La detección temprana de problemas de salud en la avicultura es fundamental para prevenir pérdidas económicas significativas y mejorar el bienestar animal. Un estudio pionero realizado por la Universidad de Georgia, la Universidad de Wisconsin-Madison y Cobb-Vantress ha explorado cómo el big data y la inteligencia artificial (IA) aplicada a la avicultura pueden transformar la gestión de las granjas avícolas.
La investigación, que monitoreó a más de 95.000 pollos de engorde y generó más de 99 millones de registros de comportamiento de alimentación, demostró la capacidad de los algoritmos de aprendizaje automático para predecir la mortalidad días antes de que ocurra. Este avance promete optimizar las estrategias de manejo en tiempo real, prevenir brotes de enfermedades y elevar los estándares de bienestar en la industria.
Introducción
Las mermas en la cría y engorde pollos debido a mortalidad o condiciones relacionadas con enfermedades representa un desafío considerable y genera pérdidas económicas anuales sustanciales para la industria avícola. La adopción de estrategias de manejo optimizadas para prevenir estas pérdidas requiere un monitoreo constante del estado de salud de la parvada, una tarea que la observación manual hace inviable por ser lenta, intensiva en mano de obra y estresante para los animales.
La observación continua de la salud individual en la producción avícola es laboriosa, pero el combinar comederos digitalizados, recogida automática de los datos y «MACHINE LEARNING» ABRE LAS PUERTAS A PREDICCIONES QUE DE OTRA MANERA SERÍAN IMPOSIBLES.
Los avances en la tecnología de sensores, como los comederos electrónicos equipados con identificación por radiofrecuencia (RFID), han abierto nuevas oportunidades para la vigilancia automatizada y no invasiva del rendimiento, el bienestar y la salud animal. Este estudio se centró en la integración de técnicas de aprendizaje automático (machine learning) con datos de comportamiento de alimentación (BA) para predecir eventos de mortalidad relacionados con enfermedades en pollos de engorde criados en el suelo sobre yacija.
Metodología del estudio
El equipo de investigación recopiló datos de 95.711 pollos de engorde de línea pura de ambos sexos, durante 146 pruebas de alimentación de 28 días cada una, entre 2017 y 2022. Estos pollos fueron alojados en corrales experimentales dotados de un sistema de alimentación electrónico de Cobb-Vantress, que utilizaba RFID para monitorear continuamente el BA. Se obtuvieron un total de 99.472.151 registros de visitas, que se resumieron en 2.667.617 observaciones diarias de ocho características de BA, incluyendo la ingesta diaria de alimento, el número de visitas, el tiempo en los comederos y la tasa de alimentación. Los eventos de mortalidad se definieron como aves encontradas muertas o sacrificadas por razones de bienestar.
Los comederos electrónicos permiten monitorear el comportamiento alimenticio en tiempo real.
A partir de las series temporales de comportamiento de alimentación (BA) , se extrajeron 22 características por cada rasgo, sumando 198 características por animal. El objetivo fue predecir la mortalidad con uno o tres días de antelación.
Se compararon cinco algoritmos de aprendizaje automático:
Gradient Boosting Machine (GBM),
Multilayer Perceptron (MLP),
Regresión Logística (LR),
Random Forest (RF) y
Support Vector Machine (SVM).
Debido al desequilibrio de las clases de datos (93,7 % aves sanas y 6,3 % retiradas), se emplearon estrategias de muestreo como el submuestreo aleatorio (RUS) y una combinación de RUS con la técnica de sobremuestreo sintético de la minoría (SMOTE) para el entrenamiento de los modelos. El rendimiento se evaluó mediante validación cruzada de 20 pliegues y un conjunto de prueba independiente, utilizando métricas como la especificidad, la sensibilidad, la precisión, la puntuación F1 y el área bajo la curva ROC (AUC) y la curva de precisión-exhaustividad (AUPRC).
Hallazgos clave
Los resultados demostraron que los cambios en el comportamiento de alimentación aparecieron de 7 a 17 días antes de la mortalidad. Específicamente, las aves enfermas comieron menos, más lentamente, visitaron los comederos con menos frecuencia y tuvieron menos comidas. Las pruebas estadísticas confirmaron diferencias consistentemente en la mayoría de los rasgos de BA entre aves sanas y retiradas al menos 7 días antes del evento.
Un comportamiento alimenticio anómalo podría indicar el inicio de enfermedades en pollos de engorde.
En cuanto al rendimiento de la predicción, los algoritmos Gradient Boosting Machine (GBM) y Support Vector Machine (SVM) lograron las mejores predicciones (AUC ≈ 0.87). La combinación de estrategias de submuestreo y sobremuestreo (RUS + SMOTE) generalmente ofreció un rendimiento ligeramente superior que solo el submuestreo aleatorio (RUS).
Aunque las predicciones con un día de antelación fueron más precisas que las de tres días, estas últimas superaron consistentemente la clasificación aleatoria. Se observó que incluso con un conjunto reducido de características, la precisión se mantuvo alta, sugiriendo que rasgos derivados de la ingesta diaria de alimento, el número de comederos visitados, el intervalo de actividad de visita y el número de comidas tienen una alta importancia predictiva para el monitoreo de la mortalidad en pollos de engorde.
