Uso de algoritmos matemáticos para predicir as vacas que terán mastite

A aplicación de técnicas de ‘machine learning’ acompañada dunha integración de datos de diferentes orixes axuda a unha anticipación da mastite clínica, en tanto á identificación de animais con alto risco durante a primeira lactancia, como á predición continuada. A aplicación de algoritmos tamén permite reducir o uso de antimicrobianos e, polo tanto, de custos do animal. O Programa de Implementación exposto polo veterinario e investigador en Cornell University, Mark J. Thomas, reflexa a escaso marxe de erro que existe en vacas seleccionadas por algoritmo con posibilidade de contraer mastite, e as tratadas en realidade.

O ‘cerebro leiteiro’

A recolección de diferentes tipos de datos en varias granxas e a súa xestión mediante o uso de técnicas de ‘machine learning’ foi un dos horizontes abordados no ‘2022 National Mastitis Council Annual Meeting’  de Estados Unidos celebrado celebrado recentemente. A análise en tempo real integrando datos é un sistema que funciona de forma consistente e permanentemente. A aplicación de determinados algoritmos pode permitir acadar unha predición prematura de mastite clínica, entre outras.

A idea parte dun proceso que Victor Cabrera, investigador da Universidade de Wisconsin, denomina ‘cerebro leiteiro’, polo cal se parte da recolección de datos en diferentes explotacións leiteiras que son transferidos a un sistema central. Unha vez recibidos, a computadora transforma esas cifras e homoxenéizaas, agrupándoas e clasificándoas para un posterior servizo analítico aplicado. O resultado é unha información cun valor adicional con aportes dunha información aberta en liña.

Como se consegue chegar a ese resultado final que pode permitir prever certas intervencións? O ‘cerebro leiteiro’ segue un proceso piramidal que parte da base de crear un CIN, unha rede de innovación coordinada que aliña o desenvolvemento do servizo de cursos. Posteriormente é necesario crear o AgDH, un prototipo que colecta, agrega e difunde datos de múltiples sistemas a granxas leiteiras. Un terceiro paso sería a conformación do propio ‘cerebro leiteiro’, isto é, un conxunto de módulos analíticos que ata o servizo de agregación de certos datos dispoñibles para proveer información do traballo realizado. Por último, habería que executar un programa de extensión para controlar todo o sistema.

As ferramentas de decisión que brinda este proceso teñen unha tripla vertente: poden ser descritivas por representar un taboleiro da situación actual; predictivas, de cara a proxección que leve cara o futuro, ou prescriptivas, é dicir, propostas de accións para actuar sobre determinados problemas. Segundo Victor Cabrera, “este é o exemplo de como diversas fontes de datos poden ser usadas para ter máis valor”.

O ‘cerebro leiteiro’ preséntase coma unha ferramenta planificada que permite niveis de decisión en tres termos: corto ou operacional; medio ou táctico, e medio ou estratéxico. No primeiro deles, como expón Cabrera, “o algoritmo utilizado está entorno ao leite e o alimento, podendo incorporar datos integrados de muxidos e alimentos”. Un exemplo dos beneficios que aporta é a alerta temperá de falta ou exceso de nutrientes dando lugar a un modelo de eficiencia da alimentación diaria.

Neste contexto, Victor Cabrera fai referencia a un estudo no que colaborou, denominado ‘Improving nutritional accuracy and economics through a multiple ration-grouping strategy’ polo cal, coa aplicación destes sistemas nas granxas leiteiras se pode mellorar a exactitude das dietas, facendo un proceso de grupos nutricionais automático e sistemático que diminúa os erros de vacas en currais que non lles corresponde.

A prevención de mastite pode ser un dos horizontes alcanzables por métodos tecnolóxicos. A aplicación de ‘machine learning’ poderíase dar tanto para a identificación de animais con alto risco durante a primeira lactancia, como para unha predición continuada dun posible caso de mastite clínica. As técnicas aplicadas varían entre a aplicación de diferentes teoremas de clasificación estatística; para chegar unha predición continuada de mastite procederíase cun ‘random forest’ ou un ‘extreme gradient boosting’.

Predecir as mastities cun 72% de exactitude

Pero, que datos se monitorean? O estudo de variables durante o manexo, o DHI e a xenética son cuestións a ter en conta identificación de animais con risco de mastite durante a primeira lactancia. Pola contra, se se pretende acceder a unha predición continuada é necesario utilizar unha multitude de variables procedentes de salas de muxido, tales como os cambio de produción ou de temperatura da vaca, e do manexo, casos previos de cetose, aborto, etc. Na investigación ‘Exploring machine learning algorithms for early prediction of clinical mastitits’, na que colaborou Victor Cabrera, confirmaron que o modelo ‘random forest’ permite un 71% de detección de casos de mastite en primeira lactancia, e un 85% nunha predición continuada, isto é, ambos casos cun 72% de exactitude.

A tecnoloxía como ferramenta para a selección de vacas secas

A terapia selectiva para o secado de vacas permite unha administración antimicrobiana máis efectiva, xerando un impacto financeiro específico nas granxas. Segundo expón o veterinario e investigador en Cornell University, Mark J. Thomas, na súa intervención na ‘2022 National Mastitis Council Anual Meeting’, “a implementación de programas de terapia selectiva de vacas secas parte dunha selección de rabaños adecuados que se pode dar mediante algoritmo, entre outras”.

Previa aplicación da selección por algoritmo, Thomas destaca que “debe haber uns criterios do rabaño que obedezan a unha calidade, tales como unha cantidade de CCS en tanque regular, en torno ás 200.000 células/ml, ausencia de estreptococos ou uns currais secos  ben manexados”. Para este tipo de selección, existen outros requisitos, como o acceso aos datos da incidencia de mastite, que non pode ser superior a 2 casos na lactación, e de células somáticas por vaca individual.

O investigador de Cornell University fai fincapé en que a selección por algoritmo “é un método máis común para estabulacións con probas DHI rutinarias, polo que cómpre ter en conta o custo de ditos test de xeito mensual”. Da mesma maneira, Thomas refírese ao Programa de Implementación, polo que levou a cabo 50 visitas a granxas, para explicar a escasa marxe existente entre as vacas seleccionas por algoritmo para non tratar -65%- e as finalmente non tratadas -59%-.

Unha das conclusións que o investigador amosa, en base ao Programa de Implementación de SDCT, é que esta aplicación algorítmica representa unha ferramenta viable para reducir o uso de antimicrobianos e os seus custos en vacas secas. Así mesmo, expón que este programa para identificar vacas de baixo risco e non tratalas con antibióticos intramamarios no secado expandiuse a ganderías comerciais de varios tamaños en todo o estado de Nova York.