Aprendizaje automático para la detección de mastitis subclínica: Un enfoque bayesiano que incorpora propiedades de...

Área de la Ciencia:

• Epidemiología veterinaria y epidemiología veterinaria.
• Aprendizaje automático Aprendizaje automático.
• Ciencias Lácteas Ciencias Lácteas

Sus antecedentes:

• Los sistemas automáticos de ordeño (AMS) generan una gran cantidad de datos valiosos para la gestión de la salud de las manadas lecheras.
• La detección temprana de la mastitis subclínica (SCM) es crucial para mantener la salud y la productividad de la ubre.
• Los indicadores de diagnóstico existentes para SCM se pueden mejorar utilizando técnicas analíticas avanzadas.

Objetivo del estudio:

• Desarrollar y evaluar nuevos modelos personalizados de aprendizaje automático (ML) para predecir SCM utilizando datos AMS.
• Integrar las propiedades de las pruebas de diagnóstico (sensibilidad y especificidad) en el entrenamiento del modelo ML para mejorar la precisión.
• Para evaluar el rendimiento del modelo utilizando una función personalizada de log-probabilidad (CLL) que tiene en cuenta la incertidumbre del objetivo de predicción.

Principales métodos:

• Utilizó datos de AMS para la predicción de SCM.
• El estado de infección modelado como una variable latente derivada del cultivo bacteriológico (BC) y los resultados de la reacción en cadena de la polimerasa (PCR).
• Desarrolló modelos personalizados de ML que incorporan el conocimiento previo de la sensibilidad y especificidad de la prueba de diagnóstico.
• Evalúa el rendimiento del modelo utilizando una función personalizada de log-probabilidad (CLL) y lo compara con las métricas tradicionales en datos simulados y reales.

Principales resultados:

• Los modelos personalizados de ML lograron las puntuaciones más altas de CLL en datos AMS del mundo real.
• Los modelos demostraron una calibración significativamente mejor en los datos simulados en comparación con los enfoques tradicionales.
• Todos los modelos evaluados mostraron un área casi perfecta debajo de la curva (AUC) en datos simulados.
• La incorporación de la sensibilidad y la especificidad de la prueba directamente en la función de probabilidad mejoró la fiabilidad de ML con variables objetivo imperfectas.

Conclusiones:

• Los modelos de ML personalizados desarrollados muestran una promesa significativa para una predicción SCM robusta a partir de datos AMS.
• El enfoque mejora las propiedades de las pruebas de diagnóstico para la detección de SCM en rebaños lecheros.
• El marco es adaptable para predecir otros resultados epidemiológicos veterinarios con datos medidos imperfectamente.