Detección de mastitis subclínica en vacas lecheras por modelos de regresión lineal y algoritmos de inteligencia artificial, San Carlos, Costa Rica

Resumen

Se compararon seis modelos de regresión lineal y algoritmos de inteligencia artificial para la predicción de mastitis subclínica en el hato de ordeño de la finca Ganadera La Uno S. A. Como variable de respuesta se utilizó una transformación de la variable “conteo de células somáticas” (CCS), denominada score de células somáticas (SCCS). Como variables predictoras de SCCS se utilizaron la conductividad eléctrica (CE), la producción de leche (PL) e indicadores técnicos de las vacas como número de partos (NP), días en lactación (DEL), edad (ED) y estado reproductivo (ER). Se definió como “vaca enferma” aquella con un score de células somáticas (SCCS) de 4 o más, el cual representa un conteo de células somáticas (CCS) mayor a 200 000 cs/ml.  Se desarrollaron varios modelos de regresión lineal por la técnica de modelos lineales y se usaron dos técnicas de regresión de machine learning: el algoritmo de clasificación de Naïve Bayes y un modelo de regresión desarrollado por aprendizaje automatizado.  Los modelos de regresión lineal desarrollados por la técnica de modelos lineales mostraron valores de R2 por debajo de 0,32, con un valor de predicción deficiente en términos de especificidad (ESP) y de sensibilidad (SEN), con ESP de 55% (a una SEN fijada en 80%), mientras que el área bajo la curva ROC de estos modelos se aproximó a 75%. El algoritmo de clasificación de Naïve Bayes no fue un buen estimador de mastitis subclínica, con valores de SEN y ESP similares a los  modelos de regresión lineal mencionados anteriormente. El mejor predictor fue el modelo de regresión lineal que aplicó machine learning, con ESP (a 80% de SEN) y áreas bajo la curva ROC de 84,3% y 92,1% respectivamente.  Se demostró que existe un gran potencial en los algoritmos de aprendizaje automático para la detección de mastitis subclínica en hatos lecheros.