Use of pattern recognition techniques for early detection of morbidity in receiving feedlot cattle.

Moya, D., Silasi, R., McAllister, T.A., Genswein, B.M.A., Crowe, T.G., Marti, S., et Schwartzkopf-Genswein, K.S.G. (2015). « Use of pattern recognition techniques for early detection of morbidity in receiving feedlot cattle. », Journal of Animal Science, 93(7), p. 3623-3638. doi : 10.2527/jas.2015-8907  Accès au texte intégral (en anglais seulement)

Résumé

Nous avons utilisé deux groupes de bovins pour mettre au point (données de modélisation : 384 génisses, 228 ± 22,7 kg, surveillées pendant 225 jours) et valider (données naïves : 384 génisses, 322 ± 34,7 kg, surveillées pendant 142 jours) l’utilisation de techniques de reconnaissance des profils de comportement alimentaire pour prédire la morbidité chez les bovins nouvellement arrivés en parc d’engraissement. Dans la série de données de modélisation, les bovins ont été décrits comme morbides (MO) s’ils ont été retirés de leur enclos pour être traités en raison de signes cliniques de maladie respiratoire observés à l’œil; ils ont été considérés comme en bonne santé (BS) s’ils sont restés dans leur enclos et qu’ils ne présentaient pas de lésions pulmonaires à l’abattage. Les paramètres du comportement alimentaire individuel recueillis avec un système automatisé de surveillance du comportement alimentaire ont été réduits par l’analyse en composantes principales à cinq composantes qui ont capté 99 % de la variabilité dans la série de données. Les combinaisons de groupements et les stratégies de classification des groupements appliquées à ces composantes, de concert avec les techniques de reconnaissance des profils au cours de différentes fenêtres de temps ont généré au total 105 modèles à partir desquels nous avons calculé la précision, la valeur prédictive négative, la sensibilité, la spécificité et l’exactitude en comparant leurs prédictions à l’état de santé réel des bovins déterminé par une évaluation visuelle. Lorsque nous avons utilisé les modèles avec la meilleure spécificité (modèles 79 et 87), la meilleure sensibilité (modèles 33 et 66) et la meilleure exactitude (modèles 3 et 14) avec les données naïves, les modèles 79 et 87 n’ont pas permis de prédire de génisses MO (0 %), tous les animaux ayant été prédits en BS (100 %). Le modèle 33 a permis de prédire 58,3 % des génisses en BS et 66,7 % des génisses MO, ces dernières ayant été décelées 3,1 ± 1,64 jours plus tôt que par l’observation visuelle. Le modèle 66 a permis de prédire 50,0 % des génisses en BS et 75,0 des génisses MO, ces dernières ayant été décelées 3,1 ± 1,76 jours plus tôt que par l’observation visuelle. Le modèle 3 a quant à lui permis de prédire 100 % des bovins en BS et 50,0 % des bovins MO, ces derniers ayant été décelés 1 jour plus tôt que par l’observation visuelle. Enfin, le modèle 14 a permis de prédire 83,3 % des bovins en BS et 58,3 % des bovins MO, ces derniers ayant été décelés 2,4 ± 1,99 jours plus tôt que par l’observation visuelle. L’application d’algorithmes de reconnaissance de profils au comportement alimentaire pourrait permettre d’identifier les bovins MO plus tôt que l’observation des signes visibles de morbidité. Il faut toutefois poursuivre les travaux sur un système intégré de traitement automatique des données recueillies des systèmes automatisés de surveillance des mangeoires pour que cette méthode puisse avoir un intérêt commercial en tant que moyen efficace de déceler les animaux morbides en temps réel pour l’industrie des parcs d’engraissement.

Date de modification :