，猪场可以控制PRRS感染，但仍被声明为PRRS阳性。

SEGES InSight是一个母猪场主可以注册的系统，通过注册他们同意与SEGES共享其生产力数据，以换取获得数据概览报告。基于生产力数据的监测是一种廉价的监测方式，可以涵盖所有母猪场。然而，这种监测的前提是猪场认真进行数据登记，并实时提交数据，以确保提交的数据是最新的。

材料与方法

目的

本研究旨在调查SEGES InSight数据中生产力参数的波动是否可以用于在比传统监测更早的阶段检测PRRS新感染。

数据

研究使用了三个来源的数据：SEGES InSight（生产力数据）、SPF登记册（PRRS状态、条件性状态引入日期和猪场类型）以及实验室送检记录（阴性实验室结果用于研究）。2022年1月1日至2025年6月3日的SEGES InSight生产力数据按周汇总。PRRS状态和阴性实验室结果日期被添加到数据集中。对于从阴性转为阳性的猪场，条件性状态引入日期被识别并纳入数据集。

PRRS阴性和PRRS新感染期的定义

由于现有申报系统中检测频率较低，大多数猪场每年仅检测一次，因此确定猪场在特定时期的真实PRRS状态具有挑战性。为了尽可能接近基于登记数据的真实状态，阴性和阳性时期按以下标准定义：          • PRRS阴性期：由两次阴性实验室检测和声明的PRRS阴性猪场状态界定的时期。          • PRRS新感染期：从条件性状态引入开始及其后90天的时期。条件性状态的引入是可能新感染的最早指示。根据文献，最明显的临床症状出现在前35-42天，而生产力参数通常在约116天后稳定（区间0-203天）。因此，PRRS新感染期被限定为首次感染指示后的90天。

生产参数

从SEGES InSight中提取了以下变量，以评估其对PRRS早期检测的潜力：          • 死胎率（%）：死胎仔猪占出生仔猪总数的比例。          • 仔猪死亡率（%）：在活产仔猪中登记的死亡率。          • 妊娠期长度：妊娠期的平均长度。          • 返情率（%）：在所有配种中返情的比例。返情定义为自上次配种以来没有后续分娩的配种。          • 初产母猪比例（%）：第一胎母猪占总母猪数的比例。

MEWMA模型

为监测生产力数据的变化，使用了多变量EWMA模型（指数加权移动平均）。该模型能够同时检测多个生产参数中的微小和渐进变化，这对于疾病爆发的早期检测尤为重要。          MEWMA模型计算一个移动平均值，其中最新观测值的权重最高，而早期观测值的权重逐渐降低。权重由参数λ控制，该参数根据模型性能优化和对生产力微小变化的敏感度权衡进行选择。通过这种方式，可以快速识别一个或多个参数的突然和持续变化，当水平超过预定义的报警阈值时触发警报。          分析中纳入了以下变量：死胎率、仔猪死亡率、妊娠期长度、返情率和初产母猪比例。每周计算每个变量的EWMA信号，然后将其纳入总体多变量监测信号的计算。共测试了九个模型（λ = 0.1; 0.2; 0.3; 0.4; 0.5; 0.6; 0.7; 0.8; 0.9），每个模型测试了九个报警阈值。

模型评估

所有模型的性能在周水平和爆发水平上进行评估。每周将猪场的真实状态（PRRS阴性或PRRS新感染）与模型是否触发警报进行比较。属于PRRS阴性或PRRS新感染期的所有周被分类为：          • 真阳性（SP）：PRRS新感染期内的警报。          • 假阳性（FP）：PRRS阴性期内的警报。          • 真阴性（SN）：PRRS阴性期内无警报。          • 假阴性（FN）：PRRS新感染期内无警报。          基于这些类别，为每个模型计算了以下指标：          • 敏感性（Se）：PRRS新感染周内触发警报的概率。          • 特异性（Sp）：PRRS阴性周内不触发警报的概率。          • 阳性预测值（PPV）：某周触发警报的猪场实际感染PRRS的概率。          • 阴性预测值（NPV）：某周未触发警报的猪场实际未感染PRRS的概率。          传统上，这些值基于2×2表计算。然而，这种方法忽略了猪场效应，并假设观测值之间独立，这是不正确的，因为同一猪场的观测值是相关的。因此，Se、Sp、PPV和NPV改为使用具有随机猪场效应和同一猪场内周之间AR(1)相关的GLMM模型估计，使用glmmPQL函数。 此外，根据Faverjon等人[9]和Mil-Homens[5]的建议，在爆发水平上评估性能：     • 准确率（Accuracy）：在新感染期内至少触发一次警报的爆发数量。          • 早期检测（Early detection）：在当前监测之前发现的爆发数量。          • 及时性（Timeliness）：警报触发周数早于猪场被当前监测确认为PRRS感染的时间——即早于条件性状态分配的时间。及时性被定义为在猪场被确认感染前所有周中持续警报的周数。          数据管理和统计分析使用R版本4.5.1[10]进行，使用了MASS[8]、dplyr[11]和tidyr[12]包。

