La precisión conduce a un diagnóstico precoz

Los comederos automáticos registran los comportamientos de alimentación de los terneros, como el número de visitas y los litros de leche consumidos.

Los dispositivos de Internet de las cosas, como los alimentadores automáticos, pueden ayudar a detectar cambios de comportamiento antes de que aparezcan signos clínicos externos de enfermedad.

Según los resultados de un nuevo estudio, el seguimiento de los terneros lecheros con tecnologías de precisión basadas en "Internet de las cosas" conduce a un diagnóstico más temprano de la enfermedad respiratoria bovina. Las nuevas tecnologías son cada vez más asequibles. Eso ofrece a los agricultores oportunidades para detectar problemas de salud animal lo suficientemente pronto como para intervenir, salvando a los terneros y la inversión que representan, dijo Melissa Cantor, profesora asistente de ciencias lácteas de precisión en la Universidad Estatal de Pensilvania.

Internet de las cosas se refiere a dispositivos integrados que cuentan con sensores, capacidades de procesamiento y comunicación, software y otras tecnologías para conectarse e intercambiar datos con otros dispositivos a través de Internet. En el estudio de la Universidad Estatal de Pensilvania, se utilizaron tecnologías de Internet de las cosas, como sensores portátiles y alimentadores automáticos, para observar y analizar el estado de los terneros.

Estos dispositivos generan una gran cantidad de datos al monitorear el comportamiento de los animales. Para facilitar la interpretación de los datos y proporcionar pistas sobre los problemas de salud de los terneros, los investigadores adoptaron el aprendizaje automático. Se trata de una rama de la inteligencia artificial que aprende patrones ocultos en los datos para discriminar entre terneros enfermos y sanos, a partir de información procedente de dispositivos de Internet de las cosas.

"Colocamos bandas en las pantorrillas, que registran datos de actividad y comportamiento, como el número de pasos y el tiempo acostado", dijo Cantor. “Y utilizamos comederos automáticos, que dispensan leche y cereales, y registran los comportamientos alimentarios, como el número de visitas y los litros de leche consumidos. La información de esas fuentes señaló cuando la condición de un ternero estaba a punto de deteriorarse”.

El diagnóstico de la enfermedad respiratoria bovina requiere de una mano de obra intensiva y especializada que es difícil de encontrar, afirmó.

"Por lo tanto, las tecnologías de precisión basadas en dispositivos de Internet de las cosas, como alimentadores automáticos, básculas y acelerómetros, pueden ayudar a detectar cambios de comportamiento antes de que se manifiesten signos clínicos externos de la enfermedad", dijo.

Ella y sus colegas de la Universidad Estatal de Pensilvania recopilaron datos de 159 terneros lecheros utilizando tecnologías ganaderas de precisión. Investigadores de la Universidad de Kentucky realizaron exámenes diarios de salud física a las pantorrillas. Los investigadores registraron tanto los resultados de la recopilación de datos automática como los resultados de la recopilación de datos manual, y los compararon.

Los investigadores informaron que el método puede identificar más rápidamente a los terneros que desarrollaron enfermedad respiratoria bovina. Numéricamente, el sistema logró una precisión del 88 por ciento para etiquetar terneros sanos y enfermos. El setenta por ciento de los terneros enfermos se predijo cuatro días antes del diagnóstico. El ochenta por ciento de los terneros que desarrollaron un caso crónico de la enfermedad fueron detectados dentro de los primeros cinco días de la enfermedad.

"Nos sorprendió mucho descubrir que la relación con los cambios de comportamiento en esos animales era muy diferente a la de los animales que mejoraron con un solo tratamiento", dijo. “Se nos ocurrió el concepto de que si estos animales realmente se comportan de manera diferente, entonces probablemente existe la posibilidad de que las tecnologías de Internet de las cosas dotadas de técnicas de inferencia de aprendizaje automático puedan identificarlos antes, antes de que alguien pueda hacerlo a simple vista. Eso ofrece opciones a los productores”.

Enrico Casella del Departamento de Ciencias Animales y Lácteas de la Universidad de Wisconsin fue uno de los investigadores que contribuyó al estudio. Visite animalscience.psu.edu (busque “Melissa Cantor”) para obtener más información.

Melissa Cantor

Jeff Mulhollem es escritor científico de la Universidad Estatal de Pensilvania.

Noticias agrícolas diarias e información de mercado de todo el medio oeste.

La lista de “Fundamentos de la planificación del pastoreo” de Grassland 2.0 Academy se completó en sólo tres días. La lista de espera para el verano de 2024 está creciendo a medida que d...

Investigadores de la Escuela de Universidad de Pensilvania identificaron recientemente vacas que naturalmente emiten menos metano que las vacas en promedio…

Recientemente se agregó un nuevo pasteurizador a una sala del edificio de Ciencias Agrícolas de la Universidad de Wisconsin-River Falls. Servirá…