Grundlage für eine Beurteilung des Transmissionsrisikos von Fasciola hepatica

Die Fasciolose, ausgelöst durch eine Infestation mit dem Großen Leberegel, Fasciola hepatica, gilt weltweit als Ursache erheblicher wirtschaftlicher Verluste durch die meist chronisch verlaufende Erkrankung bei Rindern. Um Regionen, in denen ein erhöhtes Risiko für die Übertragung von Fasciola hepatica besteht, frühzeitig erkennen zu können, bedarf es eines geeigneten räumlichen Modelles, welches alle Schritte der Transmission berücksichtigt. Gegenstand der vorliegenden Arbeit war es, ein geeignetes Regressionsmodell zu entwickeln, das zur Vorhersage des Vorkommens von Galba truncatula, der Zwergschlammschnecke, befähigen sollte. Diese ist in vielen Ländern, so auch in der Schweiz, Zwischenwirt für den Großen Leberegel. Insgesamt wurde der potenzielle Einfluss von 70 Kovariablen auf die Wahrscheinlichkeit π_i, Galba truncatula an einem Ort vorzufinden, untersucht. Als Datenbasis dienten dabei n=242 Geländepunkte, die in den Jahren 1999-2000, 2004 und 2010 von G. Knubben-Schweizer sowie R. Baggenstos auf das Vorhandensein von Zwergschlammschnecken überprüft worden waren. Der binäre Response (Schnecken ja/ nein) erforderte die Verwendung Generalisierter Linearer (Gemischter) Regressionsmodelle (GL(M)Ms). Im Speziellen kamen zwei Regressionsverfahren in Form binärer Logitmodelle zur Anwendung: Das grplasso-Verfahren und ein glmmLasso-Modell, die beide als gleichnamige Pakete im Statistikprogramm R implementiert sind. Das Ausmaß der Penalisierung einzelner Koeffizienten und die Sparsamkeit der Modelle wurde durch 10-fache Kreuzvalidierung beziehungsweise das sogenannte Bayessche Informationskriterium gesteuert. Es ergaben sich zwei Modelle, die eine Vorhersage des Auftretens von Galba truncatula ermöglichen sollten. Im grplasso-Modell wurden 19 Kovariablen mit unterschiedlich starken Einflüssen auf das Schneckenvorkommen ausgewählt, während via glmmLasso-Modell nur 13 Kovariablen als relevant erkannt wurden, seine Verwendung im Gegenzug aber die Berücksichtigung standortspezifischer Effekte, sogenannter random effects, erlaubte. Beide Modelle stimmten in neun Kovariablen überein, denen damit die ausgeprägtesten Effekte auf die Schneckenpopulation beigemessen werden müssen. Riete beziehungsweise Feuchtflächen, Hangwasseraustritte, Gewässer im Umkreis von 100 Metern und Baumbestand stellten ebenso positive Prädiktoren dar wie eine mittlere im Vergleich zu tiefer Gründigkeit des Bodens. Negative Prädiktoren waren insbesondere gehäufte Überschreitungen hoher Temperaturen von 30 °C und Unterschreitungen von 0 °C. Bodennah gemessene Temperaturen wurden bevorzugt selektiert und schienen die entscheidenden Temperaturverhältnisse besser widerzuspiegeln als makroklimatische Parameter. Niederschlagsabhängigen Kovariablen wurden weder im grplasso- noch im glmmLasso-Modell relevante Einflüsse zugebilligt. Sie dürften auf Grund ausreichend starker Niederschläge in den betrachteten Klimaregionen der nordöstlichen Schweiz keinen limitierenden Faktor für das Auftreten von Galba truncatula darstellen. Jedes der beiden Regressionsverfahren kann als geeignete Methode zur Vorhersage des Vorkommens von Galba truncatula dienen, wobei die Schätzungen des glmmLasso-Modelles stabiler gegenüber datenstrukturbedingten Einflüssen zu sein scheinen. Eine Validierung der Schätzgenauigkeit beider Modelle anhand neuer, unbekannter Stichproben steht aus. Doch lassen sich aus der vorliegenden Arbeit Empfehlungen für die Methodik zukünftiger Transmissionsmodelle zur Fasciolose in der Schweiz ableiten.

Towards assessing site-specific risk of Fasciolosis transmission: Logistic regression models predicting the distribution of Galba truncatula in Switzerland Fasciolosis caused by Fasciola hepatica, the Common Liver Fluke, is a major cause for great economic losses due to chronic infestation of cattle all over the world. Spatial transmission models are required to ensure an early recognition of endemic areas where transmission of Fasciola hepatica is likely to occur. The objective of our research was to develop a regression model, which should be able to predict the distribution of Galba truncatula, the most important intermediate host of Fasciola hepatica, in Switzerland. 70 variables were analysed to investigate their potential influence on the likelihood π_i of finding Galba truncatula in a place. Data used for the analysis were taken from earlier studies (SCHWEIZER et al., 2007; BAGGENSTOS et al., 2016) performed during the summer seasons of the years 1999, 2000, 2004 and 2010. Within those studies n=242 geographic coordinates had been searched for Galba truncatula. For modeling our binary response (snails yes/ no) the application of Generalized Linear Mixed Models (GLMMs), in particular binary logit models, proved to be necessary. Regression analysis was performed using two different approaches: the grplasso and the glmmLasso method, which are both implemented in R packages. The selection of penalty parameters was based on 10-fold cross-validation and Bayesian information Criterion, respectively. Both resulting models should be able to predict snail occurrence. The grplasso model considers 19 variables as potential predictors whereas the glmmLasso model is limited to 13 variables, including random effects instead. The two models have even nine variables in common, which are therefore considered to be the most potential predictors for snail occurrence. Swamps, slope water emerging at the ground surface, water streams and stagnant waters within a radius of 100 metres turned out to be powerful positive predictors as well as trees next to the examined site. Furthermore, positive effects are attributed to medium root penetration depth compared to a deep one. In both models, frequent temperatures exceeding 30 °C and temperatures below 0 °C exert a negative impact. Temperatures near ground-level, measured at 5 cm above the grass, were preferentially selected by regression analysis giving us the impression of being more representative than macroclimatic parameters. Aside from that, our analysis revealed that precipitation values and dry periods are obviously no factors affecting the distribution of Galba truncatula in the northeast of Switzerland which may be due to sufficient precipitation all over the year. Both models may perform well in predicting the distribution of Galba truncatula. However, the glmmLasso model appears to be more stable against critical influences which could derive from data structure. Validation of the models has not been conducted so far. All in all, our investigations supply useful methods for the development of future spatial transmission models, mapping the risk of Fasciolosis in Switzerland.