---

Data uit nieuwe technologieën en sensoren kan voor meer gebruikt worden dan enkel het opvolgen van de dieren. Om meer uit de investeringen in technologie te halen, gingen Europese onderzoekers binnen het H2020 GenTORE-project na of het mogelijk is om aan de hand van sensordata ook complexere eigenschappen zoals de langleefbaarheid, efficiëntie en de veerkracht van melkvee en vleesvee te voorspellen. 

Binnen het project werd een tool ontwikkeld die op basis van bestaande data uit commercieel beschikbare technologieën de veerkracht van een dier in een vroeg stadium kan voorspellen. Veerkracht wordt gedefinieerd als de mogelijkheid van een koe om opnieuw te kalven met behoud van een goede productie, vruchtbaarheid en gezondheid, en op die manier haar productieve leven te verlengen. Dieren met een lage veerkrachtscore kunnen onderscheiden van dieren met een hoge score is interessant. Het maakt het mogelijk om de koeien met een hoge score te selecteren voor geavanceerde foktechnieken zoals het inzetten van gesext sperma of embryo transfer of om dieren met een lage score af te voeren wanneer er bijvoorbeeld overbezetting is.

In deze studie werd data gebruikt afkomstig van 37 moderne melkrobotbedrijven uit België, Nederland en het Verenigd Koninkrijk. De dieren werden gerangschikt op veerkracht binnen elk bedrijf op een objectieve manier. Hiervoor kreeg elk dier na afvoeren een veerkrachtscore toegekend. Deze score hield rekening met het aantal lactaties in combinatie met straf- of bonuspunten in functie van haar leeftijd bij eerste kalving, de lengte van haar tussenkalftijden, haar productieresultaten, het aantal inseminaties en het aantal keer dat ze een gezondheidsprobleem had. De rangschikking van de dieren op een bedrijf op basis van deze score maakte het mogelijk om zeer veerkrachtige van minder veerkrachtige dieren te onderscheiden. Deze ranking kon vervolgens gebruikt worden als gouden standaard voor de veerkracht en langleefbaarheid.

Om vroeg te kunnen ingrijpen in management beslissingen is het belangrijk deze ranking tijdig te kunnen inschatten op een automatische manier. Daarom werd een methode ontwikkeld om op basis van de reeds aanwezige sensordata op de bedrijven, verzameld tijdens de eerste lactatie, deze ranking te voorspellen. Op deze manier kunnen alle multipare dieren gerangschikt worden volgens veerkracht, niet enkel deze die afgevoerd werden.

Voor het berekenen van een individuele veerkrachtscore na de eerste lactatie werd specifiek gekeken naar activiteits- en melkproductiedata. Dagelijkse metingen verzameld via melkmeters en activiteitsensoren werden gebruikt om de prestaties van dieren te bepalen gedurende hun lactatie. Het idee is dat specifieke eigenschappen van deze metingen te linken zijn aan fysiologische eigenschappen van de dieren en dat deze op hun beurt de veerkracht van een dier beïnvloeden.

Voor de melkmeterdata werden eigenschappen bepaald die de vorm van de lactatiecurve beschrijven en de dag-tot-dag variabiliteit. Ook afwijkingen of verstoringen in de lactatiecurve werden gedefinieerd. Voor de activiteitsdata werd een onderscheid gemaakt tussen kortstondige pieken in activiteit ten gevolge van tochtgedrag, en verschillen in activiteit op lange termijn, gelinkt aan gezondheidsproblemen. Onderstaande figuur (Figuur 1) is een lactatiecurve van een koe met aanduiding van de specifieke karakteristieken.

Vervolgens werden deze eigenschappen van sensordata (melk- en activiteitmeters) uit de eerste lactatie ingevoerd in een multivariaat lineair regressiemodel met als outputvariabele de veerkrachtrangschikking om de link tussen beiden te onderzoeken.

Initieel werd er gekeken naar één model over de verschillende bedrijven heen omdat er aangenomen werd dat op alle bedrijven dezelfde sensoreigenschappen een link zouden hebben met de veerkracht van de dieren. Zo werd bijvoorbeeld verondersteld dat een groot aantal afwijkingen of perturbaties in de lactatiecurve, wat wijst op een minder goede gezondheid van het dier, een negatief effect zou hebben op de productieve levensduur. De kans is immers groot dat deze dieren vervroegd afgevoerd worden. Niettegenstaande bleek uit de analyse dat een dergelijk algemeen model niet bestaat. Daarenboven bleek dat de factoren die bepalen of een koe veerkrachtig is verschillen van bedrijf tot bedrijf.

Daarom werd voor elk bedrijf apart een model ontwikkeld, waarin de eigenschappen die op dat specifieke bedrijf de veerkracht konden voorspellen werden meegenomen. De onderzoekers evalueerden of de modellen in staat waren een onderscheid te maken tussen dieren met een hoge (H), matige (M) of lage (L) veerkracht. Het aandeel van de dieren dat door de modellen op basis van melkproductie-eigenschappen in de juiste categorie (H,M,L) voorspeld werd, varieerde van 35.8% tot 70.0% met een gemiddelde van 46.7±8% dat in de juiste categorie geclassificeerd werd en 4.7±3.5% dat in de tegenovergestelde categorie geclassificeerd werd (dieren met hoge veerkracht in de lage categorie of vice versa). Dit wordt weergegeven in figuur 2 door de paarse data. Wanneer zowel de melkproductie-eigenschappen als activiteitsdata meegenomen werden, steeg de correctheid van de modellen naar een gemiddelde van 55.7±12.1% (range van 44.4 tot 84.0%) van de dieren die correct geclassificeerd werden en 2.3±2.1% (range 0 tot 6.7%) van de dieren die in de tegenovergestelde categorie terechtkwamen. Dit wordt weergegeven door de blauwe data in figuur 2.

Uit dit onderzoek werd besloten dat commercieel beschikbare sensortechnologie gebruikt kan worden om het productieve leven en de veerkracht van individuele dieren te voorspellen maar dat er een groot verschil bestaat tussen melkveebedrijven in zowel de opbouw van het model als in de performantie ervan. Dit kan te wijten zijn aan verschillen in het management of aan andere externe factoren. Bij de ontwikkeling van nieuwe tools voor het fenotyperen van dieren of het monitoren van complexe diereigenschappen, zoals levensduur en veerkracht, moet hier rekening mee gehouden worden.

Bron:

Adriaens, I., Friggens, N.C., Ouweltjes, W., Scott, H., Aernouts, B., Statham, J. 2019. Productive lifespan and resilience rank can be predicted from on-farm first parity sensor data but not using a common equation across farms.