结果与讨论

SEGES InSight包含387个母猪场的生产力数据。分析前排除了以下猪场：没有母猪或没有已知妊娠期长度的分娩记录的猪场（1个）、因不相关原因PRRS状态转变的猪场（2个）、PRRS状态未知的猪场（1个）、因PRRS以外的其他SPF疾病而状态转变的猪场（17个）、红色SPF（或正在审批红色SPF）猪场（62个）、没有至少20周连续PRRS阴性的猪场（76个）、在转阳前没有PRRS阴性状态的猪场（36个）、至少一周初产母猪比例超过30%的猪场（40个）以及连续超过21天缺少生产力数据的猪场（31个）。最终数据集包含121个猪场，其中104个为PRRS阴性，17个从PRRS阴性转为PRRS阳性。一个猪场有两次PRRS状态转变，因此数据集共包含18次PRRS状态转变。

猪场平均有160周（标准差53）的PRRS阴性状态，46周（标准差28）的PRRS阳性状态，以及25周（标准差8）的净化期。因此，数据集用于确定特异性的数据量远大于用于确定敏感性的数据量。

在18次状态转变中，八次基于临床怀疑，十次通过年度检测发现。

表1. 121个猪场中PRRS新感染期和PRRS阴性期的猪场特征，其中103个猪场持续PRRS阴性期，17个猪场从PRRS阴性转为PRRS阳性。PRRS阴性期定义为两次阴性实验室检测和声明的PRRS阴性猪场状态所界定的时期。PRRS新感染期定义为从条件性状态开始及其后90天的时期。表格显示了登记该变量的猪场数量，以及每个变量的中位数和四分位数[Q1; Q3]。

¹ 包括状态转变和持续PRRS阴性猪场

多变量模型纳入了以下五个变量的变化：死胎率、仔猪死亡率、妊娠期长度、返情率和初产母猪比例以触发警报。多个参数存在一定不确定性，因为它们也受日常管理的显著影响。仔猪死亡率仅在五个具有PRRS新感染期的猪场中登记，因此仔猪死亡率的重要性仅纳入了登记该参数的猪场的模型中。或者，仔猪死亡率可以根据断奶仔猪数和活产仔猪数之间的差值估算，这可能会增加具有该参数的猪场数量。遗憾的是，本项目未能对此进行研究。此外，不能排除模型可以简化并纳入更少参数的可能性。

共测试了81种模型组合（九个模型各九个报警阈值）。敏感性、特异性、PPV、NPV、准确率、早期检测和及时性的性能差异显著。敏感性在6.1%-80.1%之间，特异性在90.7%-100%之间，PPV在53.3%-100%之间，NPV在85.9%-96.7%之间。新感染期内至少触发一次警报的猪场数量在8到13个之间，而早期警报的中位数在实际状态转变前1到13周之间。数据集包含明显更多的阴性期而非阳性期，这影响了结果。

我们认为，能够在猪场实际状态转变前发现最多猪场且随后具有最高特异性的模型是表现最佳的模型。该模型的λ为0.2，敏感性为76.7% [66.1; 84.8] CI95%，特异性为98.9% [98.6; 99.1] CI95%，PPV为92.3%，NPV为96.1%。该模型识别出18次状态转变中的12次（准确率：67%），并在其中10次比现有监测更早发现（早期检测率：56%）。猪场通常在实际状态转变前9.5周（中位数）被发现，模型在条件性状态引入前的所有周都持续发出警报。然而，最佳模型取决于目的——其他模型可能更适合特定应用场景。

基于生产力数据的疾病监测通常优先考虑高特异性以避免误报。更具体地说，特异性至少为95%，从而误报风险最高为5%。然而，这通常以降低敏感性为代价。上述模型具有相对较高的特异性。作为回报，它发现的爆发较少，准确率为67%（12/18次爆发），而准确率最高的模型为72%（13/18次爆发）。81种模型组合的敏感性差异显著（6.1%-80.1%）。值得注意的是，敏感性是在周水平上计算的。在疾病监测背景下，优先检测疾病爆发而非在所有PRRS新感染周内检测警报。因此，在评估模型性能时，准确率优先于敏感性。此外，优先尽早发现爆发。也就是说，对于生产力数据监测要为现有监测提供额外信息，及时性应尽可能长。及时性被定义为在猪场被确认感染前所有周中持续警报的周数。

