Un grupo de investigadores finlandeses han publicado un trabajo en Biosystems Enginering en la que han mostrado cómo los métodos de machine learning aplicados a información sobre comportamiento de los cerdos en cuanto a su alimentación pueden predecir si están enfermos.

Los autores, que forman parte de la Universidad de Helsinki y el Instituto de Recursos Naturales de Finlandia, mostraron cómo en la ganadería porcina la alteración en el comportamiento alimentario puede utilizarse como una señal temprana de malestar y enfermedad. Sin embargo, en una granja comercial, hay un tiempo limitado para observar y detectar los cambios de comportamiento individuales para evitar retrasos en el tratamiento de los animales enfermos, pérdidas económicas y deterioro del bienestar. Por ello, la recopilación automática de datos mediante sensores y alimentadores proporciona información valiosa sobre los primeros signos de enfermedad.

El equipo recopiló datos sobre el comportamiento alimentario de 10.261 cerdos (Yorkshire finlandés, Landrace finlandés y cruces) de la estación central de pruebas en Finlandia entre 2011 y 2016. Agruparon a los cerdos en diferentes corrales según su edad de llegada, peso y sexo. Los cerdos recibieron agua y alimento ad libitum.

Registraron el número de visitas por día a las zonas de alimentación, el tiempo dedicado a la alimentación por día y la ingesta diaria de alimento. Los datos de la enfermedad incluían síntomas como tos, cojera, pérdida de apetito, daños en la piel y mordedura de cola. En los modelos de aprendizaje automático, los cerdos con cualquiera de los síntomas registrados se clasificaron como "enfermos" para ese día determinado. Los cerdos sin síntomas registrados se clasificaron como "sanos".

Los valores absolutos del tiempo dedicado a la alimentación por día y la ingesta diaria de alimento no fueron características óptimas para predecir el estado de enfermedad de los cerdos debido a su fuerte relación con la edad del animal. Por lo tanto, el equipo creó nuevas funciones que incluyen clasificaciones diarias y residuos. Los rangos diarios relacionaron el rango de observación de un animal en comparación con otros cerdos dentro de un corral cada día. Los residuos describieron la diferencia entre los animales y el valor esperado para un cerdo de la misma edad. Luego, el equipo predijo el estado de salud de un cerdo basándose en características que incluían los rasgos de comportamiento alimentario originales y las características derivadas mediante un algoritmo de aprendizaje automático.

Basaron sus predicciones en las características del mismo día (ventana de un día), del mismo día y 2 días anteriores (ventana de 3 días), o del mismo día y 6 días anteriores (ventana de 7 días).

Los investigadores obtuvieron el mejor rendimiento con el modelo aplicado en la ventana de 7 días con 67% de sensibilidad y 73% de especificidad. Sin embargo, la precisión fue bastante baja. Esto puede deberse a que el personal de la estación pasó por alto síntomas leves durante el control de rutina diario. Además, la baja precisión podría deberse a un conjunto de datos muy desequilibrado que provoca una clasificación sesgada en el aprendizaje automático.

Los cambios de comportamiento en los cerdos pueden indicar una enfermedad. Sin embargo, estos cambios pueden ser rápidos e indicar una enfermedad inmediatamente o los cambios pueden comenzar varios días antes de la enfermedad. Por lo tanto, en este estudio, se aplicaron modelos con varias longitudes de ventana para encontrar la longitud óptima de registro de datos en función de las características y la naturaleza de los datos. Los hiperparámetros son parámetros de optimización que ajustan el rendimiento de los algoritmos de aprendizaje automático. Los mejores hiperparámetros se obtuvieron en función de los datos proporcionados durante el entrenamiento y utilizados en la predicción de los modelos. La sensibilidad y especificidad de los modelos fueron aceptables con todas las longitudes de ventana. Además, aumentar la longitud de la ventana mejoró el rendimiento de los modelos de clasificación.

El uso de características que indican una diferencia en el comportamiento alimentario de un cerdo respecto de sus compañeros de corral (rango) o de cerdos de la misma edad (residual) fue más beneficioso para predecir la enfermedad de los cerdos que los valores absolutos. Por lo tanto, una desviación de la hora de alimentación diaria típica o de la ingesta diaria de alimento en comparación con la hora de alimentación y la ingesta diaria de alimento de un cerdo promedio de la misma edad es una buena indicación de un posible problema de salud.

Además, el uso del modelo de ventana de 7 días con solo las 10 características más importantes en lugar de las 40 características aumentó ligeramente el rendimiento del modelo y redujo el tiempo de ejecución del modelo.

Los autores concluyeron que “las enfermedades de los cerdos se pueden detectar aplicando un algoritmo de aprendizaje automático a los datos del comportamiento alimentario; sin embargo, los resultados se pueden mejorar calculando nuevas características, considerando las interacciones entre características, utilizando diferentes longitudes de ventana y diferentes métodos".