ES2377201T3 - Un sistema y un método para observar y predecir el estado fisiológico de un animal - Google Patents

Abstract

Un sistema para observar y predecir un estado fisiológico de un animal, comprendiendo dicho sistema: - un ordenador que comprende un procesador y que esta conectado operativamente a una base de datos,- al menos un dispositivo de suministro de muestras para proporcionar de manera repetitiva al menos una muestra de un fluido corporal del animal,- un aparato de analisis para analizar dicha al menos una muestra para obtener al menos un valor de muestra de al menos un parametro del fluido corporal,- una interfase de datos para introducir de manera repetitiva el valor de muestra de dicho al menos un parametro en la base de datos, en el que la base de datos esta adaptada para almacenar multiples entradas de la base de datos que representan el valor de muestra de dicho al menos un parametro en diversos momentos, y en el que el procesador esta programado para: - realizar al menos un analisis matematico de dicho al menos un valor de muestra, y- seleccionar, basandose en dicho al menos un analisis matematico, el momento para proporcionar una posterior muestra y realizar un posterior analisis de dicha posterior muestra para al menos uno de los parametros.

Description

Un sistema y un metodo para observar y predecir el estado fisiol6gico de un animal

Campo tecnico

La presente invenci6n se refiere a sistemas y metodos para observar y predecir un estado fisiol6gico de un animal. 5 Como ejemplo, el animal puede ser una vaca. Los sistemas y los metodos de la invenci6n se basan en una muestra de un fluido corporal del animal, tal como orina, sangre o leche.

Antecedentes de la invenci6n

En general, resulta deseable observar, vigilar y predecir el estado fisiol6gico de un animal, en particular un animal de granja. Asf, los fluidos corporales de los animales, en particular la leche, la orina y la sangre, pueden analizarse para

10 obtener valores de parametros, tales como el recuento celular en la leche, la lactato deshidrogenasa (LDH), la Nacetil-β-D-glucosaminidasa (NAGasa), los cuerpos cet6nicos tales como acetoacetato, beta-hidroxibutirato (BHB) y acetona, el contenido en urea, la progesterona u otros, cada uno de los cuales por sf mismos o en combinaci6n con otros indican un estado fisiol6gico concreto. Por ejemplo, una alta concentraci6n de LDH normalmente indica mastitis, mientras que el contenido en progesterona puede indicar un estado de prenez.

15 La tecnica anterior ha propuesto diversos metodos para el analisis de muestras de leche. Por ejemplo, el documento US 5.252.829 describe un metodo para determinar la cantidad de urea en la leche. En una muestra de leche, se determina la absorci6n de la radiaci6n infrarroja en diversos intervalos de longitud de onda, por lo que la urea, las grasas, la lactosa y las protefnas absorben en diferentes intervalos de longitud de onda.

El documento US 6.405.672 y en de Mol (2000) se describe un sistema y un metodo para controlar la condici6n

20 ffsica de un rebano de ganado, empleandose los errores entre valores predichos segun un modelo de serie temporal y los correspondientes valores medidos para determinar el intervalo de confianza para una predicci6n para cada animal individualmente. La significancia de un error entre una predicci6n y un valor medido con respecto a la probabilidad de que el animal este en celo o padezca una enfermedad se evalua de modo automatico para cada animal individualmente.

25 El documento WO 00/39578 describe un metodo para calcular el recuento celular en un fluido corporal, tal como la leche, registrando un espectro de MID-IR, analizando los datos que representan la informaci6n espectral en el espectro registrado mediante el uso de metodos quimiometrico de multiples variables para derivar propiedades y/o concentraciones a partir de la informaci6n espectral, tal como una regresi6n de mfninos cuadrados lineal (PLS-R), una regresi6n lineal multiple (MLR), una regresi6n de componentes principales (PCR), o las redes neuronales

30 artificiales (ANN), y derivando la informaci6n sobre el numero de celulas en el fluido corporal a partir del espectro registrado. La ventaja es que el espectro de MID-IR a menudo se mide y se registra para muestras de leche, y puede obtenerse una estimaci6n del recuento celular a partir de los datos ya registrados. Preferiblemente, se incluyen mediciones de la conductividad, la temperatura y el rendimiento, para mejorar la fiabilidad de una estimaci6n con respecto a la probabilidad de un posible ataque de mastitis.

35 El documento WO 01/28415 describe un sistema de base de datos y un metodo para recoger y organizar datos relacionados con el estado fisiol6gico de animales para mejorar la calidad y la duraci6n de la vida del animal. El sistema consiste en la gesti6n informatizada de bases de datos relacionadas con la evaluaci6n de la salud fenotfpica, el cartografiado genetico y la selecci6n genetica de animales.

Sumario de la invenci6n

40 Con el objetivo de proporcionar una herramienta mejorada para observa y predecir un estado fisiol6gico de un animal, un primer aspecto de la presente invenci6n proporciona un sistema para observar y predecir un estado fisiol6gico de un animal, comprendiendo dicho sistema:

-

un ordenador que comprende un procesador y que esta conectado operativamente a una base de datos,

-

al menos un dispositivo de suministro de muestras para proporcionar de manera repetitiva al menos una muestra 45 de un fluido corporal del animal,

-

un aparato de analisis para analizar dicha al menos una muestra para obtener al menos un valor de muestra de al menos un parametro del fluido corporal,

-

una interfase de datos para introducir de manera repetitiva el valor de muestra de dicho al menos un parametro en la base de datos,

50 en el que la base de datos esta adaptada para almacenar multiples entradas de la base de datos que representan el valor de muestra de dicho al menos un parametro en diversos momentos, y en el que el procesador esta programado para:

-

realizar al menos un analisis matematico de dicho al menos un valor de muestra, y

-

seleccionar, basandose en dicho al menos un analisis matematico, el momento para proporcionar una posterior muestra y realizar un posterior analisis de dicha posterior muestra para al menos uno de los parametros.

En un segundo aspecto, la presente invenci6n proporciona un metodo para observar y predecir un estado fisiol6gico de un animal, comprendiendo dicho metodo:

-

proporcionar de manera repetitiva al menos una muestra de un fluido corporal del animal,

-

analizar dicha al menos una muestra para obtener al menos un valor de muestra de al menos un parametro del fluido corporal,

-

introducir el valor de muestra de dicho al menos un parametro en la base de datos de un sistema informatico,

en el que la base de datos esta cargada con multiples entradas de la base de datos que representan el valor de muestra de dicho al menos un parametro en diversos momentos, y:

-

realizar al menos un analisis matematico de dicho al menos un valor de muestra, y

-

seleccionar, basandose en dicho al menos un analisis matematico, el momento para proporcionar una posterior muestra y realizar un posterior analisis de dicha posterior muestra para al menos uno de los parametros.

En los sistemas y metodos mencionados, el analisis matematico es preferiblemente un metodo estadfstico.

El analisis estadfstico se selecciona preferiblemente del grupo que consiste en un analisis univariante de las entradas de la base de datos para obtener un primer conjunto de datos que representa los valores de muestra esperados de al menos uno de los parametros en momentos futuros, o un analisis de multiples variables de las entradas de la base de datos para producir un segundo conjunto de datos derivado del analisis combinado de los valores de muestra de al menos dos parametros. El primer y el segundo conjunto de datos pueden combinarse para producir un tercer conjunto de datos representativo del estado fisiol6gico del animal, y el primer, segundo y tercer conjunto de datos obtenidos pueden almacenarse en la base de datos.

Los tipos de analisis univariante y analisis de multiples variables que pueden utilizarse en la presente invenci6n se describen mediante los ejemplos no limitantes mencionas mas adelante en la memoria descriptiva.

Para mejorar la medici6n de al menos un parametro para observar y predecir un estado fisiol6gico de un animal, la base de datos comprende al menos un valor externo de al menos un parametro externo. El parametro externo se describe mas adelante en la memoria descriptiva.

En una realizaci6n de la presente invenci6n, al menos un parametro externo se incluye en la base de datos, tal como al menos 2 parametros externos, por ejemplo al menos 3 parametros externos, tal como al menos 4 parametros externos, por ejemplo al menos 5 parametros externos, tal como al menos 6 parametros externos, por ejemplo al menos 10 parametros externos, tal como al menos 15 parametros externos, por ejemplo al menos 25 parametros externos, tal como al menos 50 parametros externos.

El sistema esta programado para una etapa (y el metodo tambien la comprende) de realizar un analisis de datos de las entradas de la base de datos para obtener una indicaci6n del estado fisiol6gico del animal, con lo que el valor externo se incluye en el analisis de datos.

Resulta muy ventajoso que un metodo y un sistema de control del rendimiento de la producci6n ideal sea capaz de generar datos analfticos cuantitativos para parametros seleccionados mediante lo cual incluso unas variaciones diarias relativamente pequenas son altamente predictivas de un cambio, por ejemplo, en el estado de salud general, en la condici6n fisiol6gica, en el estado nutricional y energetico, en el estado del ciclo de estro o la prenez de un miembro individual de la poblaci6n que se esta ensayando. Esto requiere que el sistema proporcionado permita realizar frecuentes analisis cuantitativos baratos.

Ademas, una caracterfstica ventajosa de la invenci6n es que los parametros pueden analizarse de un modo dinamico e inteligente, es decir, que s6lo se analizan los parametros que, en un momento concreto del ciclo de reproducci6n y/o lactancia del miembro individual de la poblaci6n, deben analizarse en una muestra de leche concreta. Esto se logra proporcionando un sistema informatico para almacenar datos que incluyen datos del estado fisiol6gico y nutricional de dicho miembro individual de la poblaci6n, que incluyen datos que indican el momento en que se encuentran dentro del ciclo de reproducci6n y lactancia. Un aparato de analisis para analizar una pluralidad de parametros en una muestra genera una sena detectable en presencia de un parametro individual de la muestra. La determinaci6n para que un parametro deba o no analizarse es controlada por el ordenador que tiene datos almacenados sobre el estado fisiol6gico y nutricional de cada miembro individual de la poblaci6n, de forma que el analisis s6lo se activa en momentos seleccionados o en intervalos de tiempo seleccionados. A este respecto, una caracterfstica interesante es que el ordenador que tiene datos almacenados sobre el estado fisiol6gico y nutricional de cada miembro individual de la poblaci6n se actualiza continuamente con nuevos datos, de modo que la selecci6n

de la gama de parametros que se analizan en una muestra concreta en un momento concreto se basa en un conjunto constantemente actualizado de datos para el miembro concreto de la poblaci6n.

El sistema y el metodo seleccionan, basandose en dicho al menos un analisis matematico, el momento para proporcionar una posterior muestra y para realizar el analisis de dicha posterior muestra para al menos uno de los parametros. La selecci6n se proporciona, por ejemplo, en cuanto el valor de muestra de un parametro seleccionado se diferencia en mas de una medici6n de desviaci6n concreta X del valor de muestra esperado, y la frecuencia de la muestra aumentara para medir el parametro seleccionado. En el caso en que el valor de muestra del parametro seleccionado no se diferencie en mas de la medici6n concreta X del valor de la muestra esperado, la frecuencia de la muestra puede disminuir para medir el parametro seleccionado. La medici6n de desviaci6n X puede ser una medici6n relativa o una medici6n absoluta. La medici6n de desviaci6n mencionada puede determinarse con facilidad segun metodos matematicos y estadfsticos muy conocidos por los expertos en la tecnica.

Segun la presente invenci6n, dicho al menos un analisis matematicos implica:

-

un analisis univariante de las entradas de la base de datos para obtener un primer conjunto de datos que representa los valores de muestra esperados de al menos uno de los parametros en momentos futuros,

-

un analisis de multiples variables de las entradas de la base de datos para producir un segundo conjunto de datos derivado del analisis combinado de los valores de muestra de al menos dos de los parametros,

-

combinar el primer y el segundo conjunto de datos para obtener un tercer conjunto de datos que representan el estado fisiol6gico del animal, y

-

almacenar el primer, el segundo y el tercer conjunto de datos en la base de datos.

Los beneficios de los analisis de datos univariantes y de multiples variables se utilizan para observar o predecir de modo mas preciso el estado fisiol6gico tomando en cuenta una pluralidad de parametros. Por tanto se realiza un analisis preciso, que da como resultado una indicaci6n del estado actual, con vista a poder predecir estados futuros. Las realizaciones del sistema de la invenci6n pueden disponerse cerca de los animales, por ejemplo en una sala de ordeno de una granja, y pueden ser manejadas por el granjero o por un tecnico agrfcola. Por consiguiente, las indicaciones iniciales del estado fisiol6gico, por ejemplo de las vacas de un rebano, pueden ser suministradas al granjero sin que tenga que implicar a un veterinario en la evaluaci6n inicial del estado fisiol6gico, por ejemplo de una vaca.

En el presente contexto, la expresi6n "estado fisiol6gico" debe entenderse como un estado en el sentido general. Por ejemplo, puede ser un estado con respecto a la salud, incluyendo un estado con respecto a enfermedades clfnicas o subclfnicas, a la reproducci6n o al estado energetico.

En el presente contexto, el termino "poblaci6n" se refiere a un grupo pertinente de animales, por ejemplo un rebano concreto, una raza concreta, un grupo de rebanos con caracterfsticas similares, tales como el sistema de producci6n, una poblaci6n regional o nacional.

La expresi6n "analisis de datos univariante" se refiere a un analisis de datos en el que se analizan los datos relacionados con una unica variable. Los analisis de datos univariantes pueden comprender el analisis de variablas univariantes correlacionadas.

La expresi6n "analisis de datos de multiples variables" se refiere a un analisis de datos en el que se analizan los datos relacionados con al menos dos variables.

Debe entenderse que un resultado de un analisis univariante o de multiples variables puede utilizarse como entrada para posteriores analisis. Estos posteriores analisis pueden ser univariantes o de multiples variables. Por ejemplo, la salida de un analisis de componentes principales (PCA) puede utilizarse como entrada para un modelo de espacio de estados (SSM) o viceversa.

No es necesario que el ordenador y la base de datos esten en la misma localizaci6n ffsica. Por ejemplo, el ordenador, incluyendo el procesador, puede estar incluido en un aparato de analisis que se coloca cerca de un rebano de animales, por ejemplo en un establo, mientras que la base de datos puede estar incluida en un ordenador personal en una oficina separada del establo, o en un ordenador central localizado en unas instalaciones de procesamiento de datos remotas.

Las realizaciones y las caracterfsticas especfficas de los aspectos de la invenci6n resultan evidentes a partir de las reivindicaciones adjuntas y de la descripci6n detallada de la invenci6n que aparece a continuaci6n. Debe entenderse que la siguiente descripci6n no esta limitada a los aspectos concretos de la invenci6n. Mas bien, el analisis se aplica igualmente bien a cualquier aspecto de la invenci6n.

Breve descripci6n de los dibujos

La invenci6n se describira mas a fondo haciendo referencia a los dibujos, en los que:

Las figuras 1 y 2 ilustran los recuentos celulares medidos frente al analisis de los datos para diversas vacas.

