使用机器学习和预测性人工智能来确定单独通风的子中的老鼠子更换频率,并提高vivarium的运行效率

科学领域:

• 实验室动物科学 动物科学
• 动物福利技术动物福利技术
• 研究中的人工智能.

背景情况:

• 标准鼠标换频率 (2周) 取决于主观视觉评估,往往需要过早改变.
• 目前的方法缺乏客观指标,导致研究设施的潜在低效率和资源浪费.

研究的目的:

• 验证数字监控技术,以客观地确定鼠标变更的必要性.
• 评估延长子更换时间表对动物健康和环境参数的影响.

主要方法:

• 开发和培训一种机器学习/人工智能算法,将人类观察与数字床位状态指数 (BSI) 相关联.
• 在不同的老鼠菌株,年龄,性别和子密度中验证算法.
• 将延长子更换间隔与标准实践进行比较,并评估关键福利和环境指标.

主要成果:

• 数字监控系统在识别较高密度 (5只动物/子) 的污染子时实现了>90%的准确性.
• 平均子更换间隔延长至3-6周,比标准的2周长得多,对单独养的小鼠 (76%) 的准确性降低.
• 延长间隔并没有对内氨/CO2水平,小鼠生长率或昼夜节律产生负面影响,导致变化减少了65-70%.

结论:

• 床铺状况指数 (BSI) 提供了对鼠标变化的客观标记,使数据驱动的决策成为可能.
• 数字监控技术通过减少子更换,劳动力和资源消耗,显著提高了运营效率.
• 这项技术通过优化环境条件和减少处理压力,支持改善动物福利.