Automatisa registreringar i lösdriftsstallar som indiatorer på begynnande hälsoproblem - Slutrapport Inledning För att effetivisera arbetet i stora besättningar är det önsvärt att all information om den ensilda on som automatist registreras i en besättning an användas. Projetet syftar till att från ontinuerligt registrerade data identifiera beteendeförändringar som separat eller tillsammans med registreringar i samband med mjölning, an användas för att hos mjölor i lösdriftsystem detetera en öad ris för sjudom. Målet är att i lösdriftsbesättningar hitta djur som löper öad ris för att utvecla sjudomar (s.. Early warning) och för att diret unna ursilja dessa. Detta an följatligen resultera i att åtgärder, som minsar risen för att en sjudom eller en eventuell sada förvärras eller sprids, an sättas in i ett tidigare sede än som ser idag. Resultatet av ett sådant system an bidra till att minsa risen för att djuret utsätts för onödigt lidande eller slås ut i förtid, samt att de eonomisa förlusterna minimeras. Material och metoder Under våren 2008 påbörjades analys av mjölprodutionsdata, insamlat från or i SLU:s forsningsanläggning på Kungsängen. Data samlades från den automatisa mjölningsanläggningen (Delaval VMS ), med avseende på ensilda ors mjölmängd vid varje mjölningstillfälle, mjölningsintervall och mjölningsfrevens. Avsiten var att ta fram en modell som besriver daglig variation i producerad mjöl i ett system med automatis mjölning där mjölningen ser med varierande mjölningsintervall. Data från 107 or vid Kungsängens forsningscentrum under perioden maj 2005 december 2007, total 160 latationer (48 förstagångsalvara och 112 multigångsalvara) och 84 709 latationsdagar användas i den matematisa modellen. Tre olia matematisa metoder för att estimera den dagliga mjölprodutionen utifrån mjölningsdata användes för att statistist bestämma vilen beräningsmodell som resulterade i den minsta dagliga variationen i förhållande till tidigare vetensapliga validerade latationsmodeller: I. (enel) definierades som summan av mjölningarna från midnatt till midnatt. II. (semi avancerad) definierades som medelvärdet producerad mjöl per timme under en dag multiplicerad med 24 h. Producerad mjöl per timme beränades som ett medelvärde av varje mjölning under dagen delat med tiden sedan föregående mjölning. III. (avancerad) definierades som summan mjöl producerad från midnatt till första mjölningen, från första till sista mjölningen under en dag, och från sista mjölningen till midnatt. Mjöl producerad från midnatt till första mjölning och från sista mjölning till påföljande midnatt beränades med linjär interpolation i förhållande till den sista mjölningen dagen innan resp. den första mjölningen dagen efter.
I figur 1 visas en fitiv beräning av en estimerad daglig mjölprodution, i enlighet med de tre beräningsmodellerna ovan, för en o som mjölas i ett automatist mjölningssystem. Figur 1: Exempel på beräningar av en fitiv dags mjölprodution ut ifrån de 3 olia beräningsmetoder som användes i denna studie. Resultatet från denna studie bearbetades under våren 2009 och publicerades i Journal of Dairy Science 2010 (Nielsen et al., 2010). Slutsatsen från dessa beräningar är att modell III är den mest användbara för att satta daglig mjölprodution. Den besrivna beräningsmetoden III enligt ovan, användes i det fortsatta arbetet, där vi har studerat hur individuella avvielser i avastning och beteende i förhållande till förväntad avastning sulle unna användas för att på ett tidigt stadium identifiera djur som löper ris att utvecla sjudom. En statistis modell för detetering av avvielser från den ensilda ons förväntade dygnsavastning har sapats. Det använda o-data är det samma som användas vid den ovanför besrivna uträcning av de olia beräningsmetoderna. I den studerade gruppen har förts dagliga sjudoms- och brunstregistreringar. Kor med synbara tecen på mastit eller rörelsestörning har omgående flyttats ut ur gruppen för behandling. Modellen jobbar stegvis framåt i latationen och med olia onfidensintervall (vantil) beränas avvielsen i daglig mjölavastning från den förväntade avastningen. Den förväntade avastningen är sattad med utgångspunt från resultaten i den publicerade artieln (Nielsen et al., 2010) för alternativ III ovan, och den ensilda ons värden på de olia parametrarna i funtionen enligt Wilmin (1987) enligt följande: 0.05t 2 Y = a + b t + c e + d t + e t t
