prevalence of bartonella spp. infections in iran: a systematic review and meta-analysis

Despite the public health importance of bartonella infections, its epidemiology is under-studied particularly in iran. the objective of this systematic review and meta-analysis study was to determine the pooled prevalence of bartonella infections in humans, domestic and wild animals, and invertebrates in iran, respectively. pubmed, scopus, web of science, google scholar, scientific information database (sid), magiran, and irandoc databases were searched. and, the title and abstracts screening was done by two independent reviewers based on the eligibility criteria. the eligibility criteria were cross-sectional studies investigating the prevalence of bartonella infections in humans, pets, farm animals, and parasites in iran. a random-effects model with freeman tukey double arcsine transformation was used for data synthesis. subgroup analysis was done based on the host species. a total number of 220 results were identified by the search among which 93 were removed due to being duplicates. out of the 127 remaining results, 19 studies were included. the molecular prevalence of bartonella spp. infections was 4% with the highest values observed in rats (17%), dogs (10%) and cats (10). while, the sero-prevalence of bartonella spp. among cat owners and hospital patients in tehran was 18% and 5%, respectively. and, the sero-prevalence among dogs in hamadan was estimated to be 74.24%. based on culture methods, in one study among cats in shahrekord, 12.5% of blood samples were positive. based on our findings, the molecular prevalence of bartonella spp. in iran was higher in rats, dogs, and cats. however, more investigations particularly in other hosts is recommended.

شیوع عفونت های جنس بارتونلا در ایران: یک مرور منظم و متاآنالیز

ادغام یادگیری ماشین (ml) و هوش مصنوعی (ai) در بیوتکنولوژی حیوانات در حال ایجاد تحولی اساسی در این حوزه است، به ویژه در کشورهای در حال توسعه که کشاورزی و دامداری نقش مهمی در اقتصاد دارند. هوش مصنوعی و یادگیری ماشین امکان تحلیل داده‌ها را در حوزه‌هایی مانند بهینه‌سازی ژنتیکی، پیش‌بینی بیماری و مدیریت دام‌ها به‌طور کارآمدتر فراهم می‌کنند و به بهبود بهره‌وری و پایداری منجر می‌شوند. با افزایش دسترسی به داده‌ها، مدل‌های مبتنی بر هوش مصنوعی می‌توانند حجم زیادی از اطلاعات را از منابع متنوعی مانند شرایط محیطی، نشانگرهای ژنتیکی و سوابق بهداشتی پردازش کرده و بینش‌های دقیق‌تری نسبت به روش‌های سنتی ارائه دهند. پیشرفت‌های اخیر شامل سیستم‌های تشخیصی مبتنی بر هوش مصنوعی برای شناسایی و مدیریت شیوع بیماری‌ها است که امکان پاسخ‌دهی سریع‌تر و مداخلات هدفمندتری را فراهم می‌کند و در نهایت زیان‌های اقتصادی را کاهش می‌دهد. تکنیک‌های پیشرفته پرورش اکنون از الگوریتم‌های یادگیری ماشین برای پیش‌بینی ویژگی‌های ژنتیکی مطلوب استفاده می‌کنند و به کشاورزان این امکان را می‌دهند تا تصمیمات پرورشی مبتنی بر داده بگیرند. بهبود کارایی تغذیه، که یک حوزه حیاتی دیگر است، از توانایی هوش مصنوعی در تحلیل نیازهای تغذیه‌ای و بهینه‌سازی زمانبندی تغذیه براساس نیازهای فردی حیوانات بهره می‌برد و ضایعات و هزینه‌ها را کاهش می‌دهد. علاوه بر این، هوش مصنوعی به‌طور فزاینده‌ای در پایش سلامت حیوانات با استفاده از ابزارهایی مانند سیستم‌های مبتنی بر صدا و حسگرهای پیزوالکتریک در قلاده‌های هوشمند که رفتارهای مرتبط با مشکلات سلامت را ردیابی می‌کنند، به کار گرفته می‌شود. در بخش لبنیات، مدل‌های هوش مصنوعی ریسک‌های بهداشتی مانند آلودگی نیترات در شیر را ارزیابی کرده و به تولید غذای ایمن‌تر و بهبود سلامت عمومی کمک می‌کنند. این مقاله نقش تحول‌آفرین هوش مصنوعی و یادگیری ماشین در بیوتکنولوژی حیوانات را بررسی می‌کند و بر مناطق در حال توسعه که بهینه‌سازی منابع در آن‌ها ضروری است، تمرکز دارد. با ساده‌سازی تکنیک‌های پیچیده و ارائه آموزش‌های گام به گام، این کار تلاش دارد تا محققان و متخصصان را به ابزارهای عملی برای استفاده از هوش مصنوعی در بیوتکنولوژی حیوانات مجهز کند.