La figura 3 contiene una grafica (grafica A) de datos simulados y otras graficas (graficas B, C y D) que representan la salida de un filtro de Kalman de multiproceso extendido.

La figura 4 muestra un diagrama general del flujo de informaci6n segun la presente invenci6n.

Las figuras 5a y 5b muestran el flujo de informaci6n segun una realizaci6n de la presente invenci6n cuando se analiza para el BHB y la cetosis.

Las figuras 6a y 6b muestran el flujo de informaci6n segun una realizaci6n de la presente invenci6n cuando se analiza para indicadores de la mastitis (por ejemplo, NAGasa o LDH) y la mastitis.

Las figuras 7a-7d muestran el flujo de informaci6n segun una realizaci6n de la presente invenci6n cuando se analiza para la progesterona y la reproducci6n.

La figura 8 muestra el flujo de informaci6n segun una realizaci6n de la presente invenci6n cuando se analiza para la urea y el estado de las protefnas.

La figura 9 muestra el flujo de informaci6n segun una realizaci6n de la presente invenci6n cuando se analiza para la grasa de la leche, las protefnas de la leche y el estado energetico.

Descripci6n detallada de los dibujos

Una herramienta para el analisis de datos de multiples variables es el analisis de componentes principales (PCA), tambien denominado en la bibliograffa "analisis de factores". En resumen, las variables manifiestas se sustituyen por variables latentes en un analisis de datos de multiples variables. Las variables manifiestas son directas y mensurables, es decir, variables manifestadas, que en el presente contexto tambien se denominan valores de muestra, tales como la concentraci6n de grasas o de lactosa en la leche. Las variables latentes son las sumas ponderadas de las variables manifiestas. Como ejemplo, las variables latentes t1 y t2 se determinan como t1 = 0,45*% de grasas + 0,12*% de lactosa, y t2 = 0,05*% de grasas + 0,72*% de lactosa. En este caso, t1 y t2 son proyecciones de las variables manifiestas, % de grasas y % de lactosa, sobre los vectores [0,45; 0,12] y [0,05; 0,72]. Mediante la selecci6n apropiada de las ponderaciones, por ejemplo como eigenvectores de una matriz de variables manifiestas, las variables latentes determinadas de esta manera incluyen informaci6n de todas las variables manifiestas independientemente del numero de variables manifiestas. Por consiguiente, la informaci6n en una acumulaci6n de datos puede distinguirse o separarse del ruido aleatorio. Ademas, las ponderaciones pueden ser visualizadas, para permitir la extracci6n de informaci6n relacionada con las variables manifiestas, y las varianbles latentes pueden ser visualizadas, para permitir la extracci6n de informaci6n relacionada con objetos, por ejemplo animales, tales como vacas, sobre los cuales se han realizado las mediciones.

Las variables manifiestas pueden suministrarse utilizando cualquier medio analftico conocido en la tecnica. Los ejemplos ilustrativos de dichos medios de analisis incluyen ensayos basados en enzimas, ensayos con una base inmunol6gica, biodetectores, ensayos bioqufmicos, ensayos espectrometricos, ensayos qufmicos en humedo, analisis de inyecciones secuenciales, y ensayos de analisis por inyecci6n en flujo, que son adecuados para los analisis. Preferiblemente, el medio de analisis se disena para realizar mediciones cuantitativas. En una realizaci6n util, el medio de analisis comprende medios o dispositivos analfticos en soporte s6lido que pueden estar en forma, por ejemplo, de tiras de ensayo (tambien conocidas como bastones secos) que comprenden un reactivo o reactivos apropiados que, en presencia del compuesto que se esta analizando, generan una senal detectable. Ademas, el medio de analisis puede comprender o puede estar conectado operativamente con un medio para almacenar y transportar dichos dispositivos analfticos en soporte s6lido.

La acumulaci6n de datos puede disponerse o almacenarse de modo conveniente en una tabla en la base de datos. Por ejemplo, las variables medidas pueden disponerse en columnas de la tabla, y los objetos, por ejemplo, la identificaci6n de las vacas, puede disponerse en las filas. Esta tabla se denomina X. En PCA, las ponderaciones mencionadas anteriormente pueden ser los elementos en los eigenvectores de la matriz de correlaci6n de X. El numero de eigenvectores pertinentes, que gobierna el numero de variables latentes pertinentes, depende del contenido de la informaci6n en X. Como ejemplo, un tamano de la tabla de 30-1000 x 20 puede producir una serie de variables latentes, por ejemplo de 2 a 30, tal como de 2 a 20, habitualmente de 2 a 8.

Un estado fisiol6gico de un animal, tal como el estado de salud del animal, puede ser determinado a partir de la comparaci6n de un patr6n en los parametros medidos, es decir, los valores de muestra, y un patr6n de referencia (o un valor de parametro de referencia) que sea tfpico para animales sanos, y un patr6n que sea tfpico para animales que padecen cierta enfermedad, respectivamente. Cuando la acumulaci6n de los datos que cubren todos los estados fisiol6gicos que se van a observar o a predecir este disponible, pueden determinarse las probabilidades de que un animal concreto pertenezca a los diversos estados. Por ejemplo, si los valores de muestra de una vaca concreta se determinan durante y despues del ordeno de la vaca, la vaca puede clasificarse y pueden tomarse las medidas apropiadas.

En los analisis de datos de multiples variables, pueden proporcionarse los denominados patrones de parametros (es decir, variables manifiestas) para tomar en cuenta las influencias mutuas entres los parametros. Si esta disponible un parametro selectivo, un analisis de datos univariante puede resultar apropiado. Como ejemplo, una medici6n de progesterona puede producir, en la mayorfa de los casos, una indicaci6n satisfactoria del estro o celo, y de la prenez. Sin embargo, se ha descubierto que muy pocos parametros son puramente selectivos para el estado fisiol6gico, por ejemplo de una vaca, y en la mayorfa de los casos s6lo es posible una evaluaci6n apta despues del analisis de los valores de muestra de varios parametros. Por ejemplo, un alto nivel de urea en la leche puede indicar un estado si la concentraci6n de grasas es elevada, y otro estado si la concentraci6n de grasas en baja, mientras que un mayor o menor rendimiento lacteo puede indicar otro tercer y cuarto estados.

Para predecir el contenido de celulas somaticas de la leche puede emplearse un metodo matematico, tal como PLSR (regresi6n de mfnimos cuadrados parcial) para analizar el espectro de infrarrojos (IR) de la leche. Se ha descubierto que dicho modelo es adecuado para establecer una base de experiencia para cada animal individual en un rebano.

Para establecer una base de experiencia que sea global, es decir, no especffica para un animal individual sino que pueda aplicarse en general a todos los animales de cierto tipo, por ejemplo vacas, pueden aplicarse metodos de clasificaci6n quimiometricos. Uno de estos metodos es el denominado modelado suave independiente por analogfa de clases (SIMCA), en el que los valores de muestra previos (o hist6ricos) se agrupan en clases, por lo cual las clases se analizan individualmente mediante PCA. Por tanto, los valores de muestra hist6ricos pueden agruparse, por ejemplo, en una clase que representa a las vacas sanas, y otra clase que representa las vacas enfermas. Puede existir un modelo para cada clase y, aplicando nuevos valores de muestra a los modelos de las diversas clases, puede determinarse a que clase pertenece la vaca en cuesti6n. Sin embargo, esta metodologfa no toma en cuenta los datos externos, tales como la raza, la edad, los detalles de la alimentaci6n, la estaci6n del ano, la localizaci6n geografica, etc. que pueden influir en los datos de la muestra.

Por tanto, se ha desarrollado un "SIMCA inverso" en el que se establece un modelo separado para cada animal sano. Si una nueva medici6n no se parece a ninguno de los patrones de animales sanos, la probabilidad de que el animal es cuesti6n este enfermo es alta. Por tanto, introduciendo una pluralidad de modelos separados se crean unos lfmites mas amplios para lo que se considera como un estado normal que tambien refleja la realidad biol6gica.

Sin embargo, el numero de modelos puede reducirse, o la fiabilidad del resultado del analisis puede aumentarse, mediante la inclusi6n de datos externos en los modelos.

En los modelos, los animales puede agruparse segun su tiempo de parici6n. Un estado sano, es decir sin mastitis, se define por un recuento celular menor que 200. El analisis s6lo incluye a los animales en los que el numero de observaciones con un bajo recuento celular sea al menos 30. Esto produce un total de 121 modelos que estan basados en 19 variables o parametros: rendimiento lacteo, FPD y conductividad, asf como los valores relativos y absolutos de la grasa A, la grasa B, las protefnas, la lactosa, la urea, el acido cftrico, la lactato deshidrogenasa (LDH), los s6lidos totales (TS) y los s6lidos no grasos (SNF). El recuento celular medido no se incluye en los modelos. Puesto que el intervalo de la varianza para los valores de los parametros medidos varfa, se realiza un autoescalado de los valores de muestra antes de calcular los eigenvectores.

Los modelos pueden expresarse de manera matematica como:

X = Ta*Pa'+E

en que X representa los datos escalados, T representa las variables latentes (la proyecci6n de X sobre P), P es el eigenvector de la matriz de correlaci6n X'X, y E es una matriz residual que recoge el ruido aleatorio. El subfndice a indica la dimensi6n del modelo. La dimensi6n se obtiene mediante validaci6n cruzada, y tambien se denomina complejidad, el numero de variables latentes, el numero de factores o el rango de X'X. En el presente contexto, a es generalmente al menos 2 y como maximo 8.

Para cada vaca y para cada ordeno (catalogado por i), las 19 variables se muestrean en un patr6n xi, y se determina la proyecci6n de xi sobre cada uno de los modelos:

ti = xi*P

Para asegurar una validaci6n independiente, es decir, para asegurar la globalidad, se omiten los modelos basados en el animal en cuesti6n.

Posteriormente se determina el apalancamiento, indicado como h (que corresponde a la T2 de Hotelling) y el residual, r. Desde el punto de vista geometrico, el apalancamiento representa la distancia desde el punto 19dimensional de medici6n hasta el punto de proyecci6n en el modelo. El apalancamiento se calcula como la suma cuadrada de los elementos en ti, y el residual se calcula como la suma cuadrada de los elementos en el vector xiti*P'. Las cantidades h y r se normalizan con sus respectivos niveles de significancia del 95% de la fase de formaci6n del modelo. La cantidad final de ensayo es la longitud del vector (h,r), y xi se considera que pertenece al modelo si esta cantidad es menor que √2.

Las figuras 1 y 2 ilustran los recuentos celulares medidos frente al analisis de los datos para diversas vacas. Los datos de "ajuste a la normal" se obtienen como 100*[(el numero de modelos al cual pertenece un ordeno concreto)/(el numero total de modelos)]. Por tanto, si un ordeno pertenece a 14 de 118 modelos, el valor de "ajuste a la gnormal" es de 100*14/118 = 11,9. El recuento celular en la figura 1 representa los recuentos celulares medidos. Tal como se ilustra en las figuras 1 y 2, cuando el recuento celular es alto, los modelos basados en recuentos celulares bajos no se ajustan bien, mientras que cuando el recuento celular es bajo, los modelos se ajustan bien. Se ha descubierto que la inclusi6n de grasas, protefnas, s6lidos y SNF (s6lidos no grasos) en los modelos parece mejorar la capacidad de discriminaci6n de los modelos.

Tal como se entendera a partir de la anterior descripci6n, un ejemplo del estado fisiol6gico de una vaca es si la vaca sufre o no de mastitis. En un SSM para predecir y diagnosticar la mastitis, la entrada para los modelos puede incluir los datos de recuento de celulas somaticas.

Los SSM se han desarrollado para seguir un proceso que se desarrolla en el tiempo. Este proceso puede seguir una ruta preplaneada o desviarse de esta. Las desviaciones pueden representar un error de medici6n habitualmente alto, tambien denominado valor atfpico, o un cambio en la parte sistematica del proceso.

Tal como se indic6 anteriormente, el recuento de celulas somaticas es un indicador aceptado de la mastitis. Sin embargo, las mediciones del recuento celular estan sometidas al ruido y a los valores atfpicos, que disminuyen su uso potencial para apoyar decisiones. Las herramientas estadfsticas para separar el ruido de los cambios biol6gicamente importantes pueden ayudar a mejorar la interpretaci6n de los datos del recuento de celulas somaticas (SCC). La extensi6n (Smith y West, 1983) del filtro de Kalman de multiproceso (Harrison y Stevens, 1976) para proporcionar probabilidades de diferentes tipos de cambios puede utilizarse para apoyar decisiones, por ejemplo, debe tomarse una acci6n de tratamiento si la probabilidad de un aumento en el SCC esta por encima de un nivel crftico. Por tanto, se proporciona un modelo lineal dinamico y el modelo con mezcla de distribuciones de clase II multiproceso con un procedimiento de actualizaci6n recursivo para proporcionar probabilidades de diferentes tipos de cambios.

Modelo dinmmico lineal: Para la serie de tiempo {yt}t=1, n que consiste en n observaciones (por ejemplo, de ln(recuento de celulas somaticas)) se describe un modelo lineal dinamico (DLM) mediante una ecuaci6n de observaci6n:

Yt = Ftθt + Vt

una ecuaci6n de sistema:

θt = Gtθt-1 + Wt

y la informaci6n inicial:

θO ∼ N(rO,CO}

en las que Ft es la matriz de observaci6n, θt es un vector latente (o escalar), y Vt, con Vt ∼ N(O,Vt}, es el ruido de observaci6n. El proceso latente {θt}t=1, n viene dado por la ecuaci6n de sistema (y la informaci6n inicial) con la matriz de evoluci6n (matriz de sistema) Gt y el error de evoluci6n Wt. Se supone que Wt ∼ N(O,Wt}, siendo V1, ,Vn, W1, ,Wn mutuamente independientes e independientes de la informaci6n inicial. El modelo especificado por {Ft, Gt, Vt, Wt} se denominara Mt.

d

Ejemplo: El modelo semental proporcionado por Yt = S + et, para t = 1,.,n, con S ∼ N(O, σS} independiente de e =

d

(e1, ,en}, ∼ Nn(O,lnσe}, es equivalente al DLM proporcionado por la ecuaci6n de observaci6n Yt = St + et, la ecuaci6n

dd

de sistema St = St-1, y la informaci6n inicial S = SO ∼ N(O,σS}. N6tese que Ft = Gt = 1, y Vt = σe, para t = 1,.,n; rO = 0,

d

y CO = σS, y el modelo no tiene error de evoluci6n.

Modelo con mezcla de distribuciones de clase II multiproceso: Si las observaciones no siguen el mismo DLM para todos los valores de t, resulta util introducir modelos con mezcla de distribuciones, en los que, en cada momento t, se puede elegir entre J modelos diferentes. El modelo con mezcla de distribuciones de clase II multiproceso se define como sigue: para cualquier numero entero J > 1, A = {α1,.,αj} indica el espacio de parametro para α, y se supone que, en cada momento t, existe un α∈ A, de manera que se mantiene Mt(α). Si el valor, αj, de α que define el modelo en el momento t, Mt(αj), se selecciona con una probabilidad conocida, πt(j} = P(Mt(αj}⏐Ot-1}, entonces se dice que la serie {Yt}t=1, ,n sigue un modelo con mezcla de distribuciones de clase II multiproceso. Se empleara Mt(j} como notaci6n corta para Mt(αj}. Ademas, Ot indica la informaci6n disponible en el momento t, t ≥ 0. Aquf se supone que Ot = Ot-1∪{Yt}Yt} para t > 0.

