El uso de aprendizaje automático para predecir la prevalencia de mastitis subclínica en granjas de ovejas lecheras
Autores: Kiouvrekis, Yiannis; Vasileiou, Natalia G. C.; Katsarou, Eleni I.; Lianou, Daphne T.; Michael, Charalambia K.; Zikas, Sotiris; Katsafadou, Angeliki I.; Bourganou, Maria V.; Liagka, Dimitra V.; Chatzopoulos, Dimitris C.; Fthenakis, George C.
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
El uso de aprendizaje automático para predecir la prevalencia de mastitis subclínica en granjas de ovejas lecheras
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Zootecnia
Palabras clave
Estudio
Modelo computacional
Mastitis
Granjas de ovejas lecheras
Prevalencia
Algoritmos de aprendizaje automático
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 12
Citaciones: Sin citaciones
El objetivo del estudio fue desarrollar un modelo computacional con el cual se pudieran realizar predicciones sobre el nivel de prevalencia de mastitis en granjas de ovejas lecheras. Los datos para la construcción del modelo se obtuvieron de un amplio estudio de campo en Grecia con 111 granjas. Se aplicó una metodología de aprendizaje no supervisado para agrupar los datos en dos grupos basados en 18 variables (17 variables independientes relacionadas con las prácticas de manejo de la salud aplicadas en las granjas, datos climatológicos en las ubicaciones de las granjas y el nivel de prevalencia de mastitis subclínica como valor objetivo). La herramienta K-means mostró la mayor significancia para la clasificación de las granjas en dos grupos para la construcción del modelo computacional: la prevalencia mediana (rango intercuartílico) de mastitis subclínica entre las granjas fue del 20.0% (rango intercuartílico: 15.8%) y 30.0% (16.0%) ( = 0.002). Posteriormente, se utilizaron herramientas de aprendizaje supervisado para predecir el nivel de prevalencia de la infección: árboles de decisión, k-NN, redes neuronales y máquinas de soporte vectorial. Para cada uno de estos, se emplearon combinaciones de hiperparámetros; se produjeron 83 modelos y se realizaron un total de 4150 evaluaciones. Se seleccionó un modelo computacional obtenido mediante máquinas de soporte vectorial (núcleo: ', parámetro de regularización C = 3). A continuación, se evaluó el modelo a través de los resultados de la prevalencia de mastitis subclínica en 373 registros de rebaños de ovejas no relacionados con los utilizados para la selección del modelo; el modelo se utilizó para evaluar la correcta clasificación de los datos en cada uno de los 373 conjuntos, cada uno de los cuales incluía un subconjunto de prueba (predicción) con un registro que se refería a la granja en evaluación. La prevalencia mediana de la infección en las granjas clasificadas por el modelo en cada una de las dos categorías fue del 10.4% (5.5%) y 36.3% (9.7%) ( < 0.0001). La precisión general del modelo para los resultados presentados por la herramienta K-means fue del 94.1%; para la estimación del nivel de prevalencia (=25.0%) en las granjas, fue del 96.3%. Los hallazgos de este estudio indican que los algoritmos de aprendizaje automático pueden ser utilizados de manera útil para predecir el nivel de mastitis subclínica en granjas de ovejas lecheras. Esto puede facilitar el establecimiento de medidas adecuadas de manejo de la salud para intervenciones en las granjas.
Descripción
El objetivo del estudio fue desarrollar un modelo computacional con el cual se pudieran realizar predicciones sobre el nivel de prevalencia de mastitis en granjas de ovejas lecheras. Los datos para la construcción del modelo se obtuvieron de un amplio estudio de campo en Grecia con 111 granjas. Se aplicó una metodología de aprendizaje no supervisado para agrupar los datos en dos grupos basados en 18 variables (17 variables independientes relacionadas con las prácticas de manejo de la salud aplicadas en las granjas, datos climatológicos en las ubicaciones de las granjas y el nivel de prevalencia de mastitis subclínica como valor objetivo). La herramienta K-means mostró la mayor significancia para la clasificación de las granjas en dos grupos para la construcción del modelo computacional: la prevalencia mediana (rango intercuartílico) de mastitis subclínica entre las granjas fue del 20.0% (rango intercuartílico: 15.8%) y 30.0% (16.0%) ( = 0.002). Posteriormente, se utilizaron herramientas de aprendizaje supervisado para predecir el nivel de prevalencia de la infección: árboles de decisión, k-NN, redes neuronales y máquinas de soporte vectorial. Para cada uno de estos, se emplearon combinaciones de hiperparámetros; se produjeron 83 modelos y se realizaron un total de 4150 evaluaciones. Se seleccionó un modelo computacional obtenido mediante máquinas de soporte vectorial (núcleo: ', parámetro de regularización C = 3). A continuación, se evaluó el modelo a través de los resultados de la prevalencia de mastitis subclínica en 373 registros de rebaños de ovejas no relacionados con los utilizados para la selección del modelo; el modelo se utilizó para evaluar la correcta clasificación de los datos en cada uno de los 373 conjuntos, cada uno de los cuales incluía un subconjunto de prueba (predicción) con un registro que se refería a la granja en evaluación. La prevalencia mediana de la infección en las granjas clasificadas por el modelo en cada una de las dos categorías fue del 10.4% (5.5%) y 36.3% (9.7%) ( < 0.0001). La precisión general del modelo para los resultados presentados por la herramienta K-means fue del 94.1%; para la estimación del nivel de prevalencia (=25.0%) en las granjas, fue del 96.3%. Los hallazgos de este estudio indican que los algoritmos de aprendizaje automático pueden ser utilizados de manera útil para predecir el nivel de mastitis subclínica en granjas de ovejas lecheras. Esto puede facilitar el establecimiento de medidas adecuadas de manejo de la salud para intervenciones en las granjas.