Predicting Disease in Transition Dairy Cattle Based on Behaviors Measured Before Calving
Notice bibliographique
Résumé
Dairy cattle are particularly susceptible to metritis, hyperketonemia (HYK), and mastitis in the weeks after calving. These high-prevalence transition diseases adversely affect animal welfare, milk production, and profitability. Our aim was to use prepartum behavior to predict which cows have an increased risk of developing these conditions after calving. The behavior of 213 multiparous and 105 primiparous Holsteins was recorded for approximately three weeks before calving by an electronic feeding system. Cows were also monitored for signs of metritis, HYK, and mastitis in the weeks after calving. The data were split using a stratified random method: we used 70% of our data (hereafter referred to as the "training" dataset) to develop the model and the remaining 30% of data (i.e., the "test" dataset) to assess the model's predictive ability. Separate models were developed for primiparous and multiparous animals. The area under the receiver operating characteristic (ROC) curve using the test dataset for multiparous cows was 0.83, sensitivity and specificity were 73% and 80%, positive predictive value (PPV) was 73%, and negative predictive value (NPV) was 80%. The area under the ROC curve using the test dataset for primiparous cows was 0.86, sensitivity and specificity were 71% and 84%, PPV was 77%, and NPV was 80%. We conclude that prepartum behavior can be used to predict cows at risk of metritis, HYK, and mastitis after calving.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».