Гельминтозы лошадей Амурской области: корреляционно-регрессионный анализ влияния системы содержания и погодных факторов

Цель исследований – оценить влияние системы содержания, сезона и погодных условий на число яиц желудочнокишечных нематод в фекалиях у лошадей Амурской области Дальнего Востока России в 2021–2024 гг.

Материалы и методы. Всего собрано 1494 проб фекалий индивидуально от 212 лошадей, содержавшихся на постоянном выпасе (три фермы) или в стойлах с ежедневным выгулом (четыре фермы). Яйца Strongylata spp., Parascaris equorum и Oxyuris equi подсчитывали по методу Мак-Мастера. Среднемесячные значения температуры воздуха, относительной влажности и количества осадков были получены от ФГБУ «Гидрометцентр России». Число яиц было преобразовано в логарифмическую шкалу [log₁₀(EPG + 1)]. Предварительные связи изучены с помощью ранговой корреляции Спирмена; детерминанты выделения яиц стронгилят оценены с помощью обычной регрессии наименьших квадратов с кластерно-устойчивыми (HC1) стандартными ошибками для фактора «ферма» (n = 7).

Результаты и обсуждение. Нематоды Strongylata spp. были практически повсеместны (99% лошадей), тогда как P. equorum и O. equi встречались у 24% и 8% лошадей, соответственно. Выпас на пастбище увеличил логарифмическую FEC стронгилят на 0,29±0,06 (в 1,9 раза; Р < 0,001) и осенний отбор проб на 0,22±0,05 (в 1,6 раза; Р < 0,001) по сравнению с весенним. Каждый 1оC повышения среднемесячной температуры добавлял 0,035±0,009 логарифмических единиц (Р < 0,001). Влажность и количество осадков не показали независимого влияния после корректировки. Не было обнаружено значимой зависимости от погодных условий для P. equorum или O. equi. Таким образом, непрерывный выпас в сочетании с теплыми погодными условиями является основным фактором риска заражения стронгилятами. Для улучшения контроля и сокращения ненужных зимних обработок рекомендуется проводить стратегическую дегельминтизацию в апреле и сентябре в сочетании с селективной терапией.

1. Василевич Ф. И., Калмыков В. В., Никанорова А. М., Королева Е. В. Mathematical modeling of ixodid ticks depending on three climatic factors // IOP Conference Series: Earth and Environmental Science. 2021. Т. 677. 032009. https://doi.org/10.1088/1755-1315/677/032009

2. Гидрометцентр России. Архив метеорологических наблюдений. URL: https://meteoinfo.ru/ (дата обращения: 12.06.2025).

3. Дёмкина О. В., Бондаренко Г. А., Трухина Т. И. Гельминтозы лошадей Амурской области // Иппология и ветеринария. 2024. № 3 (53). С. 7-13. https://doi.org/10.52419/2225-1537.2024.3.7-13

4. Калугина Е. Г., Столбова О. А. Эпизоотические аспекты гельминтозов лошадей в Тюменской области // Ветеринарная патология. 2023. 22 (1). С. 55-62. https://doi.org/10.23947/1682-5616-2023-22-55-62

5. Панова О. А., Курносова О. П., Хрусталев А. В., Арисов М. В. Методы копрологической диагностики паразитозов животных // Российский паразитологический журнал. 2023. Т. 17, № 3. С. 365–377. https://doi. org/10.31016/1998-8435-2023-17-3-365-377

6. Тимербаева Р. Р., Латыпов Д. Г., Бикбова С. И. Гельминтозы лошадей // Учёные записки Казанской академии ветеринарной медицины им. Н. Э. Баумана. 2020. Т. 243. № 3. С. 254-257. https://doi.org/10.31588/2413-4201-1883-243-3-254-257

7. Harris C. R., Millman K. J., van der Walt S. J., Gommers R., Virtanen P., Cournapeau D., Wieser E., Taylor J., Berg S., Smith N. D., Kern R., Picus M., Hoyer S., van Kerkwijk M. H., Brett M., Haldane A., del Río J. F., Wiebe M., Peterson P., Gérard-Marchant P., Sheppard K., Reddy T., Weckesser W., Abbasi H., Gohlke C., Oliphant T. E. Array programming with NumPy. Nature. 2020; 585: 357-362. https://doi.org/10.1038/s41586-020-2649-2

