Inteligencia Artificial para el monitoreo permanente del bienestar de las vacas lecheras

Vacas de aptitud lechera Vacas de aptitud lechera usando collares de acelerometría.

ClearFarm adopta el modelo de los Cinco Dominios del bienestar animal que incluye la nutrición, el alojamiento, la salud, el comportamiento natural, y el estado mental. Basándose en este enfoque, el equipo ha evaluado cómo los parámetros registrados por los sensores contribuyen a la evaluación de indicadores específicos de bienestar para cada dominio. Por ejemplo, el tiempo que una vaca lechera pasa alimentándose y rumiando cada día, la frecuencia de alimentación, el número de veces que bebe cada día y la temperatura ruminal son todos parámetros que pueden medirse con sensores para proporcionar información sobre el dominio de nutrición.

Revisiones exhaustivas de los sensores existentes en el mercado, y cuyo rendimiento ha sido debidamente validado, han llevado a la conclusión de que actualmente es posible monitorear el bienestar de las vacas lecheras, incluyendo los dominios de salud, nutrición y alojamiento, utilizando datos recogidos por sensores.

El bienestar animal es visto cada vez más como un atributo de la calidad alimentaria y los ciudadanos de la UE desean más información sobre cómo son tratados los animales de granja. El etiquetado de productos puede contribuir a la conciencia de los consumidores sobre la calidad alimentaria y la sostenibilidad, al mismo tiempo que respalda a los productores de la UE que cumplen con altos estándares de bienestar animal. ClearFarm ha revisado varias etiquetas de bienestar animal y ha encontrado que muchas utilizan medidas basadas en recursos en lugar de modelos basados en animales. Por ejemplo, se asume el estado nutricional de los animales en base al número de comederos disponibles para el rebaño, y a la cantidad de alimento proporcionada, no al tiempo que cada animal dedica a alimentarse. El etiquetado de bienestar animal está regulado por la legislación de la UE, que enfatiza en la información precisa y verificable. Factores clave para que el etiquetado resulte exitoso incluyen la participación de la industria, el conocimiento de los consumidores, la transparencia y la participación de todas las partes interesadas. La digitalización y las tecnologías innovadoras ofrecen oportunidades para mejorar la comunicación con los consumidores.

La información sobre el bienestar animal en el etiquetado es de momento voluntaria en la Unión Europea, lo que lleva a diferentes esquemas nacionales de etiquetado de bienestar animal que pueden confundir a los consumidores. El proyecto ClearFarm tiene como objetivo abordar este asunto, desarrollando una plataforma que recopila datos del bienestar animal a través de sensores, y los pone a disposición de productores y consumidores para tomar decisiones informadas. Esto garantiza el cumplimiento de la normativa y genera confianza al consumidor, brindándole un análisis objetivo del bienestar animal, evaluado con medidas basadas en los animales mismos, no en los recursos. Esta tecnología aumenta la transparencia y minimiza el riesgo de información engañosa, en línea con las regulaciones voluntarias de etiquetado de alimentos europeas y proporciona información valiosa a los consumidores.

El impacto ambiental de la producción ganadera es un factor significativo en el bienestar animal. Clearfarm utiliza la metodología de Evaluación del Ciclo de Vida (ECV) estandarizada (ISO 14040) para evaluar los impactos ambientales de productos, procesos o servicios a lo largo de todo su ciclo de vida. Cuando se aplica a los sistemas de cría de vacuno lechero y cerdos, la ECV evalúa su impacto en el calentamiento global, el uso de tierras, la eutrofización, la acidificación, el uso del agua y otros factores. Esto ayuda a identificar las etapas clave de la contaminación o el consumo de recursos y estrategias para la mejora. La ECV define los límites del sistema y evalúa los productos animales junto con subproductos como mantequilla, queso y carne. Clearfarm tiene como objetivo conectar los resultados de la ECV con el bienestar animal y el medio ambiente, y crear una plataforma que los integre.

