È ormai noto quanto l’influenza aviaria sia diffusa e comporti perdite economiche e rischi per la salute animale e umana. Oggi per contrastarla servono strategie mirate di sorveglianza e intervento. Il team internazionale capitanato dal Professore Joacim Rocklöv (Università di Heidelberg) ha realizzato un modello predittivo basato sull’IA che sembra avere tutte le carte in regola per rivelarsi particolarmente utile.
Premessa
L’influenza aviaria è stata identificata per la prima volta nei primi anni del XX secolo come una patologia altamente letale per il pollame. La maggior parte causa un’infezione asintomatica o lieve negli uccelli, dove la gamma dei sintomi dipende dalle proprietà del virus. I virus che causano gravi malattie nel pollame e provocano alti tassi di mortalità sono chiamati influenza aviaria ad alta patogenicità (HPAI); i virus che causano malattie lievi nel pollame sono chiamati influenza aviaria a bassa patogenicità (LPAI). Oltre ai danni al pollame si teme anche lo spillover, cioè il passaggio del virus dall’animale all’uomo e una potenziale nuova pandemia.
Lo studio
“Predictiveness and drivers of highly pathogenic avian influenza outbreaks in Europe” (“Capacità predittiva e fattori determinanti dei focolai di influenza aviaria ad alta patogenicità in Europa”) è il titolo dello studio pubblicato a luglio 2025 sulla rivista Scientific Reports dal gruppo internazionale di ricercatori guidato da Joacim Rocklöv (Università di Heidelberg). M.R. Opata, A. Lavarello-Schettini, J.C. Semenza e J. Rocklöv descrivono un modello predittivo efficace, sviluppato grazie all’intelligenza artificiale, che consente di stimare con buona precisione i futuri picchi di influenza aviaria. Vediamo più in dettaglio di cosa si tratta.
In passato sono già stati usati modelli predittivi per attivare un sistema di allerta precoce. L’uso di questi permette di attivare risposte in modo tempestivo, limitando così un impatto sulla salute pubblica ed economico sicuramente non di poco conto.
Ma se già in passato sono stati realizzati e usati modelli predittivi, qual è la novità dello studio della squadra del Professore Rocklöv? Si tratta del primo studio a condurre un’analisi predittiva completa ad alta risoluzione geospaziale in Europa. Usando dati provenienti da una varietà di fonti che descrivono lo sviluppo dell’influenza aviaria in Europa tra il 2006 e il 2021, sono stati creati modelli predittivi e interpretabili utilizzando l’apprendimento automatico (machine learning, ML). Ci si chiede in particolare se le variabili ecoclimatiche e socio-economiche possano predire i focolai di influenza aviaria, come cambia l’importanza delle variabili dipendenti dal tempo con la stagione e le interazioni tra variabili, quali specie di uccelli selvatici sono le più predittive degli eventi di focolai nel pollame, e quale composizione di variabili fornisce le previsioni più accurate sui dati non utilizzati nell’addestramento del modello. Testando il modello su anni passati, l’accuratezza della previsione è risultata dell’88%.
Fattori chiave dei focolai (e quindi dati essenziali per i modelli predittivi) si sono rivelati le variabili climatiche, ambientali e di vegetazione, seguite da variabili bioclimatiche, densità del pollame e infine condizioni socio-economiche più generali (commercio e densità della popolazione).
È emerso che la temperatura fredda in autunno è il predittore più rilevante, mentre la temperatura media in primavera gioca un ruolo critico. Queste variabili climatiche possono influenzare il comportamento degli uccelli e la sopravvivenza ambientale del virus, poiché temperature più fredde favoriscono la sopravvivenza virale. Per esempio, le basse temperature influenzano la disponibilità e qualità dell’habitat, concentrando gli uccelli selvatici e aumentando la probabilità di contatto tra individui suscettibili e infetti. Durante l’inverno, la scarsa disponibilità di acqua e vegetazione indica un basso rischio di focolai.
