Cynthia Machín Pérez, investigadora del IUSA y miembro del grupo de investigación IUSA-ONEHEALTH 4. Producción y Biotecnología Animal (ProBAn), acaba de publicar el artículo Comparison of traditional copromicroscopy with image analysis devices for detection of gastrointestinal nematode infection in sheep en la revista Veterinary Parasitology, junto al equipo de Animal Bioscience Research Centre Grange. Este artículo corresponde a uno de los proyectos en los cuales Cynthia colabora en el Teagasc y la línea de investigación en la que trabajan es el control de nematodos gastrointestinales en rumiantes.
Cynthia está realizando sus dos primeros años del programa postdoctoral Catalina Ruiz en Animal Bioscience Research Centre, Grange del Teagasc. Teagasc es un organismo público de Irlanda dedicado a la investigación y desarrollo, y a instruir y ofrecer servicio de consultas al sector agroalimentario. En el centro de Grange la investigación se centra en la producción de carne de vacuno.
Este trabajo surgió debido a que veterinarios y granjeros estaban utilizando nuevos métodos de diagnóstico parasitario de los que hay escasos artículos de investigación. Estos se basan en la captura de imágenes y detección de huevos mediante “machine learning”, a diferencia de los métodos tradicionales, donde una persona instruida realiza el recuento de huevos al microscopio. Por otro lado, es importante que los nuevos métodos desarrollados sean fiables, ya que, si no están bien ajustados, puede que se traten a los animales cuando no sea necesario, contribuyendo al desarrollo de resistencia por parte de los parásitos; o que, no se traten a pesar de necesitarlo, contribuyendo a que los animales infectados diseminen el parásito hacia el resto del rebaño. Por ello, en este estudio se compara el método de detección de huevos tradicional, McMaster, y otras técnicas donde también una persona cualificada se encarga de observar los resultados al microscopio (Mini-FLOTAC y FECPAKG2), con dos métodos que se basan en el reconocimiento de huevos a través de “machine learning” (Micron y OvaCyteTM), observando diferencias entre ellos en los recuentos de huevos.
