Early and automated detection of BRD disease in young bulls using multiparameters device
Détecter les troubles respiratoires des jeunes bovins automatiquement et précocement à l’aide de capteurs multiparamètres
Résumé
Bovine respiratory disease (BRD) is the major health issue in fattening units. An early therapeutic management strategy is a key factor for the success of the treatment and to reduce the spread of the infectious process (Ferran et al., 2011). The recent development of precision livestock farming offers the possibility to develop new tools to diagnose deceases. BeefSense project aimed to develop an innovative automated early detection system of BRD, involving a multi-sensor approach associated with the development of detection algorithms. Sensors registered data regarding activities (rumination, movement, resting) and ruminal temperature of 104 Charolais young bulls during the first 30 days of fattening. For a d day, the clinical status of a young bull was modeled using a logistic regression based on 160 input variable acquired by sensors. The best set of explanatory variables was chosen by minimizing (1-Se)²+(1-Sp)² where Se is the sensitivity and Sp the specificity of the model. The best prediction algorithm detect BRD one day before the clinical signs occurrence with 74% sensitivity and specificity. The suppression of the intraruminal temperature from input data decrease model performance: 2 % of specificity and 3 % of the sensitivity. The algorithm built in BeefSense does not allow the construction of a decision tool usable by a farmer. However, the results are encouraging regarding the specificity and the earliness of BRD detection. Futures studies should be conducted to assess the economical, sanitary and zootechnical potential of using such algorithm combine with drug treatment strategies of BRD varying with the earliness of the detection
Les bronchopneumonies infectieuses (BPI) constituent le problème sanitaire dominant des ateliers d’engraissement de jeunes bovins (JB). La précocité de la prise en charge est un facteur clé de la réussite du traitement (Ferran et al., 2011) pour limiter l’extension du processus infectieux. Le développement récent des capteurs dans le monde de l’élevage offre la possibilité de développer de nouveaux outils d’aide au diagnostic des maladies. Le projet BeefSense avait pour objectif de construire un algorithme de détection précoce et automatique des BPI à l’aide de données issues d’une combinaison de capteurs embarqués sur les animaux. Les capteurs ont permis d’enregistrer pendant les 30 premiers jours d’engraissement la température ruminale et l’activité de 104 jeunes bovins de race Charolaise (rumination, déplacement, repos). Pour un jour j, le statut clinique d’un animal donné a été modélisé à l’aide d’une régression logistique alimentée par 160 variables d’entrée issues des données des capteurs. La combinaison des variables d’entrée la plus appropriée pour construire l’algorithme a été sélectionnée en minimisant le critère (1-Se)²+(1-Sp)² où Se est la sensibilité du modèle et Sp sa spécificité. Le meilleur modèle de prédiction construit dans le cadre du projet permet de détecter les BPI un jour avant l’apparition des signes cliniques observés
à distance sur l’animal avec une sensibilité de 74 % et une spécificité de 74 %. La suppression des données de température ruminale comme variable d’entrée du modèle diminue la sensibilité de la détection de 2 % et la spécificité de 3 %. L’algorithme construit ne permet pas en l’état la construction d’un outil d’aide à la décision utilisable directement par un éleveur. Toutefois ces résultats sont encourageants en termes de précocité et de performance de détection. De futurs travaux seraient nécessaires pour évaluer l’intérêt économique, sanitaire et zootechnique de l’utilisation de l’algorithme combiné à différentes stratégies de prise en charge médicamenteuse des BPI en fonction de la précocité de la détection