Anche la densità del pollame rappresenta una variabile predittiva fra le più influenti: valori alti, rappresentanti regioni con pollame denso, spingono il modello verso predizioni positive, mentre valori bassi spingono verso predizioni negative. E ancora temperatura, indice dell’acqua, indice di vegetazione, densità del pollame e Bio3 (proporzione tra la variazione media giornaliera della temperatura e l’escursione termica annuale) giocano un ruolo critico nei focolai di influenza aviaria secondo il modello dello studio. La relazione varia durante le stagioni, ma è dominante nel primo e terzo trimestre per le variabili più importanti.
In generale, dallo studio risulta che il clima è il principale fattore influente sui focolai di aviaria, seguito da variabili ambientali e bioclimatiche.
Inoltre, è stata osservata una forte correlazione tra focolai e presenza di alcuni uccelli. Come si può vedere dalla Figura 1, tra questi il cigno reale (Cygnus olor) ha l’impatto maggiore, contribuendo di più alla previsione positiva dei focolai in una parte dei dati. Al secondo e terzo posto si collocano, rispettivamente, gli Accipitriformi, gli uccelli non identificati della famiglia Anatidae (ordine Anseriformes) e i gabbiani (famiglia Laridae, ordine Charadriiformes), secondo i valori SHAP (SHapley Additive exPlanations, sono indicatori quantitativi che misurano il contributo di ciascuna variabile alla previsione di un modello di machine learning, mostrando se e quanto quella variabile aumenta o diminuisce la probabilità dell’evento predetto). L’inclusione delle specie di uccelli selvatici ha migliorato significativamente le prestazioni predittive del modello, sottolineando il loro ruolo cruciale nella diffusione dei virus dell’influenza aviaria.
Fonte: Opata, M.R., Lavarello-Schettini, A., Semenza, J.C. et al. Predictiveness and drivers of highly pathogenic avian influenza outbreaks in Europe. Sci Rep 15, 20286 (2025). https://doi.org/10.1038/s41598-025-04624-x CC BY 4.0.
L’importanza dello studio
La rilevazione di focolai di influenza aviaria può innescare una serie di misure di contenimento, tra cui il rafforzamento della biosicurezza negli allevamenti avicoli, il divieto di movimentazione, la vaccinazione e l’abbattimento dell’intero allevamento e di altri nelle vicinanze della fattoria colpita, al fine di prevenire un’ulteriore diffusione del virus. L’attuazione di tali misure dipende spesso dal momento dell’allerta che, a sua volta, dipende dalla sensibilità del sistema di sorveglianza.
Lo studio del professor Rocklöv e la sua squadra può contribuire a indirizzare la sorveglianza sentinella per migliorare la quantità di casi identificati e sviluppare sistemi di allerta precoce per i focolai di influenza aviaria.
Tali mappe potrebbero quindi informare la pianificazione mirata della biosicurezza e delle misure di emergenza, come la vaccinazione ad anello o la vaccinazione preventiva per il pollame nelle zone ad alto rischio. Inoltre, possono essere implementati interventi informati dal clima, come restrizioni di movimento o campagne di sensibilizzazione durante il terzo trimestre. Per esempio, le infrastrutture agricole possono essere adattate in linea con le tendenze climatiche stagionali per ridurre la suscettibilità al virus e lo stress degli uccelli, fattori noti per giocare un ruolo importante nella diffusione dell’influenza aviaria.
I risultati dello studio mettono in evidenza l’importanza dell’inclusione delle specie di uccelli selvatici nei modelli predittivi. Ciò sottolinea la necessità di una sorveglianza più robusta e sistematica delle popolazioni di uccelli selvatici per migliorare la capacità di predire e mitigare i focolai di aviaria.
Le prospettive future
Le prospettive future includono l’affinamento del modello incorporando dati a risoluzione più elevata, espandendo la portata geografica e includendo ulteriori variabili che potrebbero influenzare le dinamiche dei virus dell’influenza aviaria, come le rotte migratorie degli uccelli e i cambiamenti nell’uso del suolo. La collaborazione tra discipline e regioni sarà essenziale per migliorare la predittività e l’applicabilità del modello.
Riferimenti bibliografici
Opata, M.R., Lavarello-Schettini, A., Semenza, J.C. et al. Predictiveness and drivers of highly pathogenic avian influenza outbreaks in Europe. Sci Rep 15, 20286 (2025).