Filtro de Kalman de multiproceso (extendido): A continuaci6n se esboza el procedimiento de actualizaci6n recursiva para proporcionar posteriores probabilidades P(Mt(j}⏐Ot} del modelo j en el momento t, asf como las probabilidades suavizadas de uno y dos pasos atras P(Mt-1(j}⏐Ot} y P(Mt-d(j}⏐Ot}, para los diferentes modelos en

diferentes momentos. El procedimiento se esboza para un modelo con J = 4, Gt = G, y Ft = F para todos los t. Se supone que el error de observaci6n, asf como el error de sistema dependen del modelo en el momento t, pero de otra forma son idenpendientes del tiempo. Se supone que el modelo j se selecciona con una probabilidad P(Mt(αj}⏐Ot-1} = πO(j} independiente del pasado, Ot-1, j = 1,.,4 (probabilidades de selecci6n del modelo fijas). A priori se supone que θO ∼ N(r O,CO} y que todos los parametros son conocidos. Para t = 1: A partir de la ecuaci6n de sistema y de la distribuci6n anterior de θO se obtiene θO⏐Mt(j},OO ∼ N(GrO,GCOG,+W(j}} para j = 1,.,4. Esto, junto con la ecuaci6n de observaci6n, produce, condicionada por Mt(j}, la distribuci6n de pron6stico de Yt:

Y1⏐M1(j} ∼ N(FGrO,F(GCOG,+W(j}}F, + V(j}}

Despues, la posterior probabilidad de los diferentes modelos en el momento t se calcula a partir de:

P(M1(j}⏐O1} ∝ p(y1⏐M1(j}}P(M1(j}⏐OO}

en que P(M1(j}⏐OO} se supone que es igual a π0(j}. La posterior distribuci6n de θt entonces viene dada por una mezcla de θ1⏐M1(j},O1 ∼ N(r1(j},C1(j}, j = 1,.,4, con probabilidades de mezcla P(M1(j}⏐O1}; para el momento t > 1: Las etapas para obtener la posterior distribuci6n (una aproximaci6n) de θt, asf como las probabilidades suavizadas de uno y dos pasos atras de los diferentes estados/modelos en el momento t-1 (t-d para t > 2) se ven mas involucradas. Aquf se hace referencia a Smith y West (1983) para mayores detalles.

Las vacas se emplean como ejemplos ilustrativos no limitantes del tipo de animal que se puede emplear en la presente invenci6n, y la leche se emplea como ejemplos ilustrativo no limitante del tipo de fluido corporal que se puede emplear en la presente invenci6n.

La selecci6n en los grupos "riesgo basado en indicadores" y "factor de riesgo adicional" de los diferentes factores implicados puede ser un proceso dinamico, y para los expertos en la tecnica resulta obvio c6mo proporcionar modificaciones y cambios pequenos o mas grandes.

Realizaciones de la presente invenci6n

Aplicaci6n general de la presente invenci6n

Tal como se muestra en la figura 4, se ha aplicado el diseno general, en la medida que ha sido posible, a cada modelo concreto. Los modelos tienen 2 salidas principales: un riesgo global (o probabilidad de un acontecimiento) presentado al usuario, y un calculo sobre cuando tomar la siguiente muestra que se retroalimenta al aparato de analisis. Dos m6dulos generan estas salidas: uno emplea s6lo la informaci6n proporcionada por la senal que proviene del aparato analizador, y el otro combina diversa informaci6n adicional en un factor de riesgo adicional. Esta separaci6n estructural se disena para que sea mas facil ensayar los diferentes componentes del modelo e incorporar posteriores cambios. Tambien refleja la l6gica subyacente de que los factores de riesgo adicionales son s6lo los factores cuyos efectos no estan actuando sobre la senal que se esta midiendo. En otras palabras, si el efecto de la movilizaci6n de la grasa corporal se ve totalmente reflejado en los niveles de BHB, entonces la movilizaci6n de la grasa corporal no debe incluirse como un factor de riesgo adicional.

Se incorporan dos caracterfsticas adicionales para permitir ajustar el modelo a las condiciones locales, un multiplicador de precisi6n y un multiplicador de ganancia. El multiplicador de precisi6n permite modular la precisi6n de las evaluaciones del riesgo segun los requisitos locales. Un ejemplo de esto podrfa ser un ganadero productor de leche que suministra leche para la fabricaci6n de queso y, por tanto, tiene un requisito mas exigente de reducir la mastitis en su rebano. El multiplicador de precisi6n le permitira aumentar la frecuencia de la toma de muestras y, por tanto, la precisi6n del riesgo segun se mide mediante la senal de analisis.

El multiplicador de ganancia permite ajustar la sensibilidad del modelo. Un ejemplo de esto podrfa ser una granja o una regi6n en las que la alimentaci6n ha provocado que los niveles de BHB sean sistematicamente mayores que la norma universal y, por tanto, un numero inaceptablemente alto se estan identificando como en riesgo de cetosis. El multiplicador de ganancia puede entonces utilizarse para disminuir la sensibilidad de la evaluaci6n del riesgo para ajustarse a la experiencia previa de incidencia de cetosis en este rebano. Si esta funci6n sera o no ampliamente utilizada, o si debe ser accesible al usuario, aun debe determinarse pero se incluye en la arquitectura del modelo.

Aplicaci6n de la presente invenci6n para la determinaci6n del BHB y la cetosis

La cetosis subclfnica y clfnica y el BHB en la leche, por ejemplo, puede detectarse de una manera tal como se muestra en las figuras 5a y 5b. En este sistema, se espera que los niveles de lfnea de base de BHB sean sustancialmente mas bajos que los valores encontrados en la cetosis. Ademas, despues de un episodio de cetosis, los valores volveran a la lfnea de base original. La tasa de aparici6n de la cetosis es tal que los inventores anticipan la utilizac6n de un valor suavizado en 3 dfas para calcular el riesgo. Es importante advertir que el ancho de banda elegido para el suavizado es el tiempo y no el numero de muestras, es decir, si s6lo se toma una muestra en los tres dfa anteriores, entonces el valor suavizado contiene s6lo esta medici6n. Esto se aplica a todos los anchos de banda en estos modelos.

La base para el modelo de cetosis es el cuerpo cet6nico beta-hidroxibutirato (BHB), que tiene una pronunciada relaci6n con la cetosis clfnica. Las mediciones de BHB se emplean para generar un riesgo basado en indicadores (IBR) y tambien se genera un riesgo adicional basado en otros factores (ARF). Juntos se utilizan para generar un riesgo de cetosis global. Las figuras 5a y 5b describen el modelo de cetosis: una describe el riesgo basado en indicadores (IBR, vease la figura 5a), y la otra describe los factores de riesgo adicionales (ARF, vease la figura 5b).

Nota: todos los nombres de parametros del modelo de cetosis terminan con una K mayuscula (por "Ketosis", cetosis), y si se elimina la terminaci6n "K" deberfan ser legibles (hasta cierto punto) en su acepci6n inglesa.

Componentes unificadores (dias hasta la siguiente muestra, riesgo de salida y fiabilidad de salida)

RieSgo de cetoSiS global ((VerRiSkK}

El riesgo de cetosis global (OverRiskK) se deriva del IBR, y la ARFARFWK (factor de riego adicional ponderado de la cetosis) es el factor de escalado para ponderar el ARF con relaci6n al IBR. Un ARF es un factor que no ve reflejado en absoluto en el BHB, pero sigue imponiendo un riesgo para que la vaca adquiera cetosis. Por tanto, es necesario que los ARF puedan provocar una alarma si no estan disponibles mediciones del BHB, por ejemplo, los primeros dfas despues de la parici6n en los que es probable que no haya muestras disponibles.

Tambien debe mencionarse que el ARF se pondera contra el IBR, y que este factor ponderado supuestamente sera ajustado segun la fiabilidad de los factores que contribuyen a los calculos de ARF e IBR.

OiaS haSta la Siguiente rueStra (ONSK}

A medida que el modelo biol6gico percibe un mayor de riesgo de cetosis, asf los dfas hasta la siguiente muestra se reducen desde un valor por defecto (DNSdefK). Si se obtiene una alta probabilidad de IBR, ARF o existe una alta probabilidad de que la medici6n fuera un valor atfpico (POutlierK), deberfa ser interesante obtener una nueva muestra lo antes posible.

Los DNSK calculados por el modelo entonces se ajustan mediante el multiplicador de precisi6n. El objetivo del multiplicador de precisi6n es permitir al usuario modificar la velocidad general a la que el dispositivo de ordeno toma otra muestra, es decir, la intensidad global de control de la cetosis. El multiplicador de precisi6n trabaja a nivel del modelo completo, es decir, el usuario puede ajustar la frecuencia de la toma de muestras para la cetosis en general, pero no puede ajustar la frecuencia de la toma de muestras para vacas individuales. Tal como sugiere el nombre, el multiplicador de precisi6n (PrecMultK) es un multiplicador simple sobre los dfas hasta la siguiente muestra (DNSK).

RieSgo de cetoSiS de Salida ((utRiSkK}

El riesgo de salida final presentado al usuario (OutRiskK) se genera a partir del riesgo global (OverRiskK) multiplicado por el multiplicador de ganancia. El multiplicador de ganancia (GainMultK) proporciona la posibilidad de expandir o contraer el intervalo de valores de riesgo que se esta produciendo. Se contempla como un medio para ajustar el modelo a las condiciones locales, por ejemplo, si en una regi6n/granja concreta se descubre que el modelo de cetosis s6lo produce valores de riesgo entre 0 y 0,5 incluso aunque se esten observando casos clfnicos de cetosis, entonces el GainMultK puede cambiarse. Ademas, se sigue que si GainMultK es 0, entonces OutRiskK = 0 y, por tanto, no se senalarfan vacas con riesgo de cetosis en este rebano.

Fiabilidad de Salida ((utRelK}

La fiabilidad de salida refleja el ruido de la senal de BHB, la frecuencia de toma de muestras para BHB, y la calidad de la informaci6n de ARF. Si el usuario ha ajustado el dispositivo de ordeno para que tome muy pocas mediciones de BHB y no esta introduciendo ninguna informaci6n suplementaria, por ejemplo el historial medico, entonces resulta deseable que el granjero sepa que los riesgos que estan siendo generados por el modelo de cetosis tienen menos fiabilidad. El ruido de la senal puede obtenerse a partir de la varianza posterior en el modelo de espacio de estados (SSM). Este valor entonces se multiplica por una funci6n, que disminuye de 1 a 0 segun aumenta la longitud del intervalo entre la muestra actual y la previa (IntK) para producir RellBRK. Para el ARF, los factores derivados del modelo de espacio de estados (SSM) (es decir, la aceleraci6n en el rendimiento lacteo y el estado energetico) emplean la misma forma funcional que para el SSM, mientras que los factores que son entradas de usuario/capataz del rebano tienen un valor si existe informaci6n, y son cero si este factor no se esta suministrando (la siguiente lista puede tener mas sentido despues de leer la secci6n sobre ARF).

Si toda la informaci6n que se introduce en el ARF es perfecta, entonces RelARFK = 1. La fiabilidad de salida entonces es la suma de RellBRK y ReIARFK ponderados en proporci6n a sus dos contribuciones al riesgo de salida.

Elementos del riesgo basado en indicadores (IBR)

El IBR se basa en las mediciones del BHB en la leche. A partir de estas se calcula un riesgo debido al nivel de BHB y un riesgo debido a la tasa de cambio del BHB, y se combinan para producir IBR. La tasa de cambio de BHB se considera un elemento importante del modelo cuando se identifica la cetosis en una etapa temprana. Algunas vacas tienen una alta tolerancia a los cuerpos cet6nicos, es decir, tienen un alto nivel de cuerpos cet6nicos en los fluidos

corporales sin mostrar signos clfnicos. Sin embargo, estas vacas se han considerado vacas en riesgo aunque puede que no necesiten tratamiento, porque un aumento relativamente pequeno en el BHB las llevara a un alto nivel de BHB.

Linea de baSe del BHB (BaSelineK}

La BaselineK se calcula para cada vaca y es un nivel suavizado del BHB (LevelK), en la que cada valor de BHB se pondera mediante PNormal (una probabilidad de SSM) para tomar en cuenta los valores atfpicos. Existe una restricci6n en la funci6n, concretamente que la BaselineK es menor que, por ejemplo, 0,15 mM, porque no resulta realista con una lfnea de base natural mayor. En cuanto el BHB se mida despues de la parici6n, la lfnea de base se autoajustara segun la vaca individual. Se espera que 0,15 mM sea un maximo de lfnea de base relativamente alto, lo cual resulta util en la mayorfa de los rebanos y de los pafses, pero el maximo de lfnea de base puede ajustarse segun las leyes nacionales en un pafs concreto.

RieSgo debido a la pendiente de BHB (RiSkSlopeK}

Se supone que cuanto mayor sea la tasa de cambio positiva de BHB (SlopeK), mayor sera el riesgo de cetosis. SlopeK es una salida suavizada de SSM ajustado para PslopeK que es una probabilidad calculada en SSM. MaxSlopeK es una constante que produce un RiskSlopeK = 1. El valor sugerido de MaxSlopeK es 0,5, debido a la suposici6n de que BHB, en casos clfnicos graves de cetosis/abomaso desplazado a la izquierda, puede aumentar de aproximadamente 0 mM a 2 mM durante un periodo de 4 dfas, es decir, una pendiente de 0,5 que, cuando se divide por MaxSlopeK (0,5), producira un RiskSlopeK = 1 (si se supone que PslopeK es 0). RiskSlopeK puede asumir valores <0 y >1.

RieSgo debido al niVel de BHB (RiSkLeVelK}

Cuando mayor sea el nivel de BHB (LevelK) comparado con el nivel de lfnea de base de la vaca individual (BaselineK), mayor sera el riesgo de cetosis. El uso de una lfnea de base con un valor maximo de 0,15 se basa en la suposici6n de que unas concentraciones >0,15 mM estan asociadas con un desequilibrio fisiol6gico que puede mediar en una cetosis subclfnica o clfnica. LevelK es una salida suavizada de SSM, y PLevelK es una probabilidad calculada en SSM. MaxLevelK es una constante que produce un RiskLevelK = 1. Suponiendo que una vaca con BHB 1,0 mM tiene cetosis clfnica, es decir, RiskLevelK = 1, el valor sugerido para MaxLevelK es de 1,0. RiskLevelK puede asumir valores <0 y >1.

RieSgo baSado en indicadoreS (lBR}

El IBR se calcula como una combinaci6n ponderada de RiskSlopeK y RiskLevelK.

