Application of data-driven tools for modeling and forecasting in food safety and food security situations

การประยุกต์ใช้เครื่องมือการขับเคลื่อนด้วยข้อมูลสำหรับการจำลองและการพยากรณ์ในสถานการณ์ความปลอดภัยทางอาหารและความมั่นคงทางอาหาร

Name: Chalita Jainonthee

LCSH: Food security

LCSH: Slaughtering and slaughter-houses

LCSH: Meat industry and trade

Abstract: Food safety and security are critical concerns in veterinary public health, particularly regarding the production of animal-derived food products. This dissertation aimed to predict high rates of dead-on-arrival (DOA) incidents in meat-type ducks and to characterize beta-lactam antibiotic resistance patterns of Escherichia coli isolates from food-producing animals in Thailand. In the first study, a dataset comprising 18,643 transport records of meat-type ducks collected from 45 farms was analyzed. The predictive performances of several machine learning (ML) algorithms were compared, including Least Absolute Shrinkage and Selection Operator (LASSO), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), and eXtreme Gradient Boosting (XGBoost). Resampling techniques such as oversampling, undersampling, ROSE, and SMOTE were used to address data imbalance. The XGBoost model with oversampling achieved the highest predictive performance (AUC = 0.769, sensitivity = 0.642, precision = 0.476, and F1-score = 0.546). Key contributing factors identified included the number of ducks per truckload, lairage temperature at the slaughterhouse, and average body weight of ducks. These findings highlight the importance of physiological, logistical, and environmental factors in managing pre-slaughter mortality. In the second part of the study, antibiotic resistance patterns were examined in 3,219 E. coli isolates collected from poultry and swine at slaughterhouses and retail markets across different regions of Thailand. Hierarchical clustering was applied based on susceptibility to four beta-lactam antibiotics (ampicillin, cefotaxime, ceftazidime, and meropenem). The analysis revealed three distinct clusters. The first cluster consisted mainly of meat samples, reflecting similarities in processing environments. The second cluster comprised samples primarily from the Northeastern and Western regions, indicating regional differences in antibiotic usage. The third cluster included mostly cecal samples, suggesting resistance characteristics related to intestinal microbiota and antibiotic use at the farm level. Ampicillin resistance was high across all groups, exceeding 80 percent. Resistance to cephalosporins varied notably among sample groups, while meropenem resistance was rare, found in less than 2 percent of isolates. These results underline the need for region-specific surveillance and antimicrobial stewardship programs. In conclusion, this research demonstrates the application of advanced data analysis methods, including predictive modeling and hierarchical clustering, to support evidence-based decision-making. The findings provide practical insights for producers, veterinarians, and policymakers aiming to improve animal welfare, reduce pre-slaughter mortality, and manage antimicrobial resistance in Thailand’s livestock production systems in a sustainable manner.