8. Hunter J. D. Matplotlib: A 2D graphics environment. Computing in Science & Engineering. 2007; 9 (3): 90-95. https://dx.doi.org/10.1109/MCSE.2007.55

9. Kuzmina T. A., Königová A., Antipov A. et al. Changes in equine strongylid communities after two decades of annual anthelmintic treatments at the farm level. Parasitology Research. 2024; 123: 394. https://doi.org/10.1007/s00436-024-08417-5

10. Leathwick D. M., Sauermann C. W., Reinemeyer C. R., Nielsen M. K. A model for the dynamics of the parasitic stages of equine cyathostomins. Veterinary Parasitology. 2019; 268: 53-60. https://doi. org/10.1016/j.vetpar.2019.03.004

11. McKinney W. Data structures for statistical computing in Python. Proceedings of the 9th Python in Science Conference. Austin, 2010; 51-56. https://doi.org/10.25080/Majora-92bf1922-00a

12. Nielsen M. K., Pyatt A., Perrett J., Tydén E., van Doorn D., Pihl T. H., Schmidt J. S., von Samson-Himmelstjerna G., Beasley A., Abbas G., Jabbar A. Global equine parasite control guidelines: Consensus or confusion? International Journal of Parasitology: Drugs and Drug Resistance. 2025; 28: 100600. https://doi.org/10.1016/j.ijpddr.2025.100600

13. Nielsen M. K., Sauermann C. W., Leathwick D. M. The effect of climate, season, and treatment intensity on anthelmintic resistance in cyathostomins: A modelling exercise. Veterinary Parasitology. 2019; 269: 7-12. https://doi.org/10.1016/j.vetpar.2019.04.003

14. Nielsen M. K., Leathwick D. M., Sauermann C. W. Shortened strongylid egg reappearance periods in horses following macrocyclic lactone administration – The impact on parasite dynamics. Veterinary Parasitology. 2023; 320: 109977. https://doi.org/10.1016/j.vetpar.2023.109977

15. Seabold S., Perktold J. Statsmodels: Econometric and statistical modeling with Python. Proceedings of the 9th Python in Science Conference. Austin, 2010; 57-61. https://doi.org/10.25080/Majora-92bf1922-011

16. Tukey J. W. Exploratory Data Analysis. Addison-Wesley Publishing Company Reading, Mass. – Menlo Park, Cal., London, Amsterdam, Don Mills, Ontario, Sydney 1977; XVI, 688 S. https://doi.org/10.1002/bimj.4710230408

17. Van Rossum G., Drake F. L. Python 3 Reference Manual. Seattle: CreateSpace, 2009; 1264.

18. Vasilevich F. I., Kalmykov V. V., Nikanorova A. M., Koroleva E. V., Engasheva E. S. Analytical and computational mathematical models of the mosquito population in the middle zone of the Russian Federation. IOP Conference Series: Earth and Environmental Science. 2021; 913: 012202. https://doi.org/10.1088/1755-1315/913/012202

19. Vasilevich F. I., Kalmykov V. V., Nikanorova A. M., Koroleva E. V., Grossman M. F. Regression mathematical models of the number of small mammals in the Kaluga region of the Russian Federation. IOP Conference Series: Earth and Environmental Science. 2021; 677: 012210. https://doi.org/10.1088/1755-1315/677/012210

20. Virtanen P., Gommers R., Oliphant T. E., Haberland M., Reddy T., Cournapeau D., Burovski E., Peterson P., Weckesser W., Bright J., van der Walt S. J., Brett M., Wilson J., Millman K. J., Mayorov N., Nelson A. R. J., Jones E., Kern R., Larson E., Carey C. J., Polat İ., Feng Y., Moore E. W., VanderPlas J., Laxalde D., Perktold J., Cimrman R., Henriksen I., Quintero E. A., Harris C. R., Archibald A. M., Ribeiro A. H., Pedregosa F., van Mulbregt P. SciPy 1.0: fundamental algorithms for scientific computing in Python. Nature Methods. 2020; 17: 261-272. https://doi.org/10.1038/s41592-019-0686-2

21. Waskom M. L. Seaborn: statistical data visualization. Journal of Open Source Software. 2021; 6 (60): 3021. https://doi.org/10.21105/joss.03021