Listing 1 - 3 of 3 |
Sort by
|
Choose an application
Choose an application
La spectrométrie moyen infrarouge (MIR) du lait et l’application d’équations de prédictions peuvent fournir de nombreux bioindicateurs sur l’état de bien-être de la vache et offre l’avantage d’éviter des techniques invasives et/ou stressantes pour l’animal. L’objectif de cette étude se fixe dans la continuité du travail de Franceschini et al. (2022) qui ont développé, en utilisant les données du contrôle laitier wallon, deux modèles prédictifs à partir de la première parité (n = 740 454) permettant de détecter des vaches présentant un trouble de la santé en lien avec une potentielle mammite ou une balance énergétique négative (BEN) sévère. Le but de cette étude est d’étendre les techniques utilisées aux parités 2 et 3 afin de confirmer si un modèle unique peut être généralisable ou bien si chaque parité doit voir son propre modèle développé. Premièrement, au moyen d’un clustering hiérarchique, une réduction du volume de données fut itérée 10 fois à partir des données de parité créant ainsi 10 matrice par parité de 60 000 centroïdes qui sont les moyennes de plusieurs individus comprenant 29 biomarqueurs prédits majoritairement par la spectrométrie MIR. Un algorithme de classification hiérarchique non supervisée fut ensuite appliqué sur les matrices de centroïdes mettant en évidence 6 clusters par matrice. Ensuite, une harmonisation intra-lactation a permis de juger de la stabilité des clusters et de sélectionner la matrice de centroïdes la plus représentative par parité. Une seconde harmonisation inter-lactation des clusters formant chaque matrice de centroïdes fut ensuite menée permettant d’interpréter les clusters et de les comparer. Cette interprétation s’est fondée sur les moyennes des biomarqueurs des 6 clusters de chaque parité permettant de leur trouver une cause physiologique potentielle. Grâce à cette approche, de nouveaux groupes ont pu être détectés et potentiellement expliqués comme l’un en lien avec une balance énergétique négative, l’autre étant potentiellement lié à l’hypocalcémie subclinique (HSC). Les deux autres groupes semblent être reliés au stade de milieu de lactation et fin de lactation. Ensuite, une analyse discriminante partielle des moindres carrés (PLSDA) fut appliquée sur chaque parité afin de prédire la probabilité d’appartenir à ces 6 groupes pour l’ensemble des données. La moyenne des précisions équilibrés pour les classes mammites, BEN sévère, BEN, HSC, milieu de lactation et fin de lactation sont, dans l’ordre, 97%, 94%, 84%, 78%, 81%, 86%. Les conclusions de cette étude avancent que plusieurs modèles sont applicables entre lactation afin de détecter de potentielles mammites subcliniques car présentant des corrélations inter-modèles comprises entre 0,95 et 0,99. Le résultat des corrélations (0,85 à 0,93) est plus mitigé pour les bovins présentant de potentiels troubles énergétiques sévère. Pour les 4 autres groupes, un modèle spécifique semble devoir être développé par parité.
Choose an application
Les résultats de l’analyse par spectrométrie moyen infrarouge (MIR) du lait, collectés dans le cadre du paiement du lait, sont une source de données régulière et sous-valorisée à l’heure actuelle en Wallonie. En effet, la majorité des méthodes actuelles de détection des défaillances se base sur des analyses individuelles. L’objectif de ce travail est de proposer une méthode d’agrégation d’alertes basées sur des indicateurs prédits dans le lait par le MIR (à l’exception des cellules somatiques) afin de détecter des défaillances sur des troupeaux. Les défaillances peuvent être définies comme une multitude de comportements considérés comme anormaux. À titre d’illustration, il pourrait s’agir de l’augmentation du risque d’acidose ruminale, d’acétonémie, ou encore de mammite, mais aussi du risque de déséquilibre protéique de la ration. La méthode développée combine les connaissances issues de la littérature et une agrégation d’alertes issues d’analyses longitudinales. Premièrement, à partir de la littérature, 12 indicateurs (matière grasse, protéine, urée, cellules somatiques, C18:1cis9, acides gras non estérifiés, β-hydroxybutyrate, acides gras de novo, ratio caséines αS1 /αS2 , ratio TB/TP, Ingestion de matière sèche et production laitière) ont été sélectionnés et une table comprenant les relations entre 7 défaillances (acétonémie, acidose ruminale, balance énergétique négative, excès et déficit en protéine, mammite et stress thermique) et ces indicateurs a été créée. Ensuite, des alertes ont été développées pour détecter les indicateurs qui dévient de la courbe optimale attendue. Ces alertes ont été agrégées afin de former un motif qui a été comparé aux défaillances répertoriées. Concrètement, cette méthode s’est basée sur les données wallonnes de lait de tank collectées de 2020 à 2023. Les courbes attendues ont été crées sur base de données collectées entre 2020 et 2022 (N. = 800 732). La détection de défaillance a, quant à elle, été réalisée sur les données de l’année 2023 (N. = 291 412). Pour chaque indicateur, les alertes se basent sur la création de 3 scores obtenus à partir d’une courbe de référence, à partir de la variation temporelle et à partir d’un seuil. Ces scores allant de -6 à 6 ont ensuite été échelonnés de -1 à 1 pour être mis en lien avec la matrice de défaillance confectionnée sur base de la littérature. L’attribution d’une défaillance à un enregistrement a été réalisée en calculant la distance euclidienne. Ainsi, il est apparu que 60,1% des enregistrements ne présentaient aucune alerte : 2,8% étaient en acétonémie, 2,5% en acidose ruminale, 5,2% en balance énergétique négative, 7,9% en mammite et 20% en déséquilibre protéique. Cependant, aucun résultat ne permet de confirmer la qualité de l’attribution liée au stress thermique (0,8% des enregistrements). Bien que les résultats soient prometteurs, la méthode nécessite encore d’être confrontée au terrain pour valider et affiner les détections proposées. De plus, plusieurs maquettes fonctionnelles se concentrant sur la synthèse de l’information et la visualisation de la déviation des indicateurs ont été développées. Elles ont déjà été présentées à plusieurs acteurs scientifiques du milieu et n’attendent qu’à être déployées sur le terrain afin de recevoir les retours des agriculteurs.
Listing 1 - 3 of 3 |
Sort by
|