< Terug naar vorige pagina

Project

Modelgebaseerd opvolgen van genezing en herstel voor een beter beheer van mastitis in melkkoeien

Productie van melk en melkderivaten is de 4de belangrijkste landbouw tak van Vlaanderen, goed voor zo’n 639 miljoen euro. Ongeveer 18% van alle landbouwbedrijven heeft melkkoeien, en in totaal gaat het om zo’n 300 000 dieren. Moderne melkveebedrijven worden gekenmerkt door een sterke specialisatie en schaalvergroting, waarbij de rol van technologie steeds belangrijker wordt. Deze technologie wordt onder andere ingezet voor het ondersteunen van management beslissingen, en zorgt ervoor dat ondanks de toenemende kuddegroottes, toch aandacht kan besteed worden aan individuele dieren. Ondanks dat reeds vele technologische ontwikkelingen de laatste jaren gecommercialiseerd en geïmplementeerd werden, blijven er toch nog grote uitdagingen. Zeker in het geval van technologie voor het opvolgen van bijvoorbeeld de gezondheid, vruchtbaarheid of welzijn van individuele dieren, is de interpretatie van de sensordata vaak complex. Dit komt doordat zowel tussen dieren, als binnen één en hetzelfde dier een grote individualiteit en variabiliteit bestaat, al dan niet veroorzaakt door fysiologische factoren, waar zo mogelijk rekening mee moet gehouden worden.

Verminderde vruchtbaarheid is de tweede belangrijkste oorzaak van economische verliezen op melkveebedrijven in Vlaanderen, in totaal goed voor zo’n 49€ per koe per jaar. Om dit tegen te gaan, is een correcte en tijdige identificatie van de vruchtbaarheidsstatus cruciaal. Detectie van zowel tocht, problemen en dracht laat toe de dieren tijdig te behandelen of (opnieuw) te insemineren, met een positieve weerslag op de tussenkalftijd. De traditionele manier voor tochtdetectie is via de observatie van bronstgedrag, en meer en meer ook via het monitoren van rusteloosheid met behulp van activiteitsmeters. De waarde van deze laatste technologie is dan wel aangetoond voor detectie van bronst, ze heeft minder nut voor het kwantificeren van de volledige vruchtbaarheid. 

De ontwikkelingen van de laatste jaren hebben geleid tot technologieën voor het automatisch meten van melkprogesteron op het bedrijf. Melkprogesteron, in tegenstelling tot de gedrags-gebaseerde technologie, weerspiegelt de aan of afwezigheid van een actief geel lichaam op de ovaria. Daardoor heeft het opvolgen van de progesteron tijdsreeks potentie om een meer compleet beeld te geven van de koe haar vruchtbaarheidsstatus. Een belangrijke voorwaarde hiervoor is een duidelijke en consistente interpretatie van de gemeten waarden, daarbij werkende in een geautomatiseerde en kosten-efficiënte setting. Meer bepaald moet de progesterondata omgezet kunnen worden in concrete acties voor de veehouder, op een manier dat er rekening wordt gehouden met zowel de dier- als meting-eigen variabiliteit.

De hoofddoelstelling van dit doctoraatswerk was het ontwikkelen van een online monitoringsalgoritme gebaseerd op melkprogesteron, dat op een kostenefficiënte manier in staat is om de verschillende vruchtbaarheidsstatussen van melkkoeien te onderscheiden, en dat geïntegreerd kan worden op een bedrijf. Meer specifiek werden volgende deeldoelstellingen vooropgesteld: (1) de mathematische karakterisering van het progesteronprofiel waar de fysiologische achtergrond van het geel lichaam en de ovaria in rekening wordt gebracht; (2) integratie van dit mathematisch model in een online monitoringsalgoritme dat geïmplementeerd kan worden op het bedrijf; (3) uitklaren van de link tussen de daling in melkprogesteron na luteolyse en het moment van ovulatie om zo een beter gefundeerd inseminatieadvies te kunnen geven; en (4) aftoetsen van het ontwikkelde algoritme ten opzichte van de methodologie vandaag de dag gebruikt, onder andere op het gebied van sensitiviteit en specificiteit maar ook naar gevoeligheid voor missende metingen op het moment van luteolyse toe.

De groei en regressie van het gele lichaam zijn geassocieerd met een gestage toename en plotse daling van het progesteron gehalte. Deze evoluties kunnen worden gelinkt aan een specifieke reproductiestatus, en beschreven met een wiskundige functie. Tijdens de anoestrus na afkalven is er geen geel lichaam aanwezig, en kan de melkprogesteronconcentratie beschreven worden met een constante. Eenmaal de koe begint te cycleren kunnen de opeenvolgende stijgingen en dalingen van het progesterongehalte beschreven worden met sigmoïdale groeifuncties, respectievelijk de Hill en Gompertz curve. Na inseminatie ontwikkelt het dracht geel lichaam zich, opnieuw gekarakteriseerd via de Hill functie. Deze functies hebben het voordeel dat ze de flexibiliteit hebben om de lengtes, richtingscoëfficiënten en  absolute hoogtes van de verschillende cycli kunnen laten variëren, terwijl ze toch dezelfde vorm behouden.

