Monitoreo integral del bienestar del vacuno lechero en granja mediante sensores de ganadería de precisión

Abstract

Les vaques lleteres s'enfronten a reptes relacionats amb la seva salut, allotjament, nutrició i l'expressió de comportaments naturals, que tenen un impacte sobre el seu benestar. Actualment, el benestar animal a les granges s'avalua mitjançant protocols que intenten cobrir aquests aspectes, però presenten limitacions, ja que només ofereixen una visió general a nivell grupal en el moment de l'avaluació i requereixen molt de temps per a la seva aplicació. Les tecnologies de ramaderia de precisió (PLF) permeten el monitoratge continu a nivell individual de paràmetres basats en l'animal, cosa que pot ajudar a superar aquestes limitacions en l'avaluació del benestar animal a la granja. L'objectiu general d'aquesta tesi és investigar el potencial dels sensors PLF per monitorar de manera contínua i individual el benestar del bestiar boví lleter. Primer, es va realitzar una revisió sistemàtica de les tecnologies PLF disponibles i validades per a l'avaluació del benestar del bestiar boví lleter, destacant la necessitat de més validació per garantir la seva fiabilitat en granges comercials. A continuació, es va analitzar la capacitat dels indicadors de comportament registrats per sensors, com el temps dedicat a rumiar, alimentar-se, descansar, estar dret i caminar, com a possibles indicadors de problemes freqüents de salut, com ara acidosi ruminal, mastitis i coixeres. Un dels estudis va mostrar que la reducció en el temps de rumia precedeix l'aparició d'acidosi ruminal, cosa que suggereix que podria servir com un indicador precoç d'aquest trastorn metabòlic, facilitant intervencions tempranes. A més, es va desenvolupar un algorisme d'aprenentatge automàtic per predir l'aparició d'acidosi i mastitis basat en els canvis en els patrons de comportament registrats per acceleròmetres. Aquesta eina pot ser una alternativa eficient i no invasiva per monitorar l'estat de salut del bestiar lleter, especialment útil en granges amb accés limitat a la tecnologia. Després d'explorar el potencial dels paràmetres registrats per sensors per al monitoratge de la salut, es va investigar si els canvis en aquests paràmetres es relacionen amb estats d'estrès, inflamació i immunitat durant episodis de coixeres i mastitis. Per a això, es van analitzar les possibles associacions entre els paràmetres registrats per sensors i biomarcadors salivals prèviament estudiats en la detecció d'aquestes patologies. Els resultats van revelar associacions significatives entre diversos paràmetres de comportament, especialment els temps de rumia i descans, amb certs biomarcadors, suggerint que les dades de sensors es poden utilitzar com a indicadors de salut en relació amb l'estrès, la inflamació i la immunitat. Finalment, es va desenvolupar un mètode que integra diferents indicadors procedents de sensors per avaluar el benestar individual de les vaques, construït en el marc del model dels cinc dominis del benestar animal. Aquest mètode de puntuació, basat en els rangs normals diaris dels indicadors fisiològics i de comportament registrats per sensors PLF (bols ruminals i acceleròmetres), va integrar els registres rutinaris de la granja en un algorisme d'aprenentatge automàtic. El sistema és capaç de calcular un índex global de benestar diari per vaca, desglossat en puntuacions de salut, nutrició i allotjament, cosa que permet als ramaders detectar i abordar de manera oportuna les condicions que comprometen el benestar. Els resultats d'aquesta tesi suggereixen que les tecnologies PLF tenen el potencial de millorar tant l'avaluació com el benestar del bestiar lleter a les granges, proporcionant senyals d'advertència primerenca sobre problemes de salut i optimitzant les pràctiques de gestió, incloent-hi l'alimentació i l'allotjament. Les principals limitacions detectades van ser: les baixes taxes de validació que garanteixin el correcte funcionament de les tecnologies de sensors, l'escassetat d'eines dissenyades per al monitoratge del bestiar lleter jove, i la manca d'indicadors registrats per PLF que permetin monitorar l'expressió de comportaments naturals i l'estat mental dels animals.

