0
La caudofagia o mordedura de cola es un comportamiento dañino que impacta en el bienestar y la salud de los cerdos. La detección temprana de los signos precursores de la caudofagia proporciona una oportunidad para tomar medidas preventivas, evitando así la incidencia de mordeduras de cola. El objetivo de este estudio fue construir un algoritmo de aprendizaje automático para la detección en tiempo real de próximos brotes de caudofagia, usando datos de comportamiento alimentario registrados mediante comederos electrónicos. Se evaluaron las capacidades de predicción de siete algoritmos de aprendizaje automático (modelo lineal generalizado con selección gradual de características, bosques aleatorios, máquinas de vectores de soporte con kernel de función de base radial, modelo bayesiano lineal generalizado, red neuronal, k vecinos más próximos y análisis discriminante de mínimos cuadrados parciales) a partir de datos diarios de alimentación recogidos en 65 corrales de dos explotaciones de cerdos de engorde (25-100kg), con 27 incidencias de mordeduras de cola. Los datos se dividieron en datos de formación y datos de análisis de dos maneras diferentes, ya sea dividiendo aleatoriamente los datos en 75% (conjunto de formación) y 25 % (conjunto de análisis), o seleccionando corrales aleatoriamente para constituir el conjunto de análisis. En la primera división de datos, el modelo se actualiza periódicamente con datos previos del corral, mientras que en la segunda división de datos, el modelo intenta predecir para un corral que no ha evaluado anteriormente.
El algoritmo de los k vecinos más próximos pudo predecir el 78% de los próximos brotes con una precisión del 96%, cuando predijo brotes en corrales para los que tenía datos previos.
En conclusión, los resultados indican que los modelos de aprendizaje automático pueden considerarse para su implementación en sistemas de alimentación automáticos para predecir en tiempo real brotes de mordeduras de cola.
Ollagnier C, Kasper C, Wallenbeck A, Keeling L, Bee G, Bigdeli SA. PLOS One. 2023. https://doi.org/10.1371/journal.pone.0252002