El Aprendizaje Automático (o ML, por sus siglas en inglés, de Machine Learning) se utiliza en ClearFarm para crear modelos a partir de datos recogidos con PLF, y entrenarlos con evaluaciones veterinarias y registros de granjas como referencia, para predicen la probabilidad de enfermedades animales y permiten brindar alertas tempranas a los ganaderos. Por ejemplo, ClearFarm ha desarrollado modelos predictivos para la acidosis y la mastitis, con el objetivo de anticipar su aparición y promover acciones correctivas.

La mastitis, uno de los problemas más comunes en las vacas lecheras, genera un alto impacto económico y en el bienestar animal. Dependiendo de su gravedad, puede ser subclínica o clínica. En los casos clínicos, hay síntomas evidentes, como reducción de la cantidad de leche producida, presencia de células somáticas y bacterias que la hacen inapropiada para el consumo humano, cambios visibles en la glándula mamaria (hinchazón, dolor, enrojecimiento) y cambios en el comportamiento de la vaca. En los modelos de aprendizaje automático de ClearFarm, se utilizó la conductividad de la leche y el recuento de células somáticas para predecir la aparición de mastitis: Si una vaca produce leche con una conductividad mayor de 5.5 mS/cm, se considera un posible caso de mastitis.

Por otro lado, la acidosis, un trastorno metabólico común en las vacas lecheras, también puede tener graves consecuencias para la salud y la productividad de la vaca. La acidosis puede resultar en disminución del apetito, diarrea, cojera, y reducción en la producción de leche, y alteración del equilibrio de la microbiota ruminal. En el modelo de aprendizaje automatico de ClearFarm, se utilizó el pH ruminal, registrado con un bolo ruminal (Smaxtec, Viena, Austria), un sensor colocado en el rumen de la vaca, para predecir la presentación de acidosis: se considera un posible caso de acidosis a una vaca con un pH ruminal por debajo de ~5.8.

Los dos modelos muestran un excelente rendimiento en la identificación de casos potenciales de mastitis y acidosis, proporcionando a los ganaderos retroalimentación casi en tiempo real para mejorar el bienestar y el rendimiento de sus animales. Actualmente, los modelos se están refinando para mejorar su precisión, aunque la mayoría de los pocos errores detectados tanto para mastitis como para acidosis tienden a ser preventivos, generando falsas alarmas ocasionales (no omisión de casos de enfermedad), generalmente con baja probabilidad.

Uno de los objetivos fundamentales del proyecto ClearFarm es validar los datos proporcionados por la tecnología basada en sensores como indicadores del bienestar animal, para predecir la aparición de enfermedades. En los ensayos de ClearFarm, y revisando la literatura científica, se han identificado ciertos comportamientos de las vacas lecheras cuyos patrones cambian cuando el animal cursa un cuadro de mastitis clínica: el tiempo dedicado a alimentarse, beber, rumiar y descansar. La identificación de estos cambios de comportamiento al inicio de la mastitis, cuando su presentación aún es subclínica, puede ser útil como sistema de detección precoz y mitigar el impacto sobre el bienestar animal, reduciendo el costo de tratamientos y las tasas de reemplazo de animales.

Un estudio de ClearFarm monitoreó el tiempo diario que las vacas dedican a alimentarse, rumiar y a descansar tumbadas, recopilando datos proporcionados por sensores de actividad (collares de acelerometría IDA, Connecterra, Ámsterdam, Países Bajos), demostrando que la reducción del tiempo diario dedicado a rumiar podría usarse como indicador para la detección temprana de mastitis. Para ello, se consideraron los 5 días anteriores al diagnóstico de la mastitis, el día del diagnóstico y los 3 días posteriores. Todas las vacas fueron tratadas con antibióticos el día del diagnóstico. Los resultados mostraron que las vacas con mastitis redujeron significativamente el tiempo dedicado a rumiar cuatro días antes del diagnóstico, y que este comportamiento se recuperó tras el tratamiento con antibióticos (Figura 4).