El factor de riesgo adicional (ARF)

Tal como se mencion6 anteriormente, el punto crucial sobre ARF es que los riesgos de cetosis incluidos aquf no estan ya incluido en el IBR, es decir, cualquier factor que afecte a BHB no debe incluirse aquf. En los casos en que el factor tiene un efecto sobre BHB y un efecto adicional, resulta necesario distinguir entre estos dos efectos y s6lo incluir el efecto adicional en el ARF.

Los elementos que componen el ARF se describen a continuaci6n; se combinan para producir ARF como sigue:

Aceleraci6n en el rendiriento lacteo

Cuanto mayor sea el maximo de rendimiento lacteo (kg/dfa), mayor sera el riesgo de cetosis, en algunos casos un riesgo 2,5% mayor por kg de aumento en el rendimiento lacteo (se emplea el ensayo diario de rendimiento lacteo). Sin embargo, parece mas probable que sea la aceleraci6n en el rendimiento lacteo lo que tenga interes en relaci6n con el desarrollo de la cetosis. Parece l6gico que una aceleraci6n demasiado fuerte en el rendimiento lacteo (MYAcc) aumente el riesgo de colapso/desequilibrio en el metabolismo de grasas y de carbohidratos de la vaca y, por tanto, un aumento en el riesgo de cetosis. En este caso, MYAcc es un ARF porque una MYAcc alta presuntamente precede a un aumento en BHB.

MYAcc es la pendiente de la curva de lactancia de leche de la vaca individual, y es una salida de SSM que se basa en los dfas desde la parici6n y los registros de rendimiento lacteo diarios. MaxAccK es una constante de escalado, que define el nivel de MYAcc que volvera a una RiskAccK de 1. RiskAccK puede asumir valores mayores que 1; en esta realizaci6n concreta, todos los valores negativos de RiskAccK deben convertirse a 0. La sugerencia para esta constante en este caso es 3, porque se cree que es el maximo aumento razonable en los kg de leche/dfa cuando se suaviza en 3 dfas.

HiStoria de enferredad de lactancia actual (CLOHRiSkK}

El trasfondo fisiol6gico para el hecho de que otras enfermedades a menudo aumentan el riesgo de cetosis es que otras enfermedades pueden inducir una menor ingesta de alimentos que puede conducir a una mayor movilizaci6n. Dependiendo de la duraci6n y del volumen de esta movilizaci6n y de la capacidad del hfgado para oxidar

completamente esta grasa procedente del tejido adiposo, la vaca puede desarrollar cetosis subclfnica o clfnica. La elecci6n de las enfermedades que pueden provocar cetosis (y por tanto que deberfan incluirse en el modelo) se basa, entre otras cosas, en las investigaciones epidemiol6gicas, que se presentan brevemente en la siguiente secci6n:

El riesgo de cetosis aument6, por ejemplo, por la fiebre lactea. Los estudios han demostrado que la metritis aumenta significativamente el riesgo de adquirir cetosis, mientras que la cetosis aumenta significativamente el riesgo de LDA. Se ha demostrado claramente que el desarrollo de LDA esta asociado con unos niveles altos de cetonas y esto puede suponerse que sea bidireccional. Pero ningun estudio ha demostrado el efecto (proporci6n de probabilidades: PP) de LDA sobre la cetosis ni se ha calculado. Ademas, los estudios han demostrado un efecto significativo de la mastitis sobre la cetosis, en los que se han encontrado resultados diferentes dependiendo de la definici6n de mastitis: PP = 1,4 (1,2-1,7) para la mastitis aguda, y PP = 2,4 (1,7-3,3) para la mastitis cr6nica. Esto puede implicar que diferentes tipos de mastitis (tipos de bacterias) pueden tener diferentes efectos sobre el riesgo de adquirir cetosis. Ademas, una raz6n para las discrepancias entre los estudios puede ser una diferencia en la distribuci6n de la mastitis con relaci6n a la fecha de parici6n. La mastitis no parece afectar al riesgo de adquirir cetosis.

Se emplea una funci6n para calcular el riesgo de cetosis debida a una enfermedad concreta (DisRiskK), como una funci6n de los dfas desde la aparici6n (DisDaysK), un periodo de riesgo esperado, es decir, el dfa en que ya no se considera que la enfermedad sea un riesgo para la cetosis (DisTK), y la gravedad de la enfermedad (DisSevK).

En la tabla 2 se listan diferentes enfermedades segun su riesgo maximo sugerido (MaxDisK). DisRatK determina la forma de la curva entre MaxDisK y DisTK, es decir, c6mo DisRiskK cambia desde el dfa de tratamiento hasta que el periodo de riesgo expira. DisTK ofrece el numero de dfas hasta que el riesgo se ha reducido hasta 0,36 (exp(-1) o 1(e).

Tabla 1. Listado de enfermedades segun su riesgo maximo

Enfermedad (DisTypeK)

MaxDisK DisTK (dfas) DisRatK

LDA (abomaso desplazado a la izquierda)

0,9 10 0,4

RDA (abomaso desplazado a la derecha)

1,1 10 0,4

Acidosis del rumen

0,7 10 0,4

Fiebre lactea

0,6 8 0,4

Placenta retenida

0,3 12 0,15

Metritis

0,5 12 0,15

Mastitis

0,2 8 0,4

Otras

0 0 0

Las enfermedades no pueden considerarse totalmente independientes y, por tanto, pueden conducir a una sobreestimaci6n del ARF, si los riesgos de cada enfermedad se anaden juntos en una vaca que tiene varias enfermedades al mismo tiempo (por ejemplo, mastitis y metritis). Por tanto, siempre sera la enfermedad con el factor de riesgo mayor en el dfa concreto la que cuente para el calculo del ARF total. Si una vaca se ha sometido repetidamente a un tratamiento de la misma enfermedad dentro de la lactancia, entonces s6lo deberfa contar la ultima incidencia de esta enfermedad concreta para el calculo de DisRiskK. Por tanto, es necesario que DisRiskK se calcule cada dfa para cada una de las ultimas incidencias de las enfermedades en la lactancia actual.

N�rero de cetoSiS a lo largo de la Vida

El trasfondo para incluir la historia de cetosis de una vaca son los siguientes hechos: hay un riesgo aproximadamente 2,5 veces mayor de adquirir cetosis si la vaca ya ha tenido cetosis en la lactancia previa. Las estimaciones demuestran que las vacas tratadas por cetosis en la primera lactancia tienen un riesgo del 17% de cetosis en la segunda lactancia, mientras que las que no fueron tratadas en la primera lactancia tienen una probabilidad del 4% de cetosis en la segunda lactancia. Se ha demostrado que los valores equivalentes son 8% y 3%, y una vaca con fiebre lactea en una lactancia previa tiene una probabilidad 2-5 veces mayor de fiebre lactea, y una vaca con cetosis en una lactancia previa tiene un riesgo 4-12 veces mayor de adquirir de nuevo cetosis.

El ARF debido a incidencidas previas de cetosis se supone constante durante la lactancia, porque expresa una susceptibilidad constante o una sensibilidad diferente entre las vacas. Por tanto, se considera un factor genetico. El riesgo adicional procedente de incidencias previas de cetosis puede incluirse a traves de una constante para la historia de la vaca (HistConK). La constante depende de la historia de cetosis.

EStado energetico (EnStat}

En la situaci6n en que el entorno nutricional es limitante puede producirse una excesiva movilizaci6n de las reservas energeticas corporales, ejerciendo una presi6n sobre el equilibrio fisiol6gico de la vaca. El estado energetico es una medida de esto, y tambien es la salida del modelo de estado energetico. Se espera que un estado energetico bajo aumente el riesgo de cetosis. Este estado energetico puede incluirse como un ARF.

Listado de entradas y de salidas

EntradaS SugeridaS

Parametro

Comentario

CowID

ID exclusiva, no se permiten duplicados

RunTimeK

Fecha y momento de la ejecuci6n actual

BHBTimeK

Fecha y momento de la ultima muestra de BHB

GainMultK

Multiplicador de ganancia -entrada para ajustar las condiciones locales

PrecMultK

Multiplicador de precisi6n -entrada para ajustar las condiciones locales

LevelK

Concentraci6n de BHB -salida suavizada de SSM

SlopeK

Tasa de cambio en BHB -salida suavizada de SSM

IntK

Intervalo de tiempo entre la ultima muestra de BHB y la muestra previa

POutlierK*

Valor de probabilidad para SSM

PNormalK*

Valor de probabilidad para SSM

PSlopeK*

Valor de probabilidad para SSM

PLevelK*

Valor de probabilidad para SSM

DisDateK

Fecha y momento de la enfermedad

DisTypeK

C6digo para diferentes enfermedades#

DisSevK

C6digos: posible = 0,3, probable = 0,6, claro = 0,9

DFC

Dfas desde la parici6n -debe validarse frente a prenez anterior y registros de inseminaci6n artificial

MYAcc

Pendiente de la curva de lactancia de leche -salida suavizada de SSM basada en los registros de rendimiento lacteo diarios y DFC del sistema de gesti6n del rebano

EnStat

Estado energetico, salida de otro modelo

* Debe estar disponible como estimaciones para el tiempo t y para la estimaci6n anterior suavizada en un paso atras (t-1). # Abomaso desplazado a la izquierda, abomaso desplazado a la derecha, acidosis del rumen, fiebre lactea, placente retenida, metritis, mastitis, cetosis y otras.

Sincronicidad de laS entradaS

El modelo esta construido basandose en que un nuevo valor de BHB activa el modelo. Ademas, tambien puede 10 activarse una nueva muestra/calculo cuando se introduce una enfermedad, es decir, cuando DisDateK es una entrada.

SalidaS SugeridaS para el uSuario final

Parametro

Usuario final Comentario

DNSK

Dispositivo de ordeno Dfas hasta la siguiente toma de muestras

OutRiskK

Cuidador de la vaca Riesgo de cetosis de salida

OutRelK

Cuidador de la vaca Fiabilidad del riesgo de cetosis de salida

Aplicaci6n de la presente invenci6n para la determinaci6n de la mastitis

Los indicadores de mastitis pueden ser, por ejemplo, LDH o NAGasa. En una realizaci6n preferida de la presente invenci6n, se detectan indicadores de la mastitis y la mastitis en animales, tal como se muestra en las figuras 6a y 6b. Existen muchas similitudes entre el modelo de mastitis y el modelo de cetosis. Existen dos diferencias principales con el modelo de cetosis. La primera es que la lfnea de base del nivel del indicador de mastitis no vuelve necesariamente a los niveles anteriores a la infecci6n. La segunda es que existen algunos requisitos de la calidad de la leche a nivel de grupo o poblaci6n.

Nota: todos los nombres de parametros del modelo de mastitis terminan con una M mayuscula (por mastitis), y si se elimina la "M" deberfan poder ser legibles (hasta cierto punto) en su acepci6n inglesa.

Base del modelo

La base para el modelo de mastitis puede ser la lactato deshidrogenasa (LDH) que, en esta realizaci6n de la presente invenci6n, se selecciona s6lo con fines ilustrativos. Se supone que existe una pronunciada relaci6n lineal entre la LDH y el estado de salud de la ubre. Se utilizan las mediciones de LDH para generar un riesgo basado en indicadores (IBR), y tambien se genera un riesgo adicional basado en otros factores (ARF). Juntos se utilizan para generar un riesgo de mastitis global. La estructura de este modelo se muestra en la figura 6a y 6b.

Una cuesti6n importante se refiere a los efectos de la diluci6n. Suponiendo que LDH se produce en respuesta a una cantidad de danos celulares en la leche, entonces la cantidad de LDH puede ser un indicador mas importante de la mastitis que la concentraci6n de LDH en la leche. Evidentemente, si este es el caso, entonces la concentraci6n de LDH que constituye una alarma de mastitis dependera del rendimiento lacteo. Ademas, la mastitis habitualmente aparece s6lo en un cuarto cada vez, y la lecha de este cuarto es diluida por la leche en los otros tres cuartos. Otra complicaci6n es que la proporci6n de cantidad de leche producida por los cuartos infectados y sanos tambien esta afectada de mastitis. Por consiguiente, puede que se decida utilizar la cantidad de LDH y no la concentraci6n de LDH como la variable indicadora en el modelo biol6gico. Esta cantidad (LDH) es la entrada al modelo biol6gico, y se genera a partir de la concentraci6n de LDH (LDHconc) y el rendimiento lacteo en ese ordeno (MY).

Tratamiento de los casos agudos frente a los casos cr6nicos de mastitis

Los casos agudos de mastitis se caracterizan por un aumento subito en el nivel del indicador de mastitis, es decir, LDH, mientras que los casos cr6nicos se tipifican por un nivel alto y relativamente estable de LDH. La arquitectura del modelo de mastitis para identificar los casos agudos es muy similar a la estructura del modelo general (figura 4) y al modelo para la cetosis en particular (figura 5a y figura 5b). Estos casos agudos deberfan generar un riesgo de mastitis alto.

Los casos cr6nicos no se incluiran necesariamente en el riesgo de mastitis, sino que generaran un alto valor en el riesgo de calidad de la leche. Este m6dulo de "calidad de la leche" del modelo de mastitis se basa en el nivel estable de la LDH con relaci6n a la media del rebano. La clave para distinguir entre la mastitis aguda y cr6nica esta en el calculo y el uso del nivel estable.

Componentes unificadores (dias hasta la siguiente muestra, riesgo de mastitis de salida y fiabilidad de salida)

OiaS haSta la Siguiente rueStra (ONSM}

A medida que el modelo biol6gico percibe un mayor de riesgo de mastitis (aguda), asf los dfas hasta la siguiente muestra se reducen desde un valor por defecto (DNSdefM). Ademas de los efectos de un riesgo basado en indicadores (IBR) o factor de riesgo adicional (ARF) altos, si el ultimo valor de LDH tiene una alta probabilidad de que sea una desviaci6n positiva de la serie de tiempo normal, entonces se toma otra muestra rapidamente. Ademas, si existe una medici6n de alta conductividad (CondM), se toma una muestra de seguimiento rapidamente.

Los DNSM calculados por el modelo entonces se ajustan mediante el multiplicador de precisi6n. El objetivo del multiplicador de precisi6n es permitir al usuario modificar la velocidad general a la que el dispositivo de ordeno toma otra muestra, es decir, la intensidad global de control de la mastitis. Tal como sugiere el nombre, el multiplicador de precisi6n (PrecMultM) es un multiplicador simple sobre los dfas hasta la siguiente muestra (DNSM).

RieSgo de raStitiS de Salida ((utRiSkM}

El riesgo de mastitis presentado al usuario (OutRiskM) se genera a partir del riesgo de mastitis global (OverRiskM), que se deriva del IBR y del ARF.

IBR es el riesgo basado en indicadores, y ARF es el riesgo debido a factores de riesgo adicionales. El riesgo de salida final (OutRiskM) se genera a partir del riesgo global aplicando un multiplicador, el multiplicador de ganancia. El multiplicador de ganancia proporciona la posibilidad de expandir o contraer el intervalo de valores de riesgo que se esta produciendo. Se contempla como un medio para ajustar el modelo a las condiciones locales, por ejemplo, si en una regi6n/granja concreta se descubre que el modelo de mastitis s6lo produce valores de riesgo entre 0 y 0,5 incluso aunque se esten observando casos clfnicos de mastitis, entonces el multiplicador de ganancia puede cambiarse. El acierto a la hora de hacer esto y a quien se le debe dar el privilegio de acceso debe aclararse.

