Improved detection of mastitis in dairy cows
- Reference number
- ID15-0024
- Start and end dates
- 160101-210531
- Amount granted
- 2 500 000 SEK
- Administrative organization
- Swedish University of Agricultural Sciences
- Research area
- Life Science Technology
Summary
The main objective of the proposed research is to develop improved prediction methods of mastitis in dairy cows. This will be achieved by combining state-of-the-art mathematical / statistical methods with access to large amounts of online data. Specific goals are to perform data mining and imputation of missing data for optimal use of the large online data bases generated in automatic milking systems, and to develop algorithms to analyze the multivariate data for optimized diagnosis of mastitis cases. Data mining and imputation will be applied because all variables that can be used for diagnosis are not necessarily measured on all individuals and at all times, thus creating lots of missing data. Advanced statistical methods, such as dynamic linear models, will be applied because mastitis is a latent variable that cannot be measured directly and because the data is multivariate and highly collinear both in time and space. We expect that the results of the proposed research will significantly improve the possibilities for early detection of mastitis cases in dairy cows and thus increase the chances for preventive actions and consequently reduce the costs and potential antimicrobial resistance associated with mastitis.
Popular science description
Juverinflammation (mastit) är en sjukdom som drabbar många mjölkkor i hela världen. Sjukdomen kan vara smärtsam för kon, orsakar förluster för lantbrukaren i form av minskad mjölkproduktion och ökade kostnader, samt ökar risken för att antibiotikaresistens utvecklas då mastit är den vanligaste orsaken till att antibiotika används till mjölkkor. Att tidigt upptäcka kor som håller på att utveckla mastit är därför gynnsamt. Detta görs vanligtvis i samband med mjölkning då kon och dess mjölk inspekteras av mjölkaren, men många moderna mjölkstallar installerar automatiska mjölkningssystem (AMS) där kon ”mjölkar sig” när hon vill och utan att någon mjölkare behöver vara närvarande vilket minskar tillfällena för inspektion. Ett AMS registrerar dock i regel en stor mängd information som kan användas till att identifiera kor med mastit. De data som då skapas är dock komplexa, dels eftersom de skapas i mycket stora volymer och dels eftersom variablerna (mätvärdena) samvarierar i stor utsträckning, och de metoder som hittills använts för att identifiera kor med mastit har inte tagit full hänsyn till komplexiteten. Detta forskningsprojekt syftar därför till att förbättra metoderna för att förutsäga mastit hos mjölkkor. Detta kommer dels att uppnås genom att använda ”data mining” och imputation för att bättre utnyttja all det data som skapas. Dessa metoder behöver vi använda eftersom det inte är säkert att alla variabler eller alla individer i en besättning registreras hela tiden, vilket leder till att många datapunkter saknar värden och därmed till förluster av användbar data. Målet uppnås även genom att använda avancerade matematiska/statistiska metoder för att optimera identifieringen av kor med mastit. Sådana metoder behöver vi använda dels eftersom mastit egentligen inte går att mäta direkt utan bara skattas indirekt och dels eftersom mätpunkterna samvarierar, dvs. vet man värdet på variabel a och b så kan man rätt säkert gissa sig till värdet på variabel c och d, vilket enbart avancerad statistisk metodik kan ta hänsyn till men som är helt nödvändigt för att få en säker uppfattning. Vi förväntar oss att resultatet av den föreslagna forskningen kommer att väsentligt förbättra möjligheten att tidigt upptäcka mastit hos mjölkkor och därigenom öka chanserna att motverka sjukdomen och då minska de kostnader och risker för antibiotikaresistens som hör samman med mastit.