شناسایی زودهنگام ذات‌الریه گوساله‌ها با کمک گوشواره‌های هوشمند و یادگیری ماشین

بیماری تنفسی گاوها (BRD) همچنان یکی از جدی‌ترین مشکلات سلامت دام‌های جوان در سراسر جهان است. برآورد می‌شود ۳۰ تا ۴۰ درصد گوساله‌ها در بریتانیا و حدود ۳۰ درصد آن‌ها در ایالات متحده به این بیماری مبتلا شوند. اکنون گروهی پژوهشی به سرپرستی یوهانا ام. سی. برانس از کالج روستایی اسکاتلند نشان داده‌اند که ترکیب داده‌های چند فناوری مورد استفاده در مزارع با یادگیری ماشین می‌تواند این بیماری را در گوساله‌های نژاد شیری پیش از از شیر گرفتن، با دقتی نزدیک به ۷۰ درصد شناسایی کند؛ آن هم بدون نیاز به معاینات روزانه و وقت‌گیر سلامت دام که کشاورزان در حال حاضر به آن متکی هستند. این پژوهش که در مجله Frontiers in Animal Science منتشر شده است، تصویری از ظرفیت دامداری دقیق برای متحول کردن مدیریت سلامت گوساله‌ها ارائه می‌دهد.

هزینه‌های اقتصادی این بیماری قابل‌توجه است. در بریتانیا، هزینه بیماری تنفسی گاوها برای هر دام مبتلا حدود ۳۰ تا ۸۰ پوند برآورد می‌شود و آسیب ماندگار به ریه‌های تلیسه‌های شیری می‌تواند زیانی تا سقف ۷۲۲ پوند برای هر مورد به همراه داشته باشد. پژوهشگران آمریکایی هزینه‌های کوتاه‌مدت این بیماری را برای هر گوساله حدود ۴۱٫۵۴ تا ۴۲٫۱۵ دلار محاسبه کرده‌اند؛ در حالی که مطالعات استرالیایی از زیان‌هایی بین ۶۷٫۱۰ تا ۳۸۴٫۹۷ دلار استرالیا خبر داده‌اند. پیامدهای بیماری به هزینه‌های فوری محدود نمی‌شود؛ این عارضه می‌تواند عملکرد دام را در بلندمدت نیز مختل کند و بهره‌وری مصرف خوراک، سرعت رشد، تولیدمثل، کیفیت لاشه و حتی میزان تولید شیر در آینده را کاهش دهد.

تشخیص بیماری تنفسی گاوها دشوار است؛ زیرا عوامل بیماری‌زای مختلفی می‌توانند باعث بروز آن شوند و نشانه‌های بیماری نیز در دام‌های مختلف یکسان نیست. همچنین، آزمایش واحد و استانداردی برای تشخیص آن وجود ندارد