Fiabilidad de Salida

La fiabilidad de salida refleja el ruido de la senal de LDH, la frecuencia de toma de muestras para LDH, y la calidad de la informaci6n de ARF. Si el usuario ha ajustado el dispositivo de ordeno para que tome muy pocas mediciones de LDH y no esta introduciendo ninguna informaci6n suplementaria, por ejemplo el historial medico, entonces resulta deseable que el granjero sepa que los riesgos que estan siendo generados por el modelo de mastitis tienen muy poca fiabilidad. El ruido de la senal puede obtenerse a partir de la varianza posterior en el SSM. Este valor entonces se multiplica por una funci6n, que disminuye de 1 a 0 segun aumenta la longitud del intervalo entre la muestra actual y la previa (IntM) para producir RellBRM. Para el ARF, los factores derivados del SSM emplean la misma forma funcional que para RellBRM, mientras que los factores que son entradas de usuario/capataz del rebano tienen un valor si existe informaci6n, y son cero si este factor no se esta suministrando (la tabla 4 indica la fiabilidad de los diferentes tipos de mediciones).

Tabla 2. Indicaci6n de la fiabilidad de los diferentes tipos de mediciones

Nombre

Abreviatura Fiabilidad

Aceleraci6n en el rendimiento lacteo

ReiMYAccM post. var. funci6n con maximo = 0,4

Duraci6n del ordeno

RelMilkDurM post. var. funci6n con maximo = 0,1

Pico del caudal lacteo

RelPMFM post. var. funci6n con maximo = 0,05

Caracterfsticas de la ubre

RelUddM maximo = 0,2, 0 si falta

Nivel de mastitis del rebano

no se incluye en la fiabilidad

Enfermedad de la lactancia actual

RelCLDHM maximo = 0,15, 0 si falta

Estado energetico

RelEnStatM post. var. funci6n con maximo = 0,1

Conductividad

no se incluye en la fiabilidad

Si toda la informaci6n que se introduce en el ARF es perfecta, entonces RelARFM = 1. La fiabilidad de salida entonces es la suma de RellBRM y ReIARFM ponderados en proporci6n a sus dos contribuciones al riesgo de salida.

Elementos del riesgo basado en indicadores (IBR)

El riesgo basado en indicadores es simplemente la suma de dos riesgos: el riesgo debido al nivel de LDH, y el riesgo debido a la tasa de cambio en el nivel de LDH. Estos y otros elementos asociados se detallan a continuaci6n.

NiVel eStable (StableM}

Este es, basicamente, para cada vaca, un valor medio del nivel de LDH (LevelM) calculado a lo largo de un intervalo de tiempo, tal como 7 dfas (StableIntM). Como LevelM ya toma en cuenta las probabilidades de ser un valor normal, etc., no es necesario tomar en cuenta esto para el calculo del nivel estable (StableM).

Puede ser necesario un valor por defecto de StableM en la parici6n para el calculo del riesgo debido a LevelM, y debe ajustarse a un valor bajo y diluirse a medida que se acumulan los datos reales de LevelM.

RieSgo debido a la pendiente (RiSkSlopeM}

Se supone que cuanto mayor sea la tasa de cambio de LDH (SlopeM), mayor sera el riesgo de mastitis. RiskSlopeM aumenta si existe una alta probabilidad de que sea una desviaci6n de la serie de tiempo normal, es decir, un cambio en la pendiente (PSlopeM).

RieSgo debido al niVel de LOH (LeVelM}

Se supone que cuanto mayor sea el nivel con relaci6n al nivel estable (StableM), mayor sera el riesgo de mastitis. El uso del nivel de base como lfnea de base facilita la diferenciaci6n entre mastitis aguda y cr6nica, pero tambien se basa en la suposici6n de que el aumento en la LDH debido a un caso agudo es independiente del nivel estable subyacente. Si este no es el caso, por ejemplo si el nivel de LDH asociado con una mastitis "vigorosa" es absoluto, entonces el modelo necesitara utilizar una lfnea de base diferente, tal como la utilizada en el modelo de cetosis.

El factor de riesgo adicional (ARF)

El punto crucial sobre el factor de riesgo adicional es que los riesgos de mastitis incluidos aquf no estan ya incluidos en el riesgo basado en indicadores, es decir, cualquier factor que afecte a la LDH no debe incluirse aquf. En los casos en que el factor tiene un efecto sobre LDH y un efecto adicional, resulta necesario distinguir entre estos dos efectos y s6lo incluir el efecto adicional en el ARF. Los elementos que componen el ARF se describen a continuaci6n, y se combinan para producir ARF.

Aceleraci6n en el rendiriento lacteo (MYAcc}

Esto se usa como un fndice del grado de estres fisiol6gico que esta experimentando la vaca. MYAcc es una manera de combinar el rendimiento lacteo y los dfas desde la parici6n, que los inventores creen que cristaliza los componentes de estos dos factores que son importantes para el estres fisiol6gico que esta experimentando la vaca. MYAcc tiene el valor maximo inmediatamente despues de la parici6n y es mayor para vacas con rendimientos mas altos.

Puesto que existe un modelo biometrico para el rendimiento lacteo entonces, en principio, la pendiente de la curva de rendimiento lacteo suavizada, es decir, la aceleraci6n en el rendimiento lacteo, puede conseguirse con facilidad. Ademas, MaxAccM es una constante de escalado necesaria para producir el nivel de aceleraci6n que volvera a producir un riesgo de 1.

Ouraci6n del ordeno

Se supone que esto cataloga el efecto ffsico negativo de la ordenadora sobre las defensas de la teta de la vaca frente a la invasi6n por pat6genos que provocan la mastitis. Cuanto mayor sea la duraci6n del ordeno (MilkDurM), mas alla de un umbral menor, mayor es el efecto.

CaracteriSticaS de la ubre

La cuantificaci6n de la susceptibilidad de la propia vaca a la mastitis tiene 2 partes: la informaci6n que es categ6rica (en general introducida por el usuario), y la que esta en una escala continua. Estos son fundamentalmente factores de riesgo que no se espera que cambien a corto plazo. Las caracterfsticas de la ubre categ6ricas son, en la actualidad:

Tabla 3. Caracterfsticas de la ubre

Caracterfsticas de la ubre

Nombre Aumento en el riesgo

Tetas cortas

ShortM 0,1

Ubre baja

LowM 0,05

Tetas que gotean

LeakyM 0,15

Pico del caudal lacteo y n�rero de raStitiS a lo largo de la Vida

Los factores continuos pueden ser el pico del caudal lacteo y el numero de mastitis a lo largo de la vida. El pico del caudal lacteo (MilkFlowM) deberfa estar disponible a partir del sistema de ordeno en cada ordeno en que se tome una muestra. En el presente contexto, el pico del caudal lacteo es un fndice para el diametro del canal de la teta, y esto no cambia de forma acusada durante la lactancia. No obstante, el pico del caudal lacteo en sf mismo se ve afectado por el rendimiento lacteo porque la presi6n creada en la ubre por la contracci6n alveolar durante el reflejo de expulsi6n de la leche dependera de lo llena que este la ubre. Por tanto, esto puede medirse en una etapa de lactaci6n concreta o rendimiento. Una manera de aproximarse a esto es utilizar el pico del caudal lacteo maximo registrado. Puesto que esta rutina es vulnerable a las mediciones de ruido, la entrada del pico del caudal lacteo deberfa ser la salida de un SSM. El pico del caudal lacteo (PeakMFM) se convierte en un factor de riesgo.

El numero de mastitis a lo largo de la vida puede utilizarse como una medici6n de la susceptibilidad de la vaca a la mastitis de la misma manera que el numero de cetosis a lo largo de la vida se emplea en el modelo de cetosis. Sin embargo, existe una diferencia crucial en que la mastitis es una enfermedad infecciosa y la cetosis no. Por tanto, hasta cierto punto se puede esperar que el numero de mastitis a lo largo de la vida refleje la presi6n de enfermedad

ejercida sobre la vaca por los entornos en los que ha estado. Por esta raz6n no se considera que sea una variable que pueda elegirse como variable predictiva de la susceptibilidad de la vaca, pero tiene la ventaja practica de generarse automaticamente si la salida del riesgo de mastitis se emplea para generar incidencias de enfermedad.

NiVel de raStitiS del rebano

Puesto que la mastitis es una infecci6n, cuanto mas vacas con mastitis haya en el rebano, mayor sera la presi6n de infecci6n sobre cualquier vaca del rebano. El nivel de mastitis del rebano puede calcularse combinando las cargas infecciosas individuales de las vacas en el rebano, que se supone que se reflejan en las cantidades de LDH estables (StableM).

HiStoria de enferredad de lactancia actual (CLOHRiSkM}

Esta es analoga al mismo factor en el modelo de cetosis, excepto que se hace una distinci6n entre enfermedades que indican una mayor carga infecciosa (metritis, pisado de las tetas, acidosis) y las que s6lo se anaden al estres general que experimenta la vaca (cetosis, fiebre lactea, placente retenida y otras). Para cada una de estas, existe un mayor riesgo de mastitis en el dfa de aparici6n que despues disminuye hasta cero a lo largo del tiempo.

En cualquier momento puede haber mas de un riesgo de enfermedad en activo, y se combinan de la siguiente manera. Dentro de cada clase de enfermedades (infecci6n frente a general) se elige el mayor DisRiskM, es decir, se supone que los riesgos dentro de las clases no son aditivos. El riesgo de historia de enfermedad de lactancia actual global (CLDHRiskM) es la suma de dos DisRiskM, el mayor dentro de cada clase.

EStado energetico (EnStat}

En la situaci6n en que el entorno nutricional es limitante puede producirse una excesiva movilizaci6n de las reservas energeticas corporales, ejerciendo una presi6n sobre el equilibrio fisiol6gico de la vaca. El estado energetico es una medida de esto, y tambien es la salida del modelo de estado energetico. Se espera que un estado energetico bajo aumente el riesgo de mastitis (entre otras). Por tanto, este estado energetico puede incluirse como un ARF.

ConductiVidad a niVel de cuartoS

La conductividad tiene 3 ventajas como medici6n: es muy barata, es muy rapida, y es a nivel de cuartos. Estas ventajas deben aprovecharse cuando el sistema de ordeno tiene conductividad. Sin embargo, se supone que la LDH es el indicador mas fiable. Por tanto, se otorga un peso relativamente bajo al riesgo debido a la conductividad (RiskCondM) en el ARF.

Los dos papeles mas importantes de la entrada de conductividad son activar una nueva muestra e identificar que cuarto que con mas probabilidad esta infectado.

Riesgo de la calidad de la leche -Tratamiento de los casos de mastitis cr6nica

En su forma mas simple, esto podrfa ser s6lo una lista de salidas de valores de StableM individuales. Utilizando una correlaci6n entre LDH y SCC es posible predecir el SCC de la leche a granel y asf considerar si la leche de alguna vaca debe retirarse del tanque a granel.

Listado de entradas y de salidas

EntradaS SugeridaS

Parametro

Comentario

CowID

ID exclusiva, no se permiten duplicados

RunTimeM

Fecha y momento de la ejecuci6n actual

LDHTimeM

Fecha y momento de la ultima muestra de LDH

Level*

Cantidad de LDH -salida suavizada de SSM

SlopeM*

Tasa de cambio en la cantidad de LDH -salida suavizada de SSM

IntM

Intervalo de tiempo entre la ultima muestra de LDH y la muestra previa

POutlierM*

Valores de probabilidad para SSM

PNormalM*

Valores de probabilidad para SSM

PSlopeM*

Valores de probabilidad para SSM

PLevelM*

Valores de probabilidad para SSM

CondtimeM

Fecha y momento de una medici6n de conductividad

CondM

Valor de alarma de conductividad -un valor entre 0 y 1

QuarterM

El cuarto que esta detectando la alarma de conductividad

PMM

Multiplicador de precisi6n para la mastitis

DFC

Dfas desde la parici6n - debe validarse frente a prenez anterior y registros de inseminaci6n artificial

MYAcc

Pendiente procedente de SSM sobre el rendimiento lacteo (kg/d/d)

MilkDurM

Duraci6n del ordeno (s)

UdderM

Caracterfsticas de la ubre, por ejemplo tetas que gotean vease ecn 9 para la lista completa

PeakMFM

Nivelt-1 procedente de un SSM sobre el pico del caudal lacteo

DisTypeM

C6digo para el tipo de enfermedad#

DisDateM

Fecha de la primera identificaci6n de la enfermedad

DisSevM

C6digo de gravedad de la enfermedad: suave = 0,3, media = 0,6, grave = 0,9

EnStat

Estado energetico, salida de otro modelo

GainMultM

Multiplicador de ganancia, privilegio de acceso a la entrada para ajustar a las condiciones locales

* Debe estar disponible como estimaciones para el tiempo t y para la estimaci6n anterior suavizada en un paso atras (t-1). # Metritis, lesiones en la teta, acidosis, cetosis, fibre lactea, placenta retenida y otras.

SalidaS SugeridaS para el uSuario final

Parametro

Comentario

DNSM

Dfas hasta la siguiente toma de muestras

OutRiskM

Riesgo de mastitis aguda de salida

QuarterM

Cuarto en riesgo

ReliabilityM

Fiabilidad del riesgo de salida

StableM

Nivel estable de LDH -indicador de la mastitis cr6nica

BulkSCCM

Media del nivel estable del rebano -ajustado

Aplicaci6n de la presente invenci6n para la determinaci6n de la progesterona y la reproducci6n

La reproducci6n y la progesterona pueden detectarse en animales, tal como se muestra en las figuras 7a-7d. Este modelo tiene una estructura mas compleja que los modelos para la cetosis y la mastitis, porque puede resultar 5 interesante identificar un numero mayor de condiciones. Despues de la parici6n, la vaca evoluciona a traves de 3 estados reproductivos en secuencia: anestro postparto, ciclo de estro, prenez. Estos se denominan estado 0, 1 y 2, respectivamente. Durante el anestro postparto, los niveles de progesterona son bajos, y el final de esta fase se caracteriza por el primer estro, normalmente silencioso. La detecci6n del primer estro cambia el estado a 1. El estado cambia a 2 despues de la inseminaci6n artificial. Si se descubre que la vaca no esta prenada, entonces el

10 estado vuelve a 1.

Dentro de cada estado puede utilizarse el perfil de progesterona para indicar una evoluci6n normal y anormal. Estas son (el estado se muestra entre parentesis): anestro prolongado (0), "quistes" luteos (1), "quistes" foliculares (1), perdida de prenez (2). La figura 7a muestra la arquitectura global del modelo, y la cascada de decisi6n necesaria para identificar las diferentes condiciones se muestra en el recuadro de lfnea discontinua. Una estructura expandida

de esta cascada se describe en las figuras 7b-7d para cada uno de los tres estados, respectivamente.