där Y t = förväntad mjölmängd enl. metod = III, t=latationsdag, a, b, c och d är ensilda ors parametrar för latationsurvans form, och feltermen e t antas normalfördelad 2 2 med medelvärdet 0 och variansen, =III. Effeten d t utgår ur modellen från och med andra latationen. τ De hälsostörningar som studerats i detta projet är linis mastit, rörelsestörningar och foderleda. I materialet fanns 131, 121, och 50 tillfällen då ett nytt fall av mastit, rörelsestörning resp. foderleda observerats i djurgruppen. För alla latationsdagar då hälsostörning inte observerats har orna betratats som frisa med avseende på de studerade störningarna. Eftersom brunst ofta medför beteendeförändringar hos en o, har även effeten av brunst studerats i projetet. Den ev. förändringen av dygnsavastningen i samband med brunst har visat sig ligga inom den normala variationen för förväntad avastning och därmed inte påverat analysen. Resultat Modellens änslighet är testad mot hela materialet för att fastställa frevensen falslarm, dvs. antalet larm som modellen utlöser för frisa djuren. Utifrån de ända fallen av hälsostörning har andelen sanna och falsa larm beränats. Hälsostörningen har noterats av stallpersonalen, och noteringen har sett dag 0. I de följande figurerna redovisas andelen sanna och falsa larm för 1-7 dagar före dag 0. I figurerna är antalet larm visade med heldragna linjer resp. risen för falslarm för de olia vantilerna (5, 10, 15,20 och 25 %) visade med strecade linjer. Risen för falslarm är beränad som antalet falsa larm delat med det totala antalet observationer (84709 latationsdagar). Tabell 1: Risen för falslarm för resp. vantil. Totalt 25 % 20 % 15 % 10 % 5 % 84709 31358 28031 24555 20778 16374 Ris för falslarm 37,0% 33,1% 29,0% 24,5% 19,3% Klinis mastit Andelen sanna och falsa larm för diagnosen mastit vid en viss latationsdag och sillnaden mellan denna och föregående dags mjölprodution (lag1), mjölprodutionen för två dagar sedan (lag2) eller mjölprodutionen för tre dagar sedan (lag3) för predition är visat i figur 2. Utifrån dessa resultat, baserat på Kungsängenmaterialet, an vi beräna andelen sanna och falsa larm. Om vi använder lag1-observationen för uträning av preditionen för 5 % vantilen och antar att i en besättning med 100 or och 10 nya tillfällen av mastit per dag (10 %) så får vi 100 or x 0.19 (ris för falslarm) dvs. 19 falsa larm per dag. Därutöver får vi för 100 or x 0.1 (nya tillfällen) x 0.5 (preditionsgrad) dvs. 5 sanna larm per dag. Vi missar 5 sjua or och har samtidigt 24 larm som sa tas i beatning av lantbruaren. Om modellen
hade varit perfet sulle den t.ex. ha gett 5 % falsa larm för 5 % vantilen men ger alltså 19 % falsa larm. Om vi ränar på samma sätt utifrån 25 % vantilen, dvs. vi söer inom ett större variationsområde, så får vi i stället 37 falsa larm per dag för en besättning med 100 or och 7 sanna larm. På detta sätt upptäcer modellen fler sjua djur men ostnaden för detta är att de falsa larmen nästan dubblas. Resultaten för 10, 15 och 20 % vantilen ligger emellan 5 och 25 % vantilen och resultaten ändras inte väsentligt om man använder lag2- eller lag3- observationerna för preditionen. Figur 2: Andel larm vid användning av lag1, lag2 och lag3, 1-7 dagar innan en registrerad linis mastit beränat utifrån 5, 10, 15, 20 och 25 % vantilen. De strecade linjerna anger risen för falslarm för resp. vantil (samma färg). Rörelsestörning Andelen sanna och falsa larm för diagnosen rörelsestörningar vid en viss latationsdag och sillnaden mellan denna och föregående dags mjölprodution (lag1), mjölprodutionen för två dagar sedan (lag2) eller mjölprodutionen för tre dagar sedan (lag3) för predition är visat i figur 3. Om vi igen ser på 5 % vantilen och lag1 så får vi ocså här en andel på 19 % av antalet or som falsa larm varje dag och vi får ett sant larm på 34 % av de sjua, vilet betyder att vi missar 2/3 av de sjua orna. Med 25 % vantilen upptäcer modellen ca 50 %
av de sjua djur men den ger ocså 37 % falsa larm. Resultaten för 10, 15 och 20 % vantilen ligger emellan 5 och 25 % vantilen och resultaten ändras här heller inte väsentligt om man använder lag2 eller lag3 observationerna för preditionen. Figur 3: Andel larm vid användning av lag1, lag2 och lag3, 1-7 dagar innan någon registrerad rörelsestörning beränat utifrån 5, 10, 15, 20 och 25 % vantilen. De strecade linjerna anger risen för falslarm för resp. vantil (samma färg). Foderleda Andelen sanna och falsa larm för diagnosen foderleda vid en viss latationsdag och sillnaden mellan denna och föregående dags mjölprodution (lag1), mjölprodutionen för två dagar sedan (lag2) eller mjölprodutionen för tre dagar sedan (lag3) för predition är visat i figur 4. Om vi åter igen ser på 5 % vantilen och lag1 så får vi ocså här en andel på 19 % av antalet or som falsa larm varje dag men här får vi ett sant larm på 55 % av de sjua, vilet betyder att vi deteterar hälften av de sjua orna. Med 25 % vantilen upptäcer modellen ca 64 % av de sjua djur men den ger ocså 37 % falsa larm. Resultaten för 10, 15 och 20 % vantilen ligger emellan 5 och 25 % vantilen och resultaten ändras här heller inte väsentligt om man använder lag2 eller lag3 observationerna för preditionen förutom 20 och 25 % vantilen för lag2 och lag3 som ger en deteteringsgrad mellan 68 73 %.
