Use of a thermal sensor microchip and machine learning in the detection of changes in body temperature in dairy calves using anaplasmosis as a disease model

• Ano de defesa: 2022
• Autor(a) principal: Souza, Gleiciele Mendes de
• Orientador(a): Danes, Marina de Arruda Camargo
• Banca de defesa: Danes, Marina de Arruda Camargo, Costa, João Henrique Cardoso, Pereira, Luiz Gustavo Ribeiro, Bresolin, Tiago
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Instituição de defesa: Universidade Federal de Lavras
• Programa de Pós-Graduação: Programa de Pós-Graduação em Zootecnia
• Departamento: Departamento de Zootecnia
• País: brasil
• Palavras-chave em Português: Inteligência artificial; Aprendizado de máquina; Pecuária de precisão; Microchips; Bovinos - Medição de temperatura; Artificial intelligence; Machine learning; Precision livestock; Cattle - Temperature measurement
• Área do conhecimento CNPq: Zootecnia
• Link de acesso: https://repositorio.ufla.br/handle/1/49785

A mortalidade e a morbidade dos bezerros representam um custo significativo na criação e uma importante questão de bem-estar. A ferramenta de avaliação de saúde mais utilizada é a medida da temperatura corporal por meio de um termômetro retal, que pode ser trabalhosa, invasiva e estressante para o animal. Automatizar a medição de temperatura pode ser útil durante a ocorrência de doenças para identificação precoce e tratamento de animais. Os objetivos foram avaliar: i) dados de temperatura subcutânea coletados pelo microchip Bio-Thermo em comparação com a temperatura retal (TR) em bezerros expostos à anaplasmose; e ii) a capacidade preditiva de Recurrent Neural Networks (RNN) e Long Short-Term Memory (LSTM) na identificação precoce da anaplasmose. Adicionalmente, objetivamos investigar: ii.a) o efeito da duração da série temporal anterior ao diagnóstico da doença (5, 7 ou 10 dias consecutivos) no desempenho preditivo de RNN e LSTM; e ii.b) como a doença pode ser detectada precocemente em bezerros leiteiros (3 dias de antecedência ou apenas no dia do diagnóstico clínico). Vinte e quatro bezerros com 132,4 ± 13,9 (média ± DP) dias de idade e 146 ± 23,3 kg de peso corporal foram desafiadas com 2 × 107 eritrócitos infectados com a cepa UFMG1 (GenBank no. EU676176) isolada de Anaplasma marginale. Após a inoculação, os animais foram monitorados diariamente pela avaliação do volume globular (VG). O menor valor de VG (14,8 ± 2,6%) e a identificação de riquétsias em esfregaços sanguíneos foram utilizados como critérios para classificar um animal como doente (d0). Os dados de temperatura foram coletados diariamente por meio de identificação passiva por radiofrequência (RFID) e termômetro clínico. Duas séries temporais foram construídas incluindo a última sequência de -5, -7 ou -10 d precedendo d0 ou compreendendo uma sequência de 5, 7 ou 10 d selecionada aleatoriamente em uma janela de -50 a -15 d antes de d0 para garantir uma sequência de dias em que o VG foi considerado normal (32 ± 2,3%). A validação cruzada Leave-One-Animal-Out (LOAOCV) foi usada para avaliar a qualidade da predição. A TR foi aumentada em resposta à doença, enquanto a temperatura medida pelo microchip apresentou apenas pequenas variações e a correlação entre essas duas temperaturas foi baixa (r = 0,35, P<0,001). Em d0, para ambos os conjuntos de dados de temperatura (microchip e retal), a acurácia (ACC), sensibilidade (SEN) e especificidade (SPE) de RNN foi menor que LSTM. A ACC, SEN e SPE do LSTM na detecção de anaplasmose em d0 usando dados de microchip variaram de 71 a 77%, 62 a 67% e 75 a 88%, respectivamente. Para os dados de TR em d0, ACC, SEN e SPE de LSTM variaram de 96 a 98%, 96 a 100% e 92 a 96%, respectivamente. O desempenho preditivo dos modelos não melhorou ao usar séries temporais mais longas. A ACC e SEN na predição de anaplasmose até 3 dias antes do diagnóstico clínico foram superiores a 80% apenas para TR usando modelos RNN, confirmando que a TR permite a identificação precoce de alterações na temperatura corporal relacionadas à anaplasmose. Já os modelos gerados com as temperaturas obtidas via microchip apresentaram qualidade preditiva inferior.