La estructura para el modelo de reproducci6n se basa en que la vaca siempre esta en uno de los tres estados reproductivos (StatusR), que son:

StatusR = 0, anestro postparto (figura 7b)

StatusR = 1, ciclo de estro con muy poca probabilidad de prenez (figura 7c)

StatusR = 2, potencialmente prenada (figura 7d)

En el modelo, estos estados son mutuamente excluyentes. La definicici6n de cada estado reproductivo, las entradas, las salidas y la suposiciones asociadas con cada estado se describen en detalle a continuaci6n. Una suposici6n general que se aplica a todo el modelo de reproducci6n es que la progesterona es la medici6n definitiva del estado reproductivo. Esto significa que aunque se emplee otro tipo de informaci6n, tal como detecciones del estro externas (EODR), nunca se permite que invalide la informaci6n proporcionada por la progesterona. En terminos del diseno del modelo general, la progesterona se equipara con el "riesgo basado en indicadores", y la EODR y otros factores, tales como el estado energetico, se equiparan con los "factores de riesgo adicional" (vease la visi6n de conjunto del modelo en la figura 7a). Sin embargo, debido a que el modelo tiene 3 subunidades de StatusR no es facil mantener la estructura de IBR-ARF. Aunque esto no resulta obvio dentro de la estructura del modelo biol6gico, el SSM para la progesterona es importante. Esto resulta evidente cuando se considera que los valores de progesterona esperados en la fase folicular pueden variar de 0 a 3,5 ng/ml, y en la fase luteal varfan de 4,5 a 50 ng/ml (media 15-20).

Nota: todos los nombres de parametros del modelo de reproducci6n terminan con una R mayuscula (por reproducci6n), y si se elimina la "R" deberfan ser legibles (hasta cierto punto) en su acepci6n inglesa.

ActiVaci6n de una ejecuci6n del rodelo y tierpo de ranipulaci6n

El modelo se activa por un nuevo valor de progesterona o por una detecci6n del estro externa. En cualquiera de los casos, puede accederse al valor anterior del otro. Esto complica el uso del tiempo en el modelo.

Oetecci6n del eStro externa

Las indicaciones del corportariento de estro se derivan de los metodos de detecci6n del estro externos (EODR). EODR se refiere a todos los demas dispositivos o metodos de deteccion del estro, es decir, que no utilizan la progesterona. Para que el modelo pueda establecer una interfase con la multitud de dispositivos disponibles, las entradas de EOD se definen como sigue:

EODTimeR = La fecha y el momento de la detecci6n del estro externa. Esto puede diferir del momento en que esta informaci6n resulta accesible para el modelo biol6gico, porque la ejecuci6n haya sido activada por un nuevo valor de progesterona y porque los valores de EOD pueden no ser entradas a tiempo real (por ejemplo, registros de detecci6n del estro visuales).

EODinR = La intensidad, o probabilidad, del estro detectado (en una escala de 0 a 1) suministrada por el sistema de gesti6n del rebano. Para la detecci6n visual del estro se contempla que el granjero sera capaz de elegir entre un estro "posible", "probable" y "claro". Esto se corresponde con unos valores de EODinR, por ejemplo, de 0,5, 0,7 y 0,9.

EODTypeR = Define el tipo de dispositivo utilizado para la detecci6n. Esto se usa para asignar una velocidad de decadencia al valor de EODinR, es decir, el peso que debe darse a una senal de EOD que sea, por ejemplo, de hace un dfa. Para cada EODType existen 3 constantes: EODRatR, EODTR, y EODgainR. Esta ultima constante permite ajustar la intensidad del estro original (EODinR) internamente, si es necesario.

Entonces puede calcularse la EODR a partir de estas entradas para que decaiga a lo largo del tiempo entre el tiempo de la ejecuci6n actual y el EODtimeR. Tambien puede incluirse un proceso para acumular EOD repetidas. La l6gica para esto es que las pruebas repetidas de comportamiento de estro deben reforzar el "diagn6stico" de estro.

StatusR = 0, anestro postparto (figura 7b)

Este es el periodo desde la parici6n hasta el primer estro, que entonces provoca un posterior aumento en la progesterona por encima del umbral mas bajo de progesterona (LThreshR). Una suposici6n clave para el funcionamiento del modelo es que la precisi6n de la senal de progesterona que entra en el modelo biol6gico es tal que las diferencias reales en la progesterona entre la lfnea de base del anestro y los niveles de umbral (LThreshR) puedan distinguirse del error de medici6n.

En la parici6n, o cuando se registra por primera vez en el modelo (para las vacas que no comienzan en la parici6n), se asigna a la vaca un estado de 0. Para que evolucione hasta el estado 1 se requieren pruebas de un primer estro. Estas pueden ser un aumento en la progesterona o una indicaci6n muy intensa de comportamiento de estro. Esto ultimo significa un valor de EODR mayor que el umbral de EOD (EThreshR). No se espera que la transici6n del

estado 0 al estado 1 sera activada por una EOD. Sin embargo, se incluye basandose en que los tipos de primer estro que pueden ser lo suficientemente intensos como para provocar una EOD suficientemente alta seran unos primeros estros relativamente tardfos, es decir, potencialmente valiosos y, por tanto, merezca la pena la inseminaci6n (probablemente).

El activador mas probable para la transici6n al estado 1 deberfa ser el primer aumento en la progesterona hasta un nivel mayor que LThreshR. Este es un punto de anclaje importante para la posterior frecuencia de toma de muestras y las estadfsticas reproductivas. El granjero debe asegurarse de que la muestra o la medici6n no sea s6lo un valor atfpico. Por tanto, es probable que se requieran dos valores consecutivos de progesterona por encima de LThreshR para provocar el cambio al estado 1.

Si la vaca permanece en el estado 0 (es decir, no hay pruebas de la aparici6n del ciclo de estro), entonces puede calcularse el riesgo de un anestro prolongado (ProAnOestR) y los dfas hasta la siguiente toma de muestras (DNSR) a partir del valor de EODR y la probabilidad de aparici6n de un ciclo de estro (LOOCR). LOOCR es una estimaci6n de la duraci6n biol6gicamente esperada del anestro postparto. La idea basica de LOOC es que cuanto mayor sea el tiempo desde la parici6n, mayor sera la probabilidad de aparici6n de un ciclo de estro. La probabilidad aumenta de 0 a un maximo (PropCanR) que refleja el hecho de que siempre habra una proporci6n de vacas que, debido a fallos reproductivos, nunca empiezan el ciclo.

La curva completa puede ser desplazada "horizontalmente" por un factor de raza (BreedLOOCTR) y por el estado energetico (EnStat). En otras palabras, la curva media para la paridad de raza ahora se ajusta para el estado energetico de la vaca concreta (un calculo de otro modelo). De una manera similar, la "pendiente" de la funci6n LOOCR puede ser modificada por problemas de salud reproductiva individuales segun su tipo (ProbTypeR) y gravedad (ProbSevR). El riesgo de anestro postparto prolongado (ProAnRiskR) es simplemente LOOCR ajustado hacia abajo para cualquier prueba de actividad EOD. Las vacas con un alto riesgo de anestro postparto prolongado son aquellas en la que no puede encontrarse una buena explicaci6n biol6gica para el anestro (porque LOOCR esta ajustado para los modificadores biol6gicos del periodo de anestro de la vaca concreta). Los dfas hasta la siguiente muestra (DNSR) se calculan de una manera similar, de modo que un DNS por defecto (DNSOdefR) disminuye: aumentando EOD y tambien aumentado el riesgo de anestro postparto prolongado. En otras palabras, si hay alguna insinuaci6n de actividad de estro o si existe un posible problema, entonces sera deseable hacer un seguimiento mas atento a esa vaca. DNSR se calcula en una serie de lugares a lo largo de programa de reproducci6n que reflejanel numero de diferentes puntos de salida del modelo para volver a la siguiente toma de muestras, pero en cualquier ejecuci6n s6lo se realiza un calculo. En las figuras 7b, 7c y 7d, estos puntos de salida se indican mediante una flecha en bucle. Este valor siempre esta ajustado por el multiplicador de precisi6n (PrecMultRfunc), que es la entrada que tiene el usuario para aumentar o disminuir la frecuencia media de toma de muestras.

StatusR = �, ciclo de estro con una probabilidad muy baja de pre�ez (figura 7c)

Esta parte del modelo reproductivo se ocupa de tres condiciones: estro, fase folicular prolongada, y fase luteal prolongada.

La faSe folicular (progeSterona baja}

Cuando la vaca esta en ciclo, el estro se define por la primera aparici6n de un nivel de progesterona por debajo de LThreshR. Se supone que el estro no puede producirse si la progesterona esta por encima de LThreshR, independientemente de cualquier otro signo de estro. La identificaci6n del estro provoca un cambio en el estado reproductivo a StatusR = 2, potencialmente prenada independientemente de cualquier inseminaci6n.

Para evitar que se indique un estro en cada valor sucesivo de progesterona por debajo de LThreshR se emplea un contador (CountR) y s6lo se indica el estro para el primer valor de progesterona por debajode LThreshR. Para que se indique un estro, puede establecerse el requisito de que la curva del perfil de progesterona (SlopeR) sea menor que un umbral (SThreshR). Cuando se ha indicado un estro, el modelo calcula el tiempo que hay que esperar hasta la inseminaci6n (TimeToAIR) y la probabilidad de que la inseminaci6n propuesta sea un exito (LikeAISuccR). El tiempo de retraso por defecto hasta la inseminaci6n artificial es el intervalo del supuesto estro hasta la ovulaci6n, OestOvulntR; este despues se reduce si existe alguna indicaci6n de comportamiento de estro (EODR). La probabilidad de que la inseminaci6n propuesta tenga exito (LikeAISuccR) se basa en la tasa de concepci6n ideal (MaxConR), que despues puede reducirse por 4 factores diferentes: estado energetico, numero de estros, duraci6n del ciclo de estro previo, y la pendiente del perfil de progesterona.

CyclenR es un valor suavizado para la duraci6n del ciclo que se esperarfa a partir de la duraci6n de los ciclos previos de esa vaca. CyclenR se actualiza para cada estro. Ademas, en el estro, el numero de estros (OestNR) aumenta en 1, CountR aumenta en 1 (evitando con ello una indicaci6n repetida de estro dentro de esa fase folicular), la fecha del estro previo (DayOestR) se almacena en OldOestR y se actualiza a la fecha del estro actual. Por ultimo, StatusR puede ajustarse a 2, y los dfas hasta la siguiente muestra pueden ajustarse a (2 x OestOvulntR + 1). Es importante advertir que aunque el estado ha cambiado a 2, esta parte del programa (StatusR = 2) no se introduce hasta la siguiente ejecuci6n.

La siguiente ejecuci6n (consecutiva) puede venir de la "vfa del estro" porque la siguiente muestra de progesterona

tiene un valor bajo (Levelr es < LThreshR), o porque la siguiente ejecuci6n se activa por una entrada de EOD (y se constat6 que la vaca no estaba potencialmente prenada). En ambos casos, CountR es mayor que 1, es decir, el estro ya ha sido indicado en ese periodo folicular (suponiendo que SlopeR es mayor que SThreshR). La duraci6n de la fase folicular se actualiza anadiendo el intervalo desde la ultima ejecuci6n a la ejecuci6n actual a FolPerR. Al mismo tiempo, la duraci6n del siguiente periodo luteal (LutPerR) puede actualizarse a cero, y DayOestR se ajusta a Fecha - OestOvulntR. En la fase luteal, LutPerR aumentara por IntR. Despues del estro, la siguiente muestra se toma 2 x OestOvulntR.

Si EOD es mayor que EThreshR entonces puede merecer la pena actualizar el calculo de TimetoAI. En este caso, no se percibe la necesidad de revisar el valor previo de los dfas hasta la siguiente toma de muestras. Si la raz6n para estar en esta parte del modelo es por un periodo folicular mas largo, es decir, EOD < EThreshR, entonces el riesgo de una fase folicular prolongada (RiskFolR) y los dfas hasta la siguiente toma de muestras (DNSR) se calculan basandose en la duraci6n del periodo folicular. Cuando mas largo sea FolPerR, mas corto sera el intervalo hasta la siguiente toma de muestras.

La faSe luteal (progeSterona alta}

Esta parte del modelo controla la frecuencia de la toma de muestras en la fase luteal y calcula el riesgo de una fase luteal prolongada, es decir, un quiste luteo. Esta parte del modelo se ocupa en primer lugar de una contraindicaci6n potencial, una EOD alta durante la fase luteal. Si el ultimo valor de progesterona es alto (por encima de LThreshR) y la ejecuci6n actual fue activada por una EOD alta (por encima de EThreshR), entonces hay algo que no cuadra. Esto se resuelve ajustando los dfas hasta la siguiente muestra a 0 para verificar el nivel de progesterona. En esto esta implfcita la suposici6n de que una verdadera EOD alta no puede producirse si la progesterona es alta.

La duraci6n de la fase luteal es acumulada por el tiempo desde la ejecuci6n previa, si LevelR es mayor que LThreshR. El riesgo de un quiste luteo (RiskLutR) se calcula basandose en la duraci6n de la fase luteal actual con relaci6n a la esperada de CyclenR. RLutLagR es una constante para la duraci6n media de la fase folicular. El descubrimiento de que la placenta retenida predispone a quistes luteos debe incorporarse como multiplicador. En la fase luteal, se calculan los dfas hasta la siguiente muestra (DNSR) a partir de Cyclen y de la pendiente de progesterona (SlopeR), de modo que un mayor numero de dfas desde el ultimo estro y una pendiente mas negativa disminuyen ambos los DNSR. Los dfas hasta la siguiente muestra disminuyen cuanto mas largo es el intervalo desde el ultimo estro. Si el sistema detecta una disminuci6n en la progesterona, es decir, SlopeR es negativa, entonces se reduce DNSR. Cuanto mas negativa sea la pendiente, mas corto es DNSR.

StatusR = �, potencialmente pre�ada (figura 7d)

El cambio a StatusR = 2 puede activarse de 2 maneras: porque se ha detectado un estro, o porque se ha registrado una inseminaci6n. El que el estado 2 sea una consecuencia de un estro detectado significa que se supone que la vaca esta potencialmente prenada antes de cualquier informaci6n acerca de una inseminaci6n. La raz6n de esto se relaciona previamente con la premisa subyacente de que la progesterona es una medici6n definitiva del estado reproductivo. En otras palabras, esta manera de iniciar el estado 2 asegura que todas las preneces comienzan a partir de un estro. Sin embargo, se hace un poco complicado si la posterior ejecuci6n del modelo se activa por una informaci6n distinta a un valor de progesterona, tal como la informaci6n EOD dentro del periodo de estro.

Hacer que el estado 2 dependa de la entrada de un registro de inseminaci6n significa que se considera que la vaca esta en el estado 1 hasta que se haya introducido el registro de inseminaci6n, y esto hace que sea bastante importante la entrada de datos de inseminaci6n precisos y con puntualidad. Requiere un procedimiento bastante insatisfactorio para comprobar la validez de la inseminaci6n con respecto a los niveles de progesterona (que pueden estar desactualizados en el momento de la entrada de la inseminaci6n artificial).