Figur 4: Andel larm vid användning av lag1, lag2 och lag3, 1-7 dagar innan någon registrerad foderleda beränat utifrån 5, 10, 15, 20 och 25 % vantilen. De strecade linjerna anger risen för falslarm för resp. vantil (samma färg). Disussion I ett automatist mjölningssystem är det vitigt att ha ett signalsystem avsett att informera bruaren om att det föreligger ris för att ett ensilt djur ommer att bli, eller är sjut, som innehåller så orret information som möjligt. I detta projet har vi studerat om det är möjligt att använda information om avvielser i den ensilda ons normala mjölprodution som indiator för djurens hälsostatus. Systemet måste ha hög säerhet. Av figurerna 2-4 framgår att den använda metoden ger hög frevens falsa larm vad avser linis mastit och rörelsestörningar, samtidigt som andelen larm för verligt sjua är låg. Vad avser foderleda är resultatet något bättre, mer än hälften av de verligt sjua avslöjas och andelen falsa larm är under 20 % när man använder 5 % vantilen. Tyvärr måste alltså onstateras att metoden att beräna förväntad mjölprodution med hjälp av funtionssattning för ensilda or inte verar vara en framomlig väg, åtminstone inte utifrån resultaten i detta projet. I det använda materialet har dag till dag variationen i ensilda ors mjölavastning varit för stor och effeten av en hälsostörning har varit för liten för att medge att en statistis modell an användas med gott resultat. En orsa till detta an vara de sötselrutiner som tillämpades för den atuella djurgruppen. Så fort som
personalen observerade en begynnande mastit med hjälp av befintlig celltalsränare, eller en rörelsestörning ontrollerades on och flyttades i de flesta fall ut ur gruppen. Därmed försvann förändringen i mjölavastning ur tillgängligt datamaterial och vi unde inte verifiera den. För foderleda, däremot erhölls lägre andel falslarm och vi unde återfinna en högre andel avslöjade sjudomsfall. Foderleda är ocså svårare att upptäca vid en oulär besitning av ensilda or i en djurgrupp. Detta tyder på att det sulle vara intressant att utvärdera metoden i en lösdriftsbesättning med mindre strita sötselregler för hantering av hälsostörningar än de som varit fallet i Kungsängens försösbesättning. Slutsats Projetet har visat att en statistis modell baserad på funtionssattning för ensilda ors mjölavastning inte är en framomlig väg för att ge en bruare tidig information om att en o riserar att bli sju. Åtminstone fungerar det inte när datamaterialet är hämtat från en försösbesättning med noggranna instrutioner om hantering av sjua djur och snabb behandling. Vi an därför inte utesluta att om datamaterialet istället hade hämtats från en ommersiell besättning med mindre möjlighet att flytta bort sjua or från gruppen, att en statistis modell av det slag som testats i projetet fatist unnat ge ett annat resultat. Referenser Nielsen, P.P., Pettersson, G., Svennersten-Sjaunja, K.M., Norell, L., 2010. Technical note: Variation in daily mil yield calculations for dairy cows miled in an automatic miling system. J. Dairy Sci. 93, 1069-1073. Wilmin, J.B.M., 1987. Adjustment of test-day mil, fat and protein yield for age, season and stage of lactation. Livest. Prod. Sci. 16, 335-348.