Video Experimental Relacionado
Updated: Jul 10, 2026

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
Modelado predictivo de moretones en pollos de engorde utilizando algoritmos de aprendizaje automático
Pranee Pirompud1, Panneepa Sivapirunthep2, Veerasak Punyapornwithaya3
1Doctoral Program in Innovative Tropical Agriculture, Department of Agricultural Education, Faculty of Industrial Education and Technology, King Mongkut's Institute of Technology Ladkrabang, Bangkok 10520, Thailand.
Los modelos de aprendizaje automático pueden predecir moretones en pollos de engorde. El algoritmo Extreme Gradient Boosting (XGB) mostró el mejor rendimiento en la identificación de rebaños con alto riesgo de moretones, ayudando al bienestar y a los resultados económicos.
Área de la Ciencia:
- Ciencias de los animales
- Ingeniería agrícola
- Ciencia de los datos
Sus antecedentes:
- Los moretones en los pollos de engorde son un problema importante en la producción avícola, que tiene un impacto negativo en el bienestar de los animales y en los rendimientos económicos.
- El estrés físico y las lesiones durante la cría, la captura, el transporte y el sacrificio contribuyen a los moretones de las canales.
Objetivo del estudio:
- Clasificar el riesgo de contusiones de los pollos de engorde (bajo o alto porcentaje de contusiones de las canales) por carga de camión.
- Comparar el rendimiento predictivo de seis modelos de aprendizaje automático para la detección temprana de hematomas.
- Proporcionar herramientas para la toma de decisiones para mejorar el seguimiento del bienestar y reducir las pérdidas económicas.
Principales métodos:
- Se evaluaron seis modelos de aprendizaje automático: LASSO, CT, RF, NB, SVM y XGB.
- Utilizó un conjunto de datos de 26.031 camiones con 14 predictores desde las fases de cría hasta el sacrificio.
- Modelos entrenados sin volver a muestrear debido a la distribución natural de altos porcentajes de contusiones (41,4% de las cargas de camiones).
Principales resultados:
- El algoritmo Extreme Gradient Boosting (XGB) demostró un rendimiento predictivo superior en comparación con los otros cinco modelos.
- Los factores predictivos clave para los moretones incluyen el peso corporal medio, la duración del transporte, la densidad de población (en el alojamiento y en la caja), la distancia de transporte, las tasas de mortalidad/abate, el tiempo de retiro del alimento y la duración de la jaula.
- La precisión predictiva general fue moderada, posiblemente debido a la falta de variables críticas.
Conclusiones:
- El aprendizaje automático, en particular XGB, es una herramienta valiosa para la identificación temprana de las manadas de pollos de engorde susceptibles a moretones.
- Las intervenciones de gestión específicas centradas en la salud de las aves, la densidad de población, la retirada de alimentos y la duración de la vida útil pueden mitigar eficazmente los moretones.
- La aplicación de estas estrategias puede mejorar significativamente el bienestar animal y la eficiencia operativa en la producción comercial de pollos de engorde.
Más Videos Relacionados
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025