Predição da cura da mastite clínica usando machine learning

• Processo: 23/00286-3
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado
• Data de Início da vigência: 01 de setembro de 2023
• Data de Término da vigência: 31 de agosto de 2024
• Área de conhecimento: Ciências Agrárias - Medicina Veterinária
• Pesquisador responsável: Marcos Veiga dos Santos
• Beneficiário: Breno Luis Nery Garcia
• Supervisor: Diego Borin Nobrega
• Instituição Sede: Faculdade de Medicina Veterinária e Zootecnia (FMVZ). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Instituição Anfitriã: University of Calgary, Canadá
• Vinculado à bolsa: 21/09134-6 - Uso de teste rápido na fazenda para decisão de tratamento da mastite clínica e uso da cultura microbiológica como critério de seleção da terapia seletiva de vacas secas, BP.DR
• Assunto(s): Qualidade do leite Bovinos Mastite bovina Tratamento de doenças Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: bovinos | machine learning | Mastite clínica | Tratamento | Qualidade do leite

Resumo

O aumento da resistência aos antimicrobianos (RAM) é uma preocupação mundial, e tem sido associado ao uso excessivo de antimicrobianos na produção animal. Em bovinos leiteiros, a mastite clínica (MC) é o principal motivo para o uso de antimicrobianos. Assim, as práticas de tratamento antimicrobiano na produção de gado leiteiro necessariamente considerarão a terapia do MC. A capacidade de prever o risco de cura clínica e bacteriológica afetará significativamente a seleção de protocolos de tratamento para MC, o que pode levar à redução do uso de antimicrobianos nas fazendas. Esta proposta visa testar e avaliar a capacidade de algoritmos de machine learning (ML) para estimar o risco de cura clínica e bacteriológica de vacas com mastite leve ou moderada, tratadas com antimicrobianos. Serão utilizados dados retrospectivos de aproximadamente 13.000 casos de MC de 2.200 rebanhos leiteiros brasileiros. De cada caso de MC, serão obtidas e incluídas no modelo informações detalhadas sobre a cura clínica observada pelo produtor, tratamento intramamário e agente causador. Além disso, testaremos um conjunto de variáveis em nível de vaca para determinar sua importância e impacto no desempenho do modelo. Serão testados os seguintes algoritmos: stochastic gradient descent, decision trees, support vector machine, random forests e artificial neural networks. A acurácia será mensurada usando cross-validation e curvas receiver operating characteristic (ROC). Os dados serão divididos aleatoriamente em conjuntos de treinamento e teste, e a cross-validation será realizada para o desenvolvimento do modelo. Para cada algoritmo, descreveremos a sensibilidade, especificidade e valores preditivos. Após a seleção dos modelos finais, testaremos o desempenho do algoritmo para prever o risco de cura em outro banco de dados, no qual dados de cura bacteriológica estejam disponíveis. O banco de dados será composto por dados de 400 casos de MC avaliados para cura bacteriológica pós-tratamento (14±3 e 21±3 dias após o tratamento). Os resultados obtidos auxiliarão na tomada de decisões sobre o uso de antimicrobianas nas fazendas e promoverão o uso criterioso de antimicrobianos. (AU)