生产力数据的波动可以比现有监测更早地指示PRRS爆发。分析显示，数据集中超过一半的PRRS新感染猪场如果使用开发的模型，将在实际状态转变前约9.5周收到警报。

结论

每窝木乃伊胎数量的登记似乎是一个相对较好的PRRS感染指标。然而，只有30个猪场登记了该数据，其中仅6个有PRRS状态转变。这些猪场数量太少，无法评估该参数对模型的贡献。因此，建议更多猪场开始登记每窝木乃伊胎数量，因为它可能是PRRS的良好指标。

生产力数据的变化可用于指示猪场是否感染了PRRS。研究表明，五个参数的组合——死胎率、仔猪死亡率、妊娠期长度、返情率和初产母猪比例——可用于识别PRRS新感染。因此，基于生产力数据的监测可以作为现有监测的一种成本效益高的补充手段。然而，应进一步研究是否所有五个参数都是必要的以达到最优模型性能，并且在可能实施前应在实践中对模型进行测试。

参考文献

[1] Landbrug & Fødevarer，Den Danske Dyrlægeforening og Fødevarestyrelsen (2022)：丹麦猪群猪繁殖与呼吸综合征（PRRS）减排策略。2022年5月3日。[在线]；URL（访问日期：2026年1月8日）：https://svineproduktion.dk/-/media/PDF/Aktuelt/Temaer/PRRS/PRRS_strategi_reduktion_temaside.ashx

[2] Wensvoort, G.; Terpstra C.; Pol, J.M.A.; ter Laak, E.A.; Bloemraad, M.; de Kluyver, E.P.; Kragten, C.; van Buiten, L.; den Besten, A.; Wagenaar, F.; Broekhuijsen, J.M.; Moonen, P.L.J.M.; Zetstra, T.; de Boer, E.A.; Tibben, H.J.; de Jong, M.F.; van 't Veld, P.; Groenland, G.J.R.; van Gennep, J.A.; Voets, M.Th.; Verheijden, J.H.M.; Braamskamp, J. (1991)：荷兰神秘猪病：Lelystad病毒的分离。《兽医季刊》，第13卷，第3期。

[3] Linhares, D.C.L.; Cano, J.P.; Torremorell, M.; Morrison, R.B. (2014)：比较两种控制母猪场PRRSv的暴露程序达到PRRSv稳定的时间和生产损失。《预防兽医学》116。http://dx.doi.org/10.1016/j.prevetmed.2014.05.010

[4] 关于猪繁殖与呼吸综合征（PRRS）的公告。食品、农业和渔业部，BEK第997号，2023年6月29日。[在线]；URL（访问日期：2026年1月8日）https://www.retsinformation.dk/eli/lta/2023/997

[5] Mil-Homens, M.P.; Jayaraman, S.; Rupasinghe, K.; Wang, C.; Trevisan, G.; Dórea, F.; Linhares, D.C.L.; Holtkamp, D.; Silva, G. (2024)：使用单变量和多变量统计过程控制方法通过监测生产力和电子母猪饲喂数据早期检测繁殖猪群的PRRSV爆发。《跨界和新兴疾病》。https://doi.org/10.1155/2024/9984148

[6] Kristensen, C.S.; Christiansen, M.G.; Pedersen, K.; Larsen, L.E. (2020)：13个丹麦母猪场在两种PRRSV疫苗株重组体爆发五个月后的生产损失。《猪健康管理》6:26。https://doi.org/10.1186/s40813-020-00165-z

[7] Valdes-Donoso, P.; Alvarez, J.; Jarvis, L.S.; Morrison, R.B.; Perez, A. (2018)：地方流行性动物疾病的生产损失：美国中西部部分母猪场的猪繁殖与呼吸综合征（PRRS）。《兽医科学前沿》，第5卷，文章102。doi:10.3389/fvets.2018.00102

[8] Venables W.N.; Ripley B.D. (2002)：Modern Applied Statistics with S，第四版。Springer，纽约。ISBN 0-387-95457-0，https://www.stats.ox.ac.uk/pub/MASS4/。

[9] Faverjon, C.; Carmo, L.P.; Berezowski, J. (2019)：牛病多变量综合征监测：流行病模拟和算法性能评估。《预防兽医学》。DOI:10.1016/j.prevetmed.2019.104778

[10] Core Team (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing，维也纳，奥地利。[在线]；URL（访问日期：2026年1月8日）www.R-project.org。

[11] Wickham, H., François, R., Henry, L., & Müller, K. (2023). dplyr: A grammar of data manipulation (R package version 1.1.2). https://cran.r-project.org/web/packages/dplyr/index.html [在线]（访问日期：2026年1月9日）。

[12] Wickham H, Vaughan D, Girlich M (2023). tidyr: Tidy Messy Data. R package version 1.3.0. https://cran.r-project.org/web/packages/tidyr/index.html [在线]（访问日期：2026年1月9日）。

测试编号 2004