Cuando StatusR = 2, se calcula la probabilidad de que la vaca este prenada (LikePregR) basandose en una inseminaci6n artificial con puntualidad (AITimeR), en el nivel de progesterona medido despues de la inseminaci6n artificial (LevTimeR) y en cualquier determinaci6n de prenez (PDR).

AITimeR describe el efecto de una inseminaci6n a destiempo con relaci6n al estro, en el que unas inseminaciones demasiado tempranas o demasiado tardfas hacen que sea menos probable la prenez. LevTimeR usa los valores de progesterona y los dfas desde la inseminaci6n artificial para indicar la probabilidad de que haya una prenez. Esto es un poco mas complicado. Considerese un momento concreto despues de la inseminaci6n, por ejemplo 5 dfas; en este momento, un nivel de progesterona de 6 ng/ml se considerarfa una buena senal de que que la prenez no ha fracasado. Sin embargo, a los 21 dfas despues de la inseminaci6n, 6 ng/ml se considerarfa un signo potente de que la prenez esta fracasando. Por tanto, es necesario que la relaci6n entre el nivel de progesterona y la probabilidad de prenez sea una funci6n de los dfas desde la inseminaci6n.

Tal como se mencion6 anteriormente, hacer que el cambio al estado 2 sea una funci6n de la detecci6n del estro significa que puede calcularse una probabilidad de prenez antes de introducir los datos de inseminaci6n. Esto provoca que el modelo revierta al estado 1. En el caso en que la ejecuci6n haya sido provocada por una nueva muestra de progesterona, este resultado es correcto, porque la siguente muestra de progesterona se establece para aproximadamente 5 dfas despues del comienzo del estro, en cuyo momento si no ha habido inseminaci6n entonces la vaca no esta prenada. Sin embargo, si la ejecuci6n ha sido provocada por algo distinto a la progesterona, por ejemplo, un valor de EOD, entonces no hay motivos para juzgar que la vaca no este prenada. Para encargarse de esto se usa una variable denominada WaitR, que se establece inicialmente para que sea la fecha en que se vaya a tomar la siguiente muestra de progesterona despues de haberse declarado el estro. En el estado 2, si el RunTime

5 actual es menor que WaitR, entonces el modelo no realiza los calculos del estado 2. WaitR es modificado por la entrada de una inseminaci6n, de modo que los calculos del estado 2 no se realizaran hasta probablemente 5 dfas despues de la inseminaci6n.

Tambien se incluye la determinaci6n de la prenez (PDR) en el calculo de la probabilidad de prenez. A primera vista parece que una PDR positiva es mas valiosa pero, para la probabilidad de prenez, realmente son las PDR negativas 10 las que son interesantes, es decir, la vaca no esta prenada. La entrada de PDR es 0,1 para no prenada, 0,5 para un resultado incierto, y 1 para definitivamente prenada. La PDR por defecto puede ser 1, y se supone que la vaca esta prenada en ausencia de cualquier informaci6n contraria. Por tanto, si se introduce una PDR = 0,1, probablemente provoque que la probabilidad de prenez sea tan baja que haga que la vaca revierta al estado 1. En otras palabras, la entrada de PDR permite al granjero cambiar el estado de la vaca de nuevo a un ciclo si tiene pruebas satisfactorias

15 de que la vaca no esta prenada.

Cuando se ha calculado la probabilidad de prenez (LikePregR), esta se utiliza para decidir si la vaca debe permanecer en el estado 2 o debe revertir al estado 1. Si LikePregR es menor que un umbral concreto (PThreshR), entonces se supone que la vaca no esta prenada y el modelo vuelve al estado 1 dentro de la ejecuci6n actual del modelo. Esto se realiza a tiempo real, porque en el momento en que por primera vez puede clasificarse

20 definitivamente a la vaca como no prenada (aproximadamente 21 dfas despues de la inseminaci6n), la vaca puede estar mostrando ya su siguiente estro.

Si se considera que la vaca sigue estando potencialmente prenada (StatusR = 2), entonces se calcula el numero de dfas hasta la siguiente muestra (DNSR).

Listado de entradas y de salidas

25 EntradaS SugeridaS

Parametro

Comentario

CowID

ID exclusiva, no se permiten duplicados

RunTimeR

El momento actual en que se activa el modelo. Introducir aquf la cuesti6n de sincronfa de relojes.

ProgTimeR

Fecha y momento de la ultima muestra de progesterona

LevelR

Concentraci6n de progesterona -salida suavizada de SSM

SlopeR

Tasa de cambio en la progesterona -salida suavizada de SSM

IntR

Intervalo de tiempo entre la ultima muestra de progesterona y la muestra previa -no siempre es necesario porque se mantiene a LastRunR como recurrente.

EODtimeR

Fecha y momento de una detecci6n del estro externa

EODinR

Probabilidad de estro basada en una detecci6n del estro externa -un valor entre 0 y 1

EODtypeR

El tipo de sistema de EOD usado. Controla la precisi6n de EODR y EODtimeR.

PrecMultR

Multiplicador de precisi6n para la reproducci6n

DFC

Dfas desde la parici6n -debe validarse frente a prenez anterior y registros de inseminaci6n artificial

Breed

C6digo para diferentes razas que incluye "otras"

Parity

1, 2 6 3+

ProbTypeR

C6digo para el tipo de problema reproductivo

ProbDateR

Fecha de la primera identificaci6n

ProbSevR

C6digo para la gravedad del problema: suave = 0,3, medio = 0,6, grave = 0,9

ProbCertR

C6digo para la certeza del diagn6stico: posible = 0,3, probable = 0,6, claro = 0,9

EnStat

Estado energetico, salida de otro modelo

AIdateR

Fecha de la ultima inseminaci6n

PDdateR

Fecha de la ultima determinaci6n de prenez

PDR

C6digo para el resultado de la determinaci6n de la prenez: no prenada = 0,1, incierto = 0,5, prenada = 1,0

SalidaS SugeridaS para el uSuario final

Parametro

Usuario final Comentario

DNSR

Merkur Dfas hasta la siguiente toma de muestras

DayOest1R

Capataz del rebano Necesario para las estadfsticas del rebano

ProAnRiskR

Cuidador de la vaca Riesgo de anestro prolongado (a nivel de vaca)

Oestrus

Cuidador de la vaca Indica las vacas en estro

Inseminate

Cuidador de la vaca Momento 6ptimo sugerido para la inseminaci6n artificial (si hay estro)

UkeAISuccR

Cuidador de la vaca Probabilidad estimada de exito de la inseminaci6n artificial

RiskLutR

Cuidador de la vaca Riesgo de quistes luteos

RiskFolR

Cuidador de la vaca Riesto de quistes foliculares

LikePregR

Cuidador de la vaca Probabilidad de prenez (si ha habido inseminaci6n artificial)

NotPregFlagR

Cuidador de la vaca Marcador cambia al estado 1 si mas de 30 dfas despues de la inseminaci6n artificial

Max(OestN)

Capataz del rebano

especificaci6n de necesidades

Creadores

Aplicaci6n de la presente invenci6n para la determinaci6n del estado de la urea y de las proteinas

El estado de la urea y de las protefnas puede detectarse, en animales, tal como se muestra en la figura 8. La informaci6n proporcionada por la urea de la leche puede ser diffcil de interpretar sin considerar simultaneamente el 5 estado energetico y tener la informaci6n de la formulaci6n del alimento. La disponibilidad de esta informaci6n permitira la alimentaci6n individual del animal.

Ademas, tal como se ilustra en la figura 8, el modelo biol6gico para la urea es muy sencillo. La raz6n de esto es que no puede haber una interpretaci6n biol6gica muy profunda de los datos de urea a menos que exista una evaluaci6n asociada del estado energetico. Ademas, unos niveles an6malos de la urea de la leche pueden ser debidos a

10 problemas en el equilibrio de la fuente de protefnas del alimento (calidad de las protefnas) y desequilibrios en la proporci6n de protefna a energfa.

El objetivo del modelo de urea presentado en la presente es permitir el control de los niveles de urea de la leche a nivel de grupo (tambien es posible el control a nivel individual). Se espera que esto sea util con relaci6n a la calidad de la leche y a los requisitos reguladores de la contaminaci6n ambiental. El modelo consiste en un componente

15 biometrico para obtener valores suavizados de la urea de vacas individuales a partir de los cuales se obtiene la media del grupo.

Nota: todos los nombres de parametros del modelo de urea terminan con una U mayuscula (por urea), y si se elimina la terminaci6n "U" deberfan poder ser legibles (hasta cierto punto) en su acepci6n inglesa.

Oefinici6n del grupo

20 Esto deberfa provenir del sistema de gesti6n del rebano, es decir, es una entrada del granjero. El granjero debe introducir el "grupo ffsico" pertinente para cada vaca. El "grupo ffsico" puede ser uno o mas de:

Localizaci6n ffsica: el establo o la subdivisi6n del establo en que este localizada la vaca.

Grupo de ordeno: habitualmente sera el mismo que la localizaci6n ffsica.

Grupo de alimentaci6n: puede que no sea el mismo que la localizaci6n ffsica si estan presentes sistemas de distribuci6n de alimento avanzados.

Tambien se preve que serfa posible presentar resultados segun el "grupo biol6gico", es decir, agrupaciones basadas en la raza, la paridad y la etapa de lactancia.

5 PreSentaci6n del urbral de urea

A partir de la informaci6n del grupo biol6gico y de la informaci6n de la bibliograffa, puede incluirse en el modelo un nivel de urea 6ptimo por defecto para cada grupo biol6gico, a partir del cual se generaran unos niveles superior e inferior de urea recomendados por defecto para su uso como niveles de referencia. Estos deberfan ser modificables por el usuario para tomar en cuenta las condiciones locales, tales como el tipo de alimentaci6n y los requisitos

10 reguladores.

ActiVaci6n de una ejecuci6n del rodelo y geSti6n de la frecuencia de tora de rueStraS

Los dfas hasta la siguiente muestra estan directamente bajo el control del usuario a traves de la entrada de grado de seguimiento. Ademas, el usuario tambien debe especificar que proporci6n de cada uno de los grupos requiere o necesita ser muestreada. De esta manera es posible adaptar la precisi6n de las mediciones de urea para que se

15 correspondan con el interes en los niveles de urea de la leche.

PreSentaci6n de loS reSultadoS de urea del grupo

El usuario final debe ser capaz de ver el avance de los niveles de urea del grupo con relaci6n a la fecha del calendario y a los dfas desde la parici6n (DFC). Por tanto, debe realizarse el calculo de la media (AvgLevelU) y de la desviaci6n estandar (StdLevelU) del nivel de urea para cada DFC o cada fecha del calendario. Tambien resultarfa

20 util caracterizar que tipo de vaca, es decir, grupo biol6gico, es dominante en las colas de distribuci6n de los niveles de urea. Esto tambien requerira que las vacas elegidas para la toma de muestras de urea esten distribuidas uniformemente a traves de los grupos biol6gicos pertinentes.

Listado de entradas y de salidas

EntradaS SugeridaS

Parametro

Comentario

CowID

ID exclusiva, no se permiten duplicados

UreaTimeU

Fecha y momento de la ultima muestra de urea

LevelU

Concentraci6n de urea -salida suavizada de SSM

PrecMultU

n� de muestra/grupo

DNSU

Grado de seguimiento

Group

Definici6n ffsica del grupo

DFC

Dfas desde la parici6n -debe validarse frente a prenez anterior y registros de inseminaci6n artificial

Breed

C6digo para diferentes razas que incluye "otras"

Parity

1, 2 6 3+

UpThreshU

Nivel superior de urea recomendado

LoThreshU

Nivel inferior de urea recomendado

25 SalidaS recorendadaS para el uSuario final

Parametro

Comentario

GroupTime

Los dfas desde la parici6n, o la fecha del calendario, con los cuales se relaciona la urea media, etc.

AvgLevelU

Media de urea del grupo

StdLevelU

Desviaci6n estandar de la urea del grupo

Aplicaci6n de la presente invenci6n para la determinaci6n de la grasa de la leche, las proteinas de la leche y el estado energetico

Puede detectarse la grasa de la leche, las protefnas de la leche y el estado energetico en animales, tal como se muestra en la figura 9. El estado energetico se define como la magnitud de la movilizaci6n de lfpidos corporales (energfa) que es mayor que la movilizaci6n que es totalmente natural para una vaca en una situaci6n no comprometedora. Esto se representa en la grafica, la ecuaci6n del estado energetico, que se corresponde con los componentes sombreados de la grafica. Se anticipa que la tasa de movilizaci6n energetica no comprometedora puede derivarse, con una precisi6n razonable, de la informaci6n acerca del genotipo, la paridad y los dfas desde la parici6n. Sin embargo, poder medir la perdida corporal total (dBL/dt) a tiempo real es un panorama desalentador. La proporci6n de grasa:protefnas de la leche proporciona un indicador, en especial cuando se utiliza junto con las mediciones de urea.

Puede establecerse un modelo alternativo para la grasa y las protefnas de la leche.

El coste por muestra para medir un parametro normalmente es relativamente alto, y por tanto los modelos descritos debe ser capaces de ser ejecutados de una manera estable cuando la frecuencia de toma de muestras es muy baja. A bajas frecuencias, la actuaci6n del modelo de espacio de estados puede reducirse sustancialmente. Por tanto, el numero de parametros y de parametros externos incluidos en el modelo puede ser variable y dependera, por ejemplo, de los requisitos nacionales con respecto a la precisi6n de la medici6n.

Los modelos no limitantes descritos sobre c6mo detectar un parametro seleccionado no deberfan limitarse a los modelos descritos, puesto que para los expertos en la tecnica resulta obvia la manera de modificar y optimizar los modelos. Ademas, el alcance de la presente invenci6n no esta limitado a los parametros (BHB, indicador de mastitis (por ejemplo, LDH o NAGasa), progesterona, urea, estado de las protefnas, grasa de la leche, protefnas de la leche y estado energetico) que tambien se han explicado anteriormente.

Ejemplos

Para ilustrar la metodologfa, se generaron datos {yt}t=1, ,5O segun el modelo de crecimiento lineal con excepciones, condicionadas por Mt(j}, suministrados por la ecuaci6n de observaci6n: Yt = Ftθt + Vt, con Ft = (1 0) y θt = (μt,βt},; las ecuaciones de sistema μt = μt-1 + βt + εμt, y βt = βt-1 + εβt, con Vt⏐Mt(J} ∼ N( 0,V(j}}, εμt⏐Mt(J} ∼ N(0,Eμ(j}} y εβt⏐Mt(j} ∼ N(0,Eβ(j}}, j = 1,.,4 y t = 1,.,50, suponiendo que son mutuamente independientes.

En la figura 3, el diagrama A muestra los datos simulados, el diagrama B muestra las posteriores probabilidades de los 4 modelos diferentes en el momento t = 1,.,50, y los diagramas C y D muestran las probabilidades suavizadas en uno y dos pasos atras de los 4 modelos diferentes en el momento t = 1,.,49, y el momento t = 1,.,48, respectivamente.

