Prediction of health disorders in dairy cows monitored with collar based on Binary logistic analysis
Notice bibliographique
Résumé
ABSTRACT The objective of this study was to analyze data on physical activity and rumination time monitored via collars at the farm coupled with milk yield recorded by the rotary milking system to predict cows based on several disorders using the binary Logistic regression conducted with R software. Data for metritis (n=60), mastitis (n=98), lameness (n=35), and digestive disorders (n=52) were collected from 1,618 healthy cows used to construct the prediction model. To verify the feasibility and adaptability of the proposed method, we analyzed data of cows in the same herd (herd 1) not used to construct the model, and cows in another herd (herd 2) with data recorded by the same type of automated system, and led to detection of 75.0%, 64.2%, 74.2%, and 76.9% animals in herd 1 correctly predicted to suffer from metritis, mastitis, lameness, and digestive disorders, respectively. For cows in herd 2, 66.6%, 58.8%, 80.7%, and 71.4% were correctly predicted for metritis, mastitis, lameness, and digestive disorders, respectively. Compared with traditional clinical diagnoses by farm personnel, the algorithm developed allowed for earlier prediction of cows with a disorder.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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) | 0,008 | 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 ».