Early detection and prediction of health disorders in cattle using an activity monitoring system

Autor/a

Belaid, Mohammed Anouar

Director/a

Calsamiglia, Sergio

Data de defensa

2020-07-17

ISBN

9788449094859

Pàgines

156 p.



Programa de doctorat

Universitat Autònoma de Barcelona. Programa de Doctorat en Producció Animal

Resum

Es van dur a terme tres experiments per determinar si el sistema de monitorització de l’activitat podria utilitzar-se com un predictor de malalties en bovins. En el primer experiment, vedells Frisons van ser monitoritzats durant els 60 d posteriors a l’arribada a la granja. Es va controlar l’estat sanitari. Es va utilitzar un disseny d’aparellament (matched-pair design) per comparar vedells sans contra malalts, i es va realitzar un model de regressió logística per desenvolupar un model de predicció. Els vedells sans van fer 1476±195 passos/d, van estar un total de 185±32,5 min/d en la menjadora, van fer 10±1,1 visites/d a la menjadora, 19,5±1,8 canvis de posició de peu a tombat/d, i van estar 978±30,5 min/d tombats. Els vedells malalts van fer menys passos, van tenir 18% menys visites a la menjadora en els dies -1 i 0, van dedicar menys temps a menjar en els dies -10 i -1, i van tenir 15% menys canvis de postura de peu a tombat entre els dies -2 a +9 comparat amb els vedells sans. El model de predicció desenvolupat pel dia -10 tenia una sensibilitat, especificitat i precisió del 67%, taxa de falsos positius del 60% i taxa de falsos negatius del 14%. Els resultats indiquen les malalties es poden predir. En el segon experiment, vedells pasteros van ser monitoritzats durant tres mesos des de l’arribada a la granja. Es va controlar l’estat sanitari. Per comparar vedells malalts i sans, es va realitzar un disseny d’aparellament (matched-pair design) i es va construir un model de regressió logística per desenvolupar un model de predicció. Els vedells sans van fer una mitjana de 2422±128,3 passos/d, van visitar les menjadores 8 ± 0,15 vegades/d per un total de 95±8,2 min/d, van tenir 27,8±0,76 canvis de postures/d i van estar 889±12,5 min/d tombats. Els vedells malalts es van caracteritzar per estar menys temps a la menjadora i menys temps tombats que els sans. També van fer menys canvis de postura de peu a tombats, menys passos i van freqüentar menys la menjadora en comparació amb els vedells sans. El model de predicció va ser capaç de predir vedells en risc d’emmalaltir 9 d abans dels símptomes amb una sensibilitat i especificitat del 79,2% i 81,3%, respectivament. La seva validació resultar en 50% de taxa de falsos positius i 7% de taxa de falsos negatius. Els resultats suggereixen que els sistemes poden ser útils en la identificació de vedells malalts. En el tercer experiment, vaques Holstein van ser monitoritzades des del dia -21 fins al dia del part. Es va controlar l’estat sanitari fins 30 postpart. Es va construir un model mixt lineal multivariada des del dia -21 fins al dia del part per comparar vaques malaltes i sanes. Es va desenvolupar un model de regressió logística per predir la metritis. Les vaques sanes van realitzar 1.627 ± 56 passos/d, van visitar les menjadores 8,5±0,3 vegades/d per un total de 184±10.6 min/d, van fer 10±0,5 canvis de postura de peu a assegut/d, i van passar 743±18,4 min/d tombats. Les vaques malaltes van fer 1644±89 passos/d, van visitar les menjadores 8±0,4 vegades/d per un total de 183±10 min/d, van tenir 11±0,6 canvis de postures/d, i van dedicar 740±40 min/d tombats. El model de predicció de metritis amb la major sensibilitat (73%) i especificitat (86%), tenia una precisió del 83,7%, taxa de falsos positius del 48,4% i taxa de falsos negatius del 6,1%. Els resultats indiquen que la metritis postpart es pot predir amb antelació.