Implicaciones y desafíos futuros
Este estudio proporciona evidencia sólida de que la combinación de big data e Inteligencia Artificial en avicultura puede convertirse en una herramienta poderosa para mejorar el bienestar animal, prevenir brotes de enfermedades y optimizar la gestión de granjas en tiempo real. La capacidad de estos sistemas para monitorear el estado de salud individual de los pollos de engorde en tiempo casi real permitiría a los avicultores y veterinarios implementar estrategias de intervención dirigidas, reduciendo el estrés innecesario en los animales y previniendo la propagación de enfermedades.
Se ANTICIPARON CON ÉXITO MERMAS O eventos de mortalidad relacionados con enfermedades a partir del comportamiento alimenticio.
Sin embargo, el estudio también destacó algunos desafíos. Se encontró una compensación entre la precisión y la sensibilidad de las predicciones, lo que significa que el umbral para clasificar a los animales como casos positivos debe ajustarse según los objetivos específicos del sistema de monitoreo en la granja. Además, el rendimiento de la clasificación disminuyó notablemente cuando la ventana de predicción se amplió de uno a tres días, lo que indica la necesidad de investigaciones futuras para mejorar la eficacia de las predicciones con mayores intervalos de tiempo. También sería beneficioso desarrollar modelos con etiquetas más detalladas para prevenir enfermedades específicas.
Conclusión
En resumen, los hallazgos de este estudio indican que los datos a gran escala sobre el comportamiento de alimentación, recopilados de comederos electrónicos, ofrecen información valiosa para predecir eventos de mortalidad relacionados con enfermedades en pollos de engorde criados en piso utilizando métodos de aprendizaje automático. Los algoritmos GBM y SVM lograron el mejor rendimiento general para esta tarea. A pesar de los resultados prometedores, se necesita más investigación para investigar la generalizabilidad de los hallazgos a otras poblaciones (como otras líneas genéticas) y para probar la viabilidad y rentabilidad de implementar estos sistemas de monitoreo de manera masiva en granjas de pollos comerciales. Esta aproximación demuestra que la combinación de big data e IA puede convertirse en una herramienta poderosa para mejorar el bienestar animal, prevenir brotes de enfermedades y optimizar la gestión de granjas en tiempo real.
Los métodos de aprendizaje automático lograron los mayores aciertos predictivos al trabajar con 1 día de antelación. AL INTENTAR PREDECIR MORTALIDADES DE 3 A 7 DÍAS VISTA LA CALIDAD DE LAS PREDICCIONES ES INFERIOR.
Lo más importante de este estudio:
- «En la avicultura, la detección temprana de problemas de salud puede significar la diferencia entre una parvada exitosa y pérdidas de millones de dólares.»
- «Más de 95.000 pollos de engorde fueron monitoreados en 146 ensayos utilizando comederos electrónicos equipados con RFID, generando más de 99 millones de registros de comportamiento de alimentación.»
- «Los cambios en el comportamiento de alimentación aparecieron de 7 a 17 días antes de la mortalidad.»
- «Las aves enfermas comieron menos, más lentamente, visitaron los comederos con menos frecuencia y tuvieron menos comidas.»
- «Gradient Boosting Machine (GBM) y Support Vector Machine (SVM) lograron las mejores predicciones (AUC ≈ 0.87).»
- «Este enfoque demuestra que la combinación de big data + IA puede convertirse en una herramienta poderosa para: mejorar el bienestar animal, prevenir brotes de enfermedades y optimizar la gestión de granjas en tiempo real.»
- «Nuestros hallazgos indican que los datos a gran escala sobre el comportamiento de alimentación recopilados de comederos electrónicos ofrecen información valiosa para predecir eventos de mortalidad relacionados con enfermedades en pollos de engorde criados en piso utilizando métodos de aprendizaje automático.»
- «Las pruebas estadísticas indicaron diferencias consistentes en la mayoría de los rasgos de BA entre aves sanas y retiradas al menos 7 días antes del evento.»
- «Los resultados presentados en este estudio proporcionan información importante sobre la viabilidad de implementar sistemas automatizados basados en datos para monitorear en tiempo casi real el estado de salud individual de los pollos de engorde criados en piso.»
- «Se necesita más investigación para investigar la generalizabilidad de los hallazgos a otras poblaciones (por ejemplo, otras líneas genéticas) y para probar la viabilidad y rentabilidad de implementar dichos sistemas de monitoreo en entornos comerciales.»
Fuente:
-. Monitoring mortality events in floor-raised broilers using machine learning algorithms trained with feeding behavior time-series data. Anderson A.C. Alves, Arthur F.A. Fernandes, Vivian Breen, Rachel Hawken, Guilherme J.M. Rosa.
Computers and Electronics in Agriculture, Volume 224, 2024, 109124, ISSN 0168-1699,
https://doi.org/10.1016/j.compag.2024.109124
Para saber más:
-. Inteligencia artificial aplicada en avicultura