Las vacas lecheras afrontan desafíos relacionados con su salud, alojamiento, nutrición y la expresión de comportamientos naturales, que impactan su bienestar. Actualmente, el bienestar animal en granjas se evalúa mediante protocolos que intentan abarcar estos aspectos, pero presentan limitaciones, pues solo ofrecen una visión general a nivel grupal en el momento de la evaluación y requieren mucho tiempo para su aplicación. Las tecnologías de ganadería de precisión (PLF) permiten el monitoreo continuo a nivel individual de parámetros basados en el animal, lo que puede ayudar a superar estas limitaciones en la evaluación del bienestar animal en granja. El objetivo general de esta tesis es investigar el potencial de los sensores PLF para monitorear de forma continua e individual el bienestar del vacuno lechero. En primer lugar, se realizó una revisión sistemática de las tecnologías PLF disponibles y validadas para la evaluación del bienestar del vacuno lechero, destacando la necesidad de una mayor validación para garantizar su fiabilidad en granjas comerciales. Seguidamente se analizó la capacidad de los parámetros de comportamiento registrados por sensores, como el tiempo dedicado a rumiar, alimentarse, descansar, estar de pie y caminar, como posibles indicadores de problemas frecuentes de salud, como acidosis ruminal, mastitis y cojeras. Uno de los estudios mostró que la reducción en el tiempo de rumia precede a la aparición de acidosis ruminal, sugiriendo su utilidad como indicador temprano de este trastorno metabólico. Además, se desarrolló un algoritmo de aprendizaje automático para predecir la aparición de acidosis y mastitis basado en los cambios en los patrones de comportamiento registrados por acelerómetros. Esta herramienta puede ser una alternativa eficiente y no invasiva para el monitoreo de la salud del vacuno lechero, especialmente útil en granjas con acceso limitado a la tecnología. Posteriormente, se investigó si los cambios en los parámetros de comportamiento registrados por sensores se relacionan con estados de estrés, inflamación e inmunidad durante eventos de cojeras y mastitis. Para ello, se analizaron las posibles asociaciones entre dichos parámetros, y biomarcadores salivares previamente estudiados en la detección de estas patologías. Los resultados revelaron varias asociaciones significativas entre biomarcadores y parámetros PLF, especialmente los tiempos de rumia y descanso, sugiriendo que los datos de sensores pueden utilizarse como indicadores de salud en relación con el estrés, la inflamación y la inmunidad. Finalmente, se desarrolló un método que integra distintos indicadores procedentes de sensores para evaluar el bienestar individual de las vacas, construido en el marco del modelo de los cinco dominios del bienestar animal. Este método de puntuación, basado en los rangos normales diarios de los indicadores fisiológicos y de comportamiento registrados por sensores PLF (bolos ruminales y acelerómetros), integró los registros rutinarios de granja en un algoritmo de aprendizaje automático. El sistema es capaz de calcular un índice global de bienestar diario por vaca, desglosado en puntuaciones de salud, nutrición y alojamiento, lo que permite a los ganaderos detectar y abordar de manera oportuna las condiciones que comprometen el bienestar. Los resultados de esta tesis sugieren que las tecnologías PLF tienen el potencial de mejorar tanto la evaluación como el bienestar del vacuno lechero en granja, proporcionando señales de advertencia temprana sobre problemas de salud y optimizando las prácticas de manejo, incluidas la alimentación y el alojamiento. Las principales limitaciones detectadas fueron: las bajas tasas de validación que garanticen el correcto funcionamiento de los sensores, la escasez de herramientas diseñadas para el monitoreo de vacuno lechero joven, y la falta de indicadores registrados por PLF que permitan monitorear la expresión de comportamientos naturales y el estado mental de los animales.

Dairy cows face challenges related to their health, housing, nutrition, and the expression of natural behaviours, all of which significantly impact their welfare. Currently, animal welfare on farms is evaluated using protocols that aim to address these aspects. However, these protocols present limitations, as they typically provide only a broad, group-level assessment at the moment of evaluation and are highly time-consuming. Precision livestock farming (PLF) technologies enable continuous individual-level monitoring of animal-based parameters, helping to overcome these limitations in farm welfare assessments. The general objective of this thesis is to investigate the potential of PLF sensors to continuously and individually monitor dairy cow welfare. First, a systematic review of available and validated PLF technologies for evaluating dairy cow welfare was conducted, highlighting the need for further validation to ensure their reliability on commercial farms. Next, the capacity of behaviour indicators recorded by sensors—such as time spent ruminating, feeding, resting, standing, and walking—was analyzed as potential indicators of common health problems like ruminal acidosis, mastitis, and lameness. One study demonstrated that a reduction in rumination time precedes the onset of ruminal acidosis, indicating its potential as an early warning sign of this metabolic disorder, enabling timely interventions. Furthermore, a machine learning algorithm was developed to predict the onset of acidosis and mastitis based on changes in behavioural patterns recorded by accelerometers. This tool could be an efficient and non-invasive alternative for monitoring dairy cow health, especially on farms with limited access to technology. After exploring the potential of sensor-recorded parameters for health monitoring, it was investigated whether changes in these parameters are related to states of stress, inflammation, and immunity during episodes of lameness and mastitis. For this purpose, the possible associations between sensor-recorded parameters, and salivary biomarkers previously studied for detecting these pathologies, were analyzed. The results revealed significant correlations between various behavioural parameters, especially rumination and resting times, and certain biomarkers. This suggests that sensor data can be used as health indicators related to stress, inflammation, and immunity. Finally, a method that integrates various sensor-derived parameters to evaluate individual cow welfare, aligned with the five domains model of animal welfare, was developed. This scoring method, based on the normal daily ranges of physiological and behavioral indicators recorded by PLF sensors (rumen boluses and accelerometers), integrated routine farm records into a machine learning algorithm. The system calculates a daily global welfare index for each cow, categorized into health, nutrition, and housing scores, enabling farmers to promptly detect and address conditions that compromise welfare. The results of this thesis suggest that PLF technologies have the potential to improve the welfare of dairy cows and its evaluation on farms, by providing early warning signals for health issues and optimizing management practices, including feeding and housing. The main limitations identified were the low validation rates ensuring the correct operation of sensor technologies, the scarcity of tools designed to monitor young dairy cattle, including heifers and calves, and the lack of PLF-recorded indicators to monitor the expression of natural behaviors and the mental state of animals.