Een ander belangrijk voordeel van dit mathematisch model is dat het kan geïntegreerd worden in een online monitoringsalgoritme. Het algemeen principe hiervan is om door het gefragmenteerd fitten van de functies en het evalueren van de modelresiduen via een individuele controlekaart, zowel de aanvang van cycliciteit als luteolyse voorafgaand aan de tocht te detecteren. Eenmaal luteolyse gedetecteerd kan het model gebruikt worden voor de karakterisering van de cyclus en het geven van inseminatieadvies onafhankelijk van de werkelijke staalname frequentie.

Eenmaal luteolyse werd gedetecteerd is het belangrijk om te in te schatten wanneer exact ovulatie zal plaatsvinden om een zo hoog mogelijke kans te hebben op conceptie. Echter, de hoge kosten en grote arbeidsintensiteit zorgen dat er maar een zeer beperkt aantal studies hierover beschikbaar zijn. Binnen dit doctoraatsonderzoek werden twee nieuwe studies uitgevoerd om de link tussen luteolyse en tijdstip van ovulatie te onderzoeken. In een eerste onderzoek werden de dieren gesynchroniseerd, waarna tijdstip van de ovulatie na de eerstvolgende cyclus bepaald werd via ultrasonografie. De tweede studie werd uitgevoerd op niet-gesynchroniseerde dieren door gebruik van de LH-piek als proxy voor ovulatie. In deze studie werden ook visuele tochtdetectie en activiteit betrokken. Op melkprogesteron-gebaseerde systemen hebben een hogere sensitiviteit en positief voorspellende waarde dan de visuele tochtdetectie en activiteit sensoren. Bovendien werd aangetoond dat de LH-piek en ovulatie respectievelijk gemiddeld 62 ± 12 en 77 ± 10 uur later kwamen dan de eerste indicatie van luteolyse. Deze spreiding verminderde nog door gebruik van de model-indicatoren berekend op basis van het model, al kon door de hoge staalname frequentie in de proeven de echte waarde hier nog niet worden aangetoond.

Om de werkelijke waarde van het ontwikkelde systeem aan te tonen en te vergelijken met de huidige state-of-the-art voor online progesteronmonitoring is een grote progesterondataset, met daarin alle mogelijk variabiliteit, vereist. Hiertoe werd een techniek ontwikkeld om realistische progesteroncurves te simuleren op basis van een mechanistisch, fysiologie-gebaseerd model. Vervolgens werden zowel het nieuw ontwikkeld algoritme, als de huidig gebruikte techniek getest op verschillende staalname schema’s, waarbij de gereduceerde staalname het geval waarin stalen ontbraken tijdens luteolyse, nabootste. Met deze analyse toonden we dat het ontwikkelde algoritme de luteolyse kon opvangen ongeveer gelijktijdig met de werkelijk gesimuleerde luteolyse, in tegenstelling tot de multiprocess Kalman filter, welke een tijdsvertraging vertoonde van gemiddeld 1 tot 2 melkingen. Bovendien kwam uit de analyse dat door gebruik te maken van een modelgebaseerde indicator, het moment van luteolyse consistent kon worden ingeschat, onafhankelijk van eventueel gemiste metingen.

Uit dit onderzoek kunnen we besluiten dat door het opvolgen van melkprogesteron, de verschillende vruchtbaarheidsstatussen van melkkoeien op een bedrijf tijdig en consistent kunnen geïdentificeerd worden. Echter, om het bedrijfsmanagement nog verder te optimaliseren zou niet alleen de fysiologie van de individuele koe, maar ook de economische en managementomgeving van de dieren moeten worden meegenomen in het beslissingsalgoritme. Dit soort geïntegreerde beslissingsondersteuning is de belangrijkste uitdaging voor toekomstig onderzoek.

Datum:1 okt 2014 →  30 sep 2019
Trefwoorden:Dairy cows, Data-based monitoring, Programming, Fertility, Mastitis
Disciplines:Landbouw, land- en landbouwbedrijfsbeheer, Biotechnologie voor landbouw, bosbouw, visserij en aanverwante wetenschappen, Visserij, Toegepaste wiskunde, Statistische en numerieke methoden, Dierkundige biologie, Algemene biologie, Scientific computing, Bio-informatica en computationele biologie, Maatschappelijke gezondheidszorg, Publieke medische diensten
Project type:PhD project