Norsk laksenæring oppdretter årlig mer enn 400 millioner individer laks i sjø, og næringen sliter med sykdom og dødelighet. Mye data genereres, men kildene mangler standardisering og sporbarhet. Det overordnete målet med prosjektet er å skape et robust, databasert, system for daglig beslutningsstøtte for oppdretter for å redusere dødeligheten gjennom standardisering og strukturering av dataflyten.
I prosjektet har vi gjennomført månedlige besøk på oppdrettsanlegg over en periode på 6–12 måneder. Under disse besøkene har fiskehelsepersonell vurdert årsaksspesifikk dødelighet hos dødfisk, og samlet inn informasjon om synlige forandringer i fisken som kan tyde på sykdom eller skade. Funnene fra fiskehelsepersonell vil bli sammenlignet med oppdretters registreringer, for å undersøke hvor godt disse samsvarer. Dette vil brukes til å validere årsaksspesifikke dødelighetsregistreringer som et verktøy for å identifisere årsaker til redusert overlevelse.
Som en del av prosjektet er det gjennomført en case-studie der vi undersøkte årsaksspesifikk dødelighet etter mekanisk avlusning. Obduksjon av 453 dødfisk viste at skader og dødelighet som følge av avlusningen kan vedvare i hvert fall inntil 13 dager etter avlusningen. Hjerneblødning var sett hos ca 25% av obduserte fisk som døde under eller like etter avlusningen. Studien viser også behovet for bedre rutiner og mer presis registrering av dødsårsaker etter avlusning.
En dødelighets-klassifiseringsmetode fra humanmedisin (datakodede verbale obduksjoner) skal brukes for å automatisk klassifisere de kausale årsakene til død. Her benyttes produksjonsdata, miljø, lab. og fiskehelserapporter samt hendelseslogger for å bygge modellen. En modell for universell datastruktur og standardisering for å spore populasjonene fra egg til produkt skal også bygges, samt utvikling av en populasjons identifisering for ulike fiskegrupper, og vise at dataene kan anonymiseres ved å endre identifiseringen, uten å redusere datakvaliteten. Maskinlæringsteknikker vil hjelpe oss å undersøke verdien av mange flere datakilder samtidig med tanke på kausalkategorisering. Dette skal sammenlignes med ordinære statistiske metoder. Maskinlæring vil bli benyttet for å finne sterke forklaringsvariabler for ulike dødsårsaker og kunnskap om ulike indikatorer for årsaksspesifikk dødelighet. Utviklingen i en relativt ung industri som operer i allmenningen trenger både reguleringsdrevet og selskapsdrevet utvikling. For å kunne allokere ressurser effektivt må vi vite driverne for verdiøkning og bærekraft, og benytte denne kunnskapen systematisk.
Videre har vi arbeidet med utvikling av et system for sporbarhet gjennom hele produksjonshierarkiet for å kunne følge en fiskepopulasjon fra tidlig livsstadium til slakt, på tvers av produksjonsdatasystemene som brukes. Dette krever både en strukturert måte å hente ut data på og en felles ramme for hvordan grupper av fisk beskrives og spores. Så langt har vi kommet frem til en modell som gir oss en standardisert måte å hente ut data fra produksjonssystemene, samt bygd en matrisestruktur som gjør det mulig å spore fiskegrupper på ønsket detaljnivå i de uttatte dataene. Dette er et viktig første steg mot å etablere et felles rammeverk som legger til rette for sporbarhet og interoperabilitet på tvers av systemer. En sentral utfordring vi har støtt på er knyttet til identifisering av fiskegrupper. På papiret kunne en unik og statisk ID vært den enkleste løsningen for å sikre sporbarhet, men dette er lite hensiktsmessig da grupper av fisk ofte splittes, samles eller flyttes mellom ulike enheter. Vi har derfor valgt en mer fleksibel tilnærming der sporbarheten baseres på kombinasjonen av lokasjon (merd/kar) og tidsangivelse for å unngå behov for en rigid identifikator. Denne metoden svarer opp målet om å utvikle en indeks som kan brukes til å tagge og strukturere data på fiskegruppe-nivå, samtidig som den åpner for at datasettene kan anonymiseres ved å endre indeksen uten å måtte røre de øvrige dataene. Arbeidet er nå i ferd med å ferdigstilles og vil til sammen beskrive og dokumentere den foreslåtte standardiserte metoden for datauthenting og sporing, og dermed bidra til å demonstrere verdipotensialet for økt sporbarhet og bedre datakvalitet i oppdrettsnæringen.
Prosjektet ønsker også å utforske om rammeverket for beregning av sykdomsbyrde utviklet av Global Burden of Animal Diseases (GBADs)-initiativet er anvendbart for lakseoppdrett, og hvilke justeringer som eventuelt kreves for å utvikle et standardisert rammeverk som kan brukes på tvers av lakseproduserende regioner. Vi vil bruke islandske data som modell og i første omgang beregne den totale kostnaden av dødelighet. Deretter vil vi undersøke muligheten for å fordele denne kostnaden på ulike sykdommer basert på registrerte dødsårsaker, samt vurdere om andre biologiske kostnader – som redusert tilvekst og slaktekvalitet – også kan inkluderes.
Knowledge from production data in salmon aquaculture represents a great potential for increased growth, value, and sustainability of the industry. High mortality and losses have been identified as one of the most critical challenges for the industry today. Different companies, regulators, research institutions etc does not use the same identifier on fish groups and this makes it difficult to get correct comparisons and aggregations. As a result, they lack a common foundation to identify significant parameters, make better decisions, and more accurate risk analysis. Lack of information makes it difficult to define objective measurements and automatize analysing processes, ultimately reducing possibilities for industry insights and improvements in production. The project aims to generate a robust, data driven, system for day-to-day decision support for the fish owner to reduce the mortality based on mortality causes through standardisation and structured data-flow in production, applicable at all levels in the farming industry. This will be done by validating the cause-specific mortality registration and using it as a tool to identify causes of reduced survival in salmon farming (WP1), here we will work actively with two major companies in Norway and all salmon farming companies in Iceland. The technique of “computer-coded verbal autopsy” will be adapted from human medicine to aid in the automatization of classification (WP2) based on the results from WP1. Further we will build a model for universal data structuring and standardization of production data from salmon farming (WP3), this also relies on production data provided by the farming companies. The same data will be utilised in WP4 for an automated assembling and analyses of data from multiple sources to identify mortality causes by machine learning. And finally, we will identify drivers for value creation in salmon industry and drivers for sustainability of the production (WP5).
