A matemática a serviço da bovinocultura leiteira: detecção precoce de alterações na atividade diária de vacas

Os pesquisadores desenvolveram um método matemático que pode detectar anormalidades devido a um problema de saúde ou estresse em vacas leiteiras, de um a dois dias antes do inicio dos sinais clínicos. Isso foi possível com a aplicação de ferramentas de machine learning a dados obtidos usando sensores de posicionamento nos animais.

Os animais diurnos são ativos durante o dia e descansam à noite e este ritmo circadiano é alterado se ele estiver doente (geralmente antes mesmo do início dos sinais clínicos) ou estressado. A identificação dessas alterações pode ajudar o produtor a intervir rapidamente, isolando e tratando o animal ou, se necessário, investigando o quadro clínico para identificar a causa do distúrbio.

A detecção de alterações na atividade diária requer observações contínuas com sensores que registram a atividade animal 24 horas por dia. No entanto, ainda é difícil detectar exatamente quando esse ritmo começa a ser alterado. A tese de Nicolas Wagner, co-financiada pelo departamento de Phase (Departamento de Fisiologia Animal e Sistemas de Criação – INRAE) e pela Universidade de Clermont Auvergne, teve como objetivo propor um método que permite a detecção de alterações na atividade diária ligadas a um quadro de doença ou estresse.

Para este trabalho, foram utilizados dados de sensores de posicionamento de vacas para estimar sua atividade (descansos, alimentações). Os pesquisadores reuniram 4 conjuntos de dados de fazendas comerciais e experimentais tendo acesso aos registros de atividade de todas as vacas. Foi estabelecido um método que permitiu classificar a atividade diária de uma vaca como normal ou anormal. A atividade normal corresponde a um dia sem nenhum acontecimento particular e a atividade anormal a um dia em que a vaca estava doente, estressada (por mudança de curral, por exemplo), no cio ou em processo de parto.

Foi calculado o nível de atividade por hora de cada vaca atribuindo um peso a cada uma delas. Foram consideradas séries temporais de 36 horas e utilizada a Transformada de Fourier para modelar as variações na atividade durante as primeiras e últimas 24 horas dessas séries de 36 horas. Em seguida, foi possível comparar os modelos de duas séries de 24 horas: uma diferença maior que o limiar definido matematicamente aponta para uma anomalia na atividade do animal.

Este método gerou menos de 20% de alarmes falsos. Detectou 90 a 100% das anormalidades devido a um problema de saúde ou reprodutivo, um a dois dias antes da detecção de sinais clínicos. O método também possibilitou detectar 60 a 70% das anomalias por estresse.

Esta identificação precoce na mudança de atividade pode ajudar os produtores a tomar decisões para intervir o mais rápido possível, buscando informações adicionais para diagnosticar o problema, isolar o animal ou mesmo tratá-lo, sem esperar pelo aparecimento de distúrbios clínicos.

Por: INRAE (Instituto Nacional de Pesquisa Agrícola Alimentar e Ambiental)

“Wagner N., Mialon MM, Sloth KH, Lardy R., Ledoux D., Silberberg M., De Boyer Des Roches A., Veissier I., 2020. Detection of changes in the circadian rhythm of cattle in relation to disease, stress, and reproductive events. Methods, in press.Methods to face the big challenges of ruminants or ruminant products phenotyping. https://doi.org/10.1016/j.ymeth.2020.09.003″