Inteligência artificial ajuda a predizer a CCS individual das vacas

As ferramentas digitais estão cada vez mais próximas do dia a dia das fazendas. Este cenário tem ocorrido em conjunto com as mudanças de comportamento dos consumidores (mais conectados e mais preocupados com o ambiente, bem-estar das vacas e os riscos associados com o consumo de alimentos), as quais afetam todos demais elos da cadeia produtiva do leite, como as empresas de laticínios e as de fornecimento insumos.

Para atender a demanda crescente de derivados lácteos, tem ocorrido maior intensificação na produção de leite, o que gera demanda crescente pelo uso de tecnologias digitais para tornar as fazendas mais eficientes.

Uma das principais características destas novas tecnologias é a geração de grande volume de dados, muitas vezes em tempo real, que podem ser usadas para analisar e encontrar padrões dentro dos sistemas de produção, para identificação de anomalias e tomada de decisões. Após o processamento destes dados, os resultados podem ser usados para avaliação exploratória (identificar estágios iniciais do problema) ou avaliação preditiva (prever cenários e situações futuras, com base em informações atuais).

Em relação à mastite bovina, quando é feito o controle leiteiro das vacas, que inclui a medição da produção de leite, composição e a CCS individual das vacas, são gerados grande bancos de dados que podem ser usados para avaliações preditivas em relação à saúde do úbere.

Continua depois da publicidade

Um exemplo do uso de bancos de dados para avaliação preditiva de saúde do úbere foi um estudo recente¹ que usou a metodologia de aprendizado de máquina (machine learning) para estimativa do status de CCS das vacas no mês seguinte, utilizando as informações do mês atual.

O estudo foi realizado com base nos dados de controles leiteiros de rebanhos da região de Pádova, Itália, obtidos durante 2 anos (2018 e 2019). Os principais dados do controle leiteiro incluídos no estudo foram: a identificação individual da vaca, a raça, o estágio e o número de lactações, a produção de leite, a composição (gordura, proteína, lactose e caseína) e a CCS individual das vacas. O estudo obteve um total de 18,5 mil dados de cerca de 14 mil vacas, de 791 fazendas.

Para selecionar o melhor modelo de predição da CCS das vacas, foram analisados 8 diferentes tipos de algoritmos de machine learning, sendo que uma amostra com 80% dos dados foi usada para o treinamento e a criação dos modelos e os 20%  restantes foram usados para validação externa (determinar qual a precisão destes modelos para a predição da CCS do mês seguinte).

Os dados de CCS individual das vacas foram classificados em vacas sadias (<200.000 cels/ml) e vacas com mastite (>200.000 cels/ml). Os modelos que geraram os melhores resultados de predição foram os algoritmos de rede neural e floresta aleatória (randon forest), os quais apresentaram uma acurácia de predição > 75%.

Os resultados deste estudo indicam que usando estes algoritmos de machine learning foi possível prever, com base nos dados do mês atual, qual seria o status de CCS de uma vaca no mês seguinte (<200.000 cels/ml ou >200.000 cels/ml), com chance de acerto >75%. O modelo é treinado com base nas informações de CCS individual da vaca, DEL e número de lactações, composição do leite e estação do ano.

Continua depois da publicidade

Esta capacidade de predizer (ou prever) o status de saúde do úbere das vacas com base em dados já existentes pode auxiliar na tomada de decisões sobre a necessidade de monitoramento mais próximo dos animais com mastite, estimativa futura de perdas de produção e necessidade de implantação de medidas de prevenção e controle.

Este estudo é um exemplo do potencial da inteligência artificial, que pode ser usada para identificar padrões em grandes volumes de dados e assim permitir a tomada de decisões mais acertadas em termos de manejo, prevenção e controle de doenças das vacas leiteiras.

Fonte: ¹ Bobbo, et al. Comparison of machine learning methods to predict udder health status based on somatic cell counts in dairy cows. Sci Rep 11, 13642 (2021)