Predicting Equine Health Outcomes Using Machine Learning Models Trained on Clinical Indicators and Limited Behavioral Data
Notice bibliographique
Résumé
The capacity to perceive and anticipate the health status of horses is a critical aspect of equine veterinary care. Recent studies have shown that machine learning algorithms can accurately diagnose and classify animal diseases based on physiological signs. Using properties like heart rate, temperature, and other clinical parameters, the study offers a classification model developed from a publicly available dataset of more than 2,000 equine health records to predict health outcomes. Among the algorithms tested, including k-Nearest Neighbors (KNN), Decision Tree, and Light Gradient Boosting Machine (LightGBM), LightGBM achieved the highest validation accuracy at approximately 76%. Exploratory data analysis was conducted to visualize feature distributions and identify correlations, followed by preprocessing steps such as handling missing values and encoding categorical variables. The model was trained using five-fold cross-validation and fine-tuned for optimal performance. Among the factors contributing to the success of LightGBM were its ability to handle categorical features and its leaf-wise tree growth strategy, which improved learning efficiency on a moderately sized dataset. In addition to structured data, limited behavioral descriptors were incorporated using a language model to provide additional context regarding stress and discomfort. While these features had a smaller role, they created new opportunities for interpreting subtle health cues not included in clinical data alone. This study demonstrates the potential for predictive modeling to assist veterinarians in early diagnosis and treatment planning. Future work may focus on expanding the dataset and implementing more detailed behavioral and physiological data to improve model generalization.
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 | 0,010 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,008 |
| Intégrité de la recherche | 0,001 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».