Decision tree analysis to evaluate risks associated with lameness on dairy farms with automated milking systems
Notice bibliographique
Résumé
Lameness is an endemic disorder causing health problems and production losses in the dairy cow industry. The objective of this study was to identify cow and farm-level factors associated with lameness on Automatic Milking System (AMS) farms, using decision tree analysis to assign probabilities to each input. AMS farms across Canada and Michigan were evaluated to identify the most substantial farm (i.e., stall design, bedding) and cow-level (i.e., BCS, leg injuries) factors associated with prevalence of lameness. To assess lameness, videos of cows were used, and cows with a head bob or noticeable limp were categorized as lame. A decision tree classification model used 1378 data points from 39 pens across 36 farms to predict the value of the target class through “tree function” in MATLAB. The primary classifier was identified as type of stall base, dividing the data set into 3 categories: 1) rubber, sand, or geotextile mat flooring, 2) concrete base, and 3) other types of stall base. Within the first category (class membership (CM) = 976), bedding quantity was the secondary classifier, which was divided by cows standing on ≥2 cm (CM=456) or <2 cm (CM=520) of bedding. Bedding quantity was divided into the third most important classifier of BCS, and cow fit stall width. Cows with BCS of 3.25 to 4.5 (CM=307) were defined as non-lame with an estimated probability (EP) of 0.59, while cows with BCS of 2 to 2.5 (CM=213) were further split by hock lesion incidence. Cows without lesions were defined non-lame (EP=0.93) and cows with lesions were defined lame (EP=0.07). Cows that fit stall width were defined as non-lame (EP=0.66) and cows that did not fit were further divided by the width of the feed alley. Farms with ≥430 cm feed alley were defined as non-lame (EP=0.89), whereas farms with <430 cm feed alley were defined as lame (EP=0.11). Through implementing a novel multifactorial approach of data analysis, we were able to highlight the critical points that can be focused on to enhance farm-level housing and management practices or mitigate or monitor cow-level issues to reduce incidence and severity of lameness in AMS farms.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».