Abstract: ปัญหาความปลอดภัยและความมั่นคงทางอาหาร เป็นปัญหาที่เกี่ยวข้องกับทางด้านสัตวแพทย์สาธารณสุข ในการตอบสนองต่อการผลิตอาหารที่มีต้นกำเนิดมาจากสัตว์ที่มีคุณภาพ ดุษฎีนิพนธ์ฉบับนี้มีวัตถุประสงค์เพื่อทำนายอัตราการตายก่อนกระบวนการฆ่าสัตว์เมื่อถึงโรงฆ่า (dead on arrival, DOA) ที่สูงในเป็ดเนื้อ และการศึกษารูปแบบการดื้อยาปฏิชีวนะกลุ่มเบต้าแลคแตมของเชื้อ Escherichia coli จากสัตว์เศรษฐกิจในประเทศไทย งานวิจัยส่วนแรกได้วิเคราะห์ข้อมูลการขนส่งเป็ดเนื้อ จำนวน 18,643 รายการ จาก 45 ฟาร์ม โดยเปรียบเทียบประสิทธิภาพของโมเดลการเรียนรู้ของเครื่อง (machine learning) ได้แก่ Least Absolute Shrinkage and Selection Operator (LASSO), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF) และ eXtreme Gradient Boosting (XGBoost) และใช้เทคนิค resampling (oversampling, undersampling, ROSE และ SMOTE) เพื่อแก้ไขปัญหาข้อมูลไม่สมดุล ผลการศึกษาพบว่าโมเดล XGBoost ที่ใช้เทคนิค oversampling มีประสิทธิภาพสูงสุด (AUC = 0.769, sensitivity = 0.642, precision = 0.476 และ F1-score = 0.546) นอกจากนี้ยังพบว่า จำนวนเป็ดต่อรถบรรทุก อุณหภูมิบริเวณที่พักสัตว์ในโรงฆ่า และน้ำหนักตัวเฉลี่ยของเป็ด เป็นปัจจัยสำคัญที่มีผลต่ออัตราการตายก่อนถึงโรงฆ่าสัตว์ ชี้ให้เห็นถึงปัจจัยทางกายภาพ สรีรวิทยา และสิ่งแวดล้อมที่เกี่ยวข้องกับการจัดการก่อนการฆ่าสัตว์ งานวิจัยส่วนที่สอง ได้ศึกษารูปแบบการดื้อยาปฏิชีวนะของเชื้อ E. coli จำนวน 3,219 ตัวอย่าง จากสัตว์ปีกและสุกรในโรงฆ่าสัตว์และตลาดค้าปลีก จากแต่ละภูมิภาคในประเทศไทย โดยใช้เทคนิคการจัดกลุ่มตามลำดับชั้น (hierarchical clustering) วิเคราะห์จากความไวต่อยาปฏิชีวนะ 4 ชนิด (ampicillin, cefotaxime, ceftazidime และ meropenem) พบการจัดกลุ่มตัวอย่างออกเป็น 3 กลุ่ม โดย กลุ่มที่ 1 ส่วนใหญ่เป็นตัวอย่างเนื้อสัตว์ สะท้อนถึงความเหมือนของกระบวนการผลิตและสิ่งแวดล้อมในการแปรรูป กลุ่มที่ 2 ประกอบด้วยตัวอย่างจากภาคตะวันออกเฉียงเหนือและตะวันตก แสดงถึงรูปแบบการใช้ยาปฏิชีวนะที่แตกต่างกันตามพื้นที่ ส่วนกลุ่มที่ 3 ส่วนใหญ่เป็นตัวอย่างจากซีกัม ซึ่งสะท้อนลักษณะการดื้อยาจากจุลินทรีย์ในลำไส้และการใช้ยาระดับฟาร์ม ภาพรวมพบการดื้อยา ampicillinในระดับสูง (>80%) การดื้อยากลุ่ม cephalosporins มีความแตกต่างชัดเจนระหว่างกลุ่ม ขณะที่การดื้อยา meropenem พบได้น้อย (<2%) ผลการศึกษานี้ชี้ถึงความจำเป็นในการเฝ้าระวังและมาตรการจัดการที่สอดคล้องกับพื้นที่และรูปแบบการผลิต โดยสรุป งานวิจัยนี้แสดงศักยภาพของการใช้เทคนิควิเคราะห์ข้อมูลขั้นสูง ทั้งโมเดลพยากรณ์ และจัดกลุ่มตามลำดับชั้น เพื่อส่งเสริมการตัดสินใจเชิงประจักษ์สำหรับผู้มีส่วนเกี่ยวข้อง ทั้งผู้ผลิต สัตวแพทย์ และผู้กำหนดนโยบาย เพื่อเพิ่มสวัสดิภาพสัตว์ ลดความสูญเสียก่อนการฆ่าสัตว์ และจัดการปัญหาเชื้อดื้อยาในระบบปศุสัตว์ไทยอย่างยั่งยืน

Chiang Mai University. Library

Address: CHIANG MAI

Email: cmulibref@cmu.ac.th

Name: Veerasak Punyapornwithaya

Role: Advisor

Name: Raktham Mektrirat

Role: Advisor

Name: Sudarat Chadsuthi

Role: Advisor

Created: 2025

Modified: 2568-10-06

Issued: 2025-08-04

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Doctor of Philosophy

Level: Doctoral Degree

Descipline: Veterinary Science

Grantor: Chiang Mai University

©copyrights Chiang Mai University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	661455901.pdf	1.98 MB	1	2025-11-13 14:52:24

ใช้เวลา

0.029427 วินาที