Los valores de los diferentes parametros se ofrecen en la tabla 1. θ0 se ajust6 arbitrariamente a (4 0)', y todos los datos se simularon a partir del modelo 1 (estado estacionario) excepto por un cambio en el nivel en el momento 10, un cambio en la pendiente en el momento 25, y un valor atfpico en el momento 40. Se emplearon los parametros de la tabla 1 en el analisis, y se supuso (de manera arbitraria) que la informaci6n inicial era

Tabla 1. Parametros utilizados para analizar los datos simulados

Modelo j

Nombre πO (j} V(j} Eμ(j} Eβ(j}

1

estado estacionario 0,92 1,0 0,0 0,0

2

cambio en el nivel 0,02 1,0 20,0 0,0

3

cambio en la pendiente 0,02 1,0 0,0 10,0

4

valor atfpico 0,02 50,0 0,0 0,0

Los datos estimados se muestran en la figura 3A. Las posteriores probabilidades (figura 3B) del modelo de valor

atfpico son muy altas en los momentos 10, 25 y 40, es decir, se detectan unos cambios abruptos (pero no la naturaleza verdadera de los cambios). El valor atfpico se destaca (sin detecciones de falsos positivos de los valores atfpicos) a partir de las probabilidades suavizadas en un paso atras (figura 3C). Por ultimo, a partir de las probabilidades suavizadas en dos pasos atras (figura 3D) se obtienen las altas probabilidades de los modelos

5 utilizados en la simulaci6n en todos los momentos del tiempo.

Por tanto se proporciona la formaci6n de modelos y el control de series de tiempo biol6gicas sometidas a valores atfpicos y cambios en las variables latentes subyacentes presentados en Smith y West (1983). Smith y West utilizan el metodo de manera satisfactoria para proporcionar las probabilidades en lfnea de cambios graves en la funci6n renal en pacientes individuales que han recibido transplantes recientemente.

10 Sin embargo, se ha descubierto que el metodo resulta pertinente en la agricultura. Por ejemplo, basandose en las mediciones regulares de ln(recuento de celulas somaticas) u otros indicadores de la mastitis, es posible proporcionar probabilidades de la mastitis y detectar la mastitis de manera mas temprana y con mas fiabilidad que con otros metodos, debido a la flexibilidad de los modelos. En aplicaciones de modelos con mezcla de distribuciones de clase II multiproceso, se han descubierto parametros a partir de ensayos empfricos con el sistema (vease, por ejemplo,

15 Smith y West (1983), y Thysen (1992)). Ademas, puede incorporarse la informaci6n de familiares a los modelos con mezcla de distribuciones, y puede integrarse la estimaci6n del valor de raza.

Aunque en el anterior analisis se han mencionado a las vacas como ejemplo de animales, debe entenderse que los principios y caracterfsticas analizados se aplican igualmente bien a otros animales, en especial domesticos, incluyendo ovejas, cabras, bufalos, camellos, cerdos, caballos y pollos.

20 Referencias bibliogrmficas

Harrison, P.J., Stevens C.F. (1976), J. of the Stat. Soc. Ser. B, 38, 205-247.

Smith A.F.M., West M. (1983), Biometrics 39, 867-878.

Thysen 1. (1993), Acta Agric. Scand. Sect. A., Animal Sci., 43, 58-64.

Documento US 6.405.672.

25 R. M. de Mol (2000), �Automated detection of oestrus and mastitis in dairy cows�.

Claims (40)

1. REIVINDICACIONES

   1.-Un sistema para observar y predecir un estado fisiol6gico de un animal, comprendiendo dicho sistema:

   -

   un ordenador que comprende un procesador y que esta conectado operativamente a una base de datos,

   -

   al menos un dispositivo de suministro de muestras para proporcionar de manera repetitiva al menos una muestra de un fluido corporal del animal,

   -

   un aparato de analisis para analizar dicha al menos una muestra para obtener al menos un valor de muestra de al menos un parametro del fluido corporal,

   -

   una interfase de datos para introducir de manera repetitiva el valor de muestra de dicho al menos un parametro en la base de datos,

   en el que la base de datos esta adaptada para almacenar multiples entradas de la base de datos que representan el valor de muestra de dicho al menos un parametro en diversos momentos, y en el que el procesador esta programado para:

   -

   realizar al menos un analisis matematico de dicho al menos un valor de muestra, y

   -

   seleccionar, basandose en dicho al menos un analisis matematico, el momento para proporcionar una posterior muestra y realizar un posterior analisis de dicha posterior muestra para al menos uno de los parametros.

2. 2.-Un sistema segun la reivindicaci6n 1, en el que el analisis matematico es un analisis estadfstico.
3. 3.-Un sistema segun la reivindicaci6n 2, en el que el analisis estadfstico es un analisis univariable de las entradas de la base de datos para obtener un primer conjunto de datos que representa los valores de muestra esperados de al menos uno de los parametros en momentos futuros.
4. 4.-Un sistema segun cualquiera de las reivindicaciones 2 6 3, en el que el analisis estadfstico es un analisis de multiples variables de las entradas de la base de datos para producir un segundo conjunto de datos derivado del analisis combinado de los valores de muestra de al menos dos parametros.
5. 5.-Un sistema segun la reivindicaci6n 4, en el que el primer y el segundo conjunto de datos se combinan para obtener un tercer conjunto de datos representativo del estado fisiol6gico del animal.
6. 6.-Un sistema segun la reivindicaci6n 5, en el que el primer, el segundo y el tercer conjunto de datos obtenidos se almacenan en la base de datos.
7. 7.-Un sistema segun las reivindicaciones 3-6, en el que el procesador se programa para que realice un analisis univariable empleando al menos un modelo de espacio de estados (SSM).
8. 8.-Un sistema segun las reivindicaciones 4-7, en el que el procesador se programa para que realice un analisis de proyecci6n de multiples variables, tal como un analisis de componentes principales (PCA).
9. 9.-Un sistema segun cualquiera de las reivindicaciones anteriores, en el que dicha al menos una muestra de un fluido corporal comprende al menos una muestra de leche cruda, y en el que el dispositivo que suministra dicha al menos una muestra se dispone para proporcionar la muestra de leche cruda.
10. 10.-Un sistema segun cualquiera de las reivindicaciones anteriores, en el que el aparato de analisis se dispone para realizar un analisis espectrosc6pico, tal como un analisis cercano al espectro de infrarrojos o en medio del espectro de infrarrojos, de la muestra de fluido corporal.
11. 11.-Un sistema segun cualquiera de las reivindicaciones anteriores, en el que el aparato de analisis comprende dispositivos analiticos en soporte s6lido.
12. 12.-Un sistema segun cualquiera de las reivindicaciones anteriores, en el que el aparato de analisis se dispone para determinar el valor o valores de muestra de al menos un parametro seleccionado del grupo que consiste en LDH, NAGasa, progesterona, rendimiento lacteo, FPD y conductividad, grasa A, grasa B, protefnas, lactosa, urea, acido cftrico, TS, SNF, y uno o mas de los cuerpos cet6nicos en dicha una o mas muestras.
13. 13.-Un sistema segun cualquiera de las reivindicaciones 5-12, en el que la base de datos almacena al menos un conjunto de datos predeterminado que representa al menos un estado fisiol6gico del animal, y en el que el procesador se programa tambien para que compare el tercer conjunto de datos con dicho al menos un conjunto de

    datos predeterminado.
14. 14.-Un sistema segun cualquiera de las reivindicaciones anteriores, en el que la base de datos comprende al menos un valor externo de al menos un parametro externo.
15. 15.-Un sistema segun la reivindicaci6n 14, en el que dicho al menos un parametro externo se selecciona del grupo de parametros que consiste en la edad del animal, la raza del animal, el peso del animal, la reproducci6n del animal, los detalles de la alimentaci6n, la estaci6n del ano, la localizaci6n geografica, y la identificaci6n del rebano de origen.
16. 16.-Un sistema segun cualquiera de las reivindicaciones 14 6 15, en el que el procesador se programa tambien para que realice un analisis de datos de las entradas de la base de datos para obtener una indicaci6n del estado fisiol6gico del animal, en el que el valor externo se incluye en el analisis de datos.
17. 17.-Un metodo para observa y predecir un estado fisiol6gico de un animal, comprendiendo dicho metodo:

    -

    proporcionar de manera repetitiva al menos una muestra de un fluido corporal del animal,

    -

    analizar dicha al menos una muestra para obtener al menos un valor de muestra de al menos un parametro del fluido corporal,

    -

    introducir el valor de muestra de dicho al menos un parametro en la base de datos de un sistema informatico,

    en el que la base de datos esta cargada con multiples entradas de la base de datos que representan el valor de muestra de dicho al menos un parametro en diversos momentos, y:

    -

    realizar al menos un analisis matematico de dicho al menos un valor de muestra, y

    -

    seleccionar, basandose en dicho al menos un analisis matematico, el momento para proporcionar una posterior muestra y realizar un posterior analisis de dicha posterior muestra para al menos uno de los parametros.

18. 18.-Un metodo segun la reivindicaci6n 17, en el que el analisis matematico es un analisis estadfstico.
19. 19.-Un sistema segun la reivindicaci6n 18, en el que el analisis estadfstico es un analisis univariable de las entradas de la base de datos para obtener un primer conjunto de datos que representa los valores de muestra esperados de al menos uno de los parametros en momentos futuros.
20. 20.-Un metodo segun cualquiera de las reivindicaciones 19 6 19, en el que el analisis estadfstico es un analisis de multiples variables de las entradas de la base de datos para producir un segundo conjunto de datos derivado del analisis combinado de los valores de muestra de al menos dos parametros.
21. 21.-Un metodo segun la reivindicaci6n 20, en el que el primer y el segundo conjunto de datos se combinan para obtener un tercer conjunto de datos representativo del estado fisiol6gico del animal.
22. 22.-Un metodo segun la reivindicaci6n 21, en el que el primer, el segundo y el tercer conjunto de datos obtenidos se almacenan en la base de datos.
23. 23.-Un metodo segun cualquiera de las reivindicaciones 19-22, en el que el analisis univariable se realiza en al menos un modelo de espacio de estados (SSM).
24. 24.-Un metodo segun la reivindicaci6n 23, en el que el modelo de espacio de estados proporciona probabilidades de cambio.
25. 25.-Un metodo segun cualquiera de las reivindicaciones 17-24, en el que un modelo lineal dinamico se extiende a un modelo con mezcla de distribuciones de clase II multiproceso con un procedimiento de actualizaci6n recursivo.
26. 26.- Un metodo segun cualquiera de las reivindicaciones 20-25, en el que el analisis de multiples variables se realiza como un analisis de proyecciones de multiples variables, tal como un analisis de componentes principales (PCA).
27. 27.-Un metodo segun cualquiera de las reivindicaciones 20-26, en el que, en el analisis de multiples variables, se seleccionan al menos dos conjuntos disjuntos de componentes principales.
28. 28.-Un metodo segun cualquiera de las reivindicaciones 17-27, en el que dicha al menos una muestra de un fluido corporal comprende al menos una muestra de leche cruda, y en el que el dispositivo que suministra dicha al menos una muestra se dispone para proporcionar la muestra de leche cruda.
29. 29.-Un metodo segun cualquiera de las reivindicaciones 17-28, que comprende, en la etapa de analizar dicha al menos una muestra, la realizaci6n de un analisis espectrosc6pico, tal como un analisis cercano al espectro de infrarrojos o en medio del espectro de infrarrojos, de la muestra de fluido corporal.
30. 30.-Un metodo segun cualquiera de las reivindicaciones 20-29, en el que el sistema informatico se programa para realizar el analisis de datos de multiples variables utilizando un modelo de PLSR.
31. 31.-Un metodo segun cualquiera de las reivindicaciones 17-30, en el que los valores de muestra hist6ricos se agrupan en clases, y en el que las clases se analizan de modo individual mediante un analisis de componente principales.
32. 32.-Un metodo segun cualquiera de las reivindicaciones 17-31, en el que el estado fisiol6gico se determina a partir de una comparaci6n de un patr6n en los valores de muestra y un patr6n de valores de parametros de referencia que es tfpico para un estado fisiol6gico predeterminado concreto.
33. 33.-Un metodo segun cualquiera de las reivindicaciones 20-32, en el que se emplea un modelo matematico de la forma

    X = Ta*Pa'+E

    en el analisis de datos de multiples variables, en el que X representa los matriz escalada o preprocesada de otra forma de los valores de muestra, T representa las variables latentes, P es el eigenvector de la matriz de correlaci6n determinada como X'X, y E es una matriz residual que recoge el ruido aleatorio, y a indica una dimensi6n del modelo.
34. 34.-Un metodo segun la reivindicaci6n 33, en el que los valores de muestra se muestrean en un patr6n xt, y en el que la proyecci6n de xtsobre cada uno de los modelos, ti, se determina como ti = xi*P.
35. 35.-Un metodo segun la reivindicaciones 34, en el que:

    -

    se determina un apalancamiento h, como la suma cuadrada de los elementos de ti,

    -

    se determina un residual r, como la suma cuadrada de los elementos en un vector determinado como xi-ti*P',

    -

    las cantidades h y r se normalizan con sus respectivos niveles de significancia del 95% para el modelo matematico, y en el que

    -

    xi se elige para que pertenezca al modelo en cuesti6n si la longitud del vector (h,r) es menor que √2.

36. 36.-Un metodo segun cualquiera de las reivindicaciones 17-35, en el que el valor o valores de muestra de al menos uno o mas parametros que se seleccionan del grupo que consiste en NAGasa, progesterona, rendimiento lacteo, FPD y conductividad, grasa A, grasa B, protefnas, lactosa, urea, acido cftrico, TS, SNF, y uno o mas de los cuerpos cet6nicos, se determinan en el aparato de analisis.
37. 37.-Un metodo segun cualquiera de las reivindicaciones 17-36, en el que las entradas de la base de datos comprenden ademas al menos un valor externo de al menos un parametro externo, y en el que el analisis de los datos de multiples variables emplea dicho al menos un valor externo.
38. 38.- Un metodo segun la reivindicaci6n 37, en el que dicho al menos un parametro externo comprende al menos uno de la edad del animal, la raza del animal, el peso del animal, la reproducci6n del animal, los detalles de la alimentaci6n, la estaci6n del ano, la localizaci6n geografica, y la identificaci6n del rebano de origen.
39. 39.-Un metodo segun cualquiera de las reivindicaciones 17-38, en el que la base de datos almacena al menos un conjunto de datos predeterminado que representa al menos un estado fisiol6gico del animal, y en el que el procesador se programa tambien para que compare el tercer conjunto de datos con dicho al menos un conjunto de datos predeterminado.
40. 40.-Un metodo segun cualquiera de las reivindicaciones 37-39, en el que el metodo comprende tambien la etapa de realizar un analisis de datos de las entradas de la base de datos para obtener una indicaci6n del estado fisiol6gico del animal, en el que el valor externo se incluye en el analisis de datos.