Förbättrad detektion av mastit hos mjölkkor
- Diarienummer
- ID15-0024
- Start- och slutdatum
- 160101-210531
- Beviljat belopp
- 2 500 000 kr
- Förvaltande organisation
- Swedish University of Agricultural Sciences
- Forskningsområde
- Bioteknik, medicinsk teknik och teknik för livsvetenskaperna
Summary
Det huvudsakliga målet med den föreslagna forskningen är att utveckla bättre metoder för att förutsäga mastit hos mjölkkor. Detta kommer att göras genom att kombinera högteknologiskt matematiska/statistiska metoder med tillgång till stora mängder online data. Specifika mål är att öka användbarheten av de stora databaser med online information som genereras i automatiska mjölkningssystem genom att använda ”data mining” och imputation, samt att optimera mastitdiagnosen genom att utveckla förbättrade algoritmer. Data mining och imputation kommer att användas eftersom inte alla variabler mäts på alla individer och inte alltid hela tiden, vilket ger upphov till stora mängder saknade datapunkter. Avancerade statistiska metoder, som exempelvis ”dynamic linear models”, kommer att användas eftersom mastit är en latent variabel som inte kan mätas direkt och eftersom datapunkterna är multivariata och starkt korrelerade i både tid och rum. 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.
Populärvetenskaplig beskrivning
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.