Se llevaron a cabo tres experimentos para determinar si el sistema de monitoreo de la actividad podría usarse como un predictor de enfermedades en bovinos. En el primer experimento, terneros Frisones fueron monitorizados durante los 60 d posteriores a su llegada a la granja. Se controló su estado sanitario. Se usó un diseño de emparejamiento (Matched-pair design) para comparar terneros sanos contra enfermos, y se realizó un modelo de regresión logística para desarrollar un modelo de predicción. Los terneros sanos hicieron un promedio de 1476 ± 195 pasos/d, estuvieron un total de 185 ± 32,5 min/d en el comedero, hicieron 10 ± 1,1 vistitas/d al comedero, 19,5 ± 1,8 cambios de posición de pie a tumbado/d y estuvieron 978 ± 30,5 min/d tumbados. Los terneros enfermos hicieron menos pasos, tuvieron 18% menos visitas al comedero en los días -1 y 0, dedicaron menos tiempo a comer en los días -10 y -1, y tuvieron 15% menos cambios de postura de pie a tumbado entre los días -2 a +9 comparado con los terneros sanos. El modelo de predicción desarrollado para día -10 tenía una sensibilidad del 67%, especificidad del 67%, precisión del 67%, tasa de falsos positivos del 60% y tasa de falsos negativos del 14%. Los resultados indican las enfermedades se pueden predecir. En el segundo experimento, terneros pasteros fueron monitoreados durante los primeros tres meses desde su llegada a la granja. Su estado de salud fue controlado. Para comparar terneros enfermos y sanos, se realizó un diseño de emparejamiento (Matched-pair design) y se construyó un modelo de regresión logística para desarrollar un modelo de predicción. Los terneros sanos hicieron un promedio de 2422 ± 128,3 pasos/d, visitaron los comederos 8 ± 0,15 veces/d para un total de 95 ± 8,2 min/d, tuvieron 27,8 ± 0,76 cambios de posturas/d y estuvieron 889 ± 12,5 min/d tumbados. Los terneros enfermos se caracterizaron por estar menos tiempo en el comedero y menos tiempo tumbados que los sanos. También hicieron menos cambios de postura de pie a tumbados, menos pasos y frecuentaron menos el comedero en comparación con los terneros sanos. El mejor modelo de predicción fue capaz de predecir terneros en riesgo de enfermarse 9 d antes de los síntomas clínicos con una sensibilidad y especificidad del 79,2% y 81,3%, respectivamente. Su validación resultó en 50% de falsos positivos y 7% de falsos negativos. Los resultados sugieren que los sistemas de monitoreo de actividad pueden ser útiles en la identificación temprana de terneros enfermos. En el tercer experimento, vacas Holstein fueron monitoreadas desde el día –21 hasta el día del parto. Su estado de salud fue controlado hasta el día 30 postparto. Se construyó un modelo mixto lineal multivariado desde día –21 hasta el día del parto para comparar vacas enfermas y sanas. Se desarrolló un modelo de regresión logística para predecir la metritis. En promedio, las vacas sanas realizaron 1627 ± 56 pasos/d, visitaron los comederos 8,5 ± 0,3 veces/d para un total de 184 ± 10.6 min/d, hicieron 10 ± 0,5 cambios de postura de pie a sentado/d y pasaron 743 ± 18,4 min/d tumbados. Las vacas enfermas hicieron en promedio 1644 ± 89 pasos pasos/d, visitaron los comederos 8 ± 0,4 veces/d para un total de 183 ± 10 min/d, tuvieron 11 ± 0,6 cambios de posturas/d y dedicaron 740 ± 40 min/d tumbados. El modelo de predicción de metritis con la mayor sensibilidad (73%) y especificidad (86%), tenía una precisión del 83,7%, tasa de falsos positivos del 48,4% y tasa de falsos negativos del 6,1%. Los resultados indican que la metritis postparto se puede predecir con antelación.


Three experiments were conducted to determine if an activity-monitoring systems could be used for an early predictor of the risk of sickness in cattle. In the first experiment, Friesian male calves were monitored from 30 to 90 d of life. Calf health status was controlled. A matched pair design was conducted from d -10 to +10 relative to the diseases diagnostic to compare sick versus healthy calves, and a multivariate logistic regression was performed on the days before the disease event to develop a prediction model. Healthy calves did daily 1,476 ± 195 steps, spent 185 ± 32.5 min at the feed bunk, did 10 ± 1.1 meals, 19.5 ± 1.8 lying bouts and spent 978 ± 30.5 min lying. Sick calves did fewer steps, had 18% less meals on d -1 and 0, spent less time at the feed bunk on d -10 and -1 and had 15% less lying bouts from d -2 to +9 compared with healthy calves. The prediction model developed for d -10 had a sensitivity of 67%, a specificity of 67%, and accuracy of 67%. The false discovery rates and the false omission rates were 60% and 14%, respectively. Results indicate that the occurrence of diseases can be predicted in advance and a preventive treatment can be applied only to animals at risk. In the second experiment, young bulls were monitored during the first three months after their arrival to the feedlot. Bulls were examined daily for health status. To compare sick and healthy bulls, a matched pair design was performed in the 20 d around the diseases event and a multivariate logistic regression model was built to develop a prediction model. Bulls did on average 2,422 ± 128.3 steps/d, attended the feed bunk 8 ± 0.15 times/d for a total of 95 ± 8.2 min/d, had 27.8 ± 0.76 lying bouts/d and spent 889 ± 12.5 min/d lying. Sick bulls did fewer steps, less meals, spent less time in the feed bunk, had less lying bouts and spent less lying time compared with healthy bulls. The best prediction model was able to predict sick bulls at 9 d before the clinical symptoms with a sensitivity and specificity of 79.2 and 81.3%, respectively. The validation of the model resulted in a 50% false discovery rates and 7% false omission rates. Results suggest that activity monitoring systems may be useful in the early identification of sick bulls. However, the high false positive rate may require further refinement. In the third experiment, Holstein dry cows were monitored from d –21 to the day of calving. Cows postpartum health status was monitored until 30 DIM. A multivariate linear mixed model was built from d –21 to the day of calving to compare sick vs. healthy cows. A multivariate logistic regression model was developed to predict metritis. On average, healthy cows did 1,627 ± 56 steps, spent 184 ± 10.6 min at the feed bunk, did 8.5 ± 0.3 meals, did 10 ± 0.5 lying bouts and spent 743 ± 18.4 min lying per day. Sick cows did 1,644 ± 89 steps, spent 183 ± 10 min at the feed bunk, did 8 ± 0.4 meals, did 11 ± 0.6 lying bouts and spent 740 ± 40 min lying per day. A prediction model for metritis was developed. This model at the highest sensitivity (73%) and specificity (86%), had 83.7% accuracy, 48.4% false discovery rates and 6.1% false omission rates. Results indicate that the occurrence of metritis can be predicted in advance and preventive treatment can be applied only to animals at risk.

Paraules clau

Benestar; Bienestar; Welfare; Podòmetre; Podómetro; Pedometer; Vaqui; Vacuno; Cattle

Matèries

619 - Veterinària

Àrea de coneixement

Ciències de la Salut

Documents

mab1de1.pdf

8.603Mb

 

Drets

ADVERTIMENT. Tots els drets reservats. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs.

Aquest element apareix en la col·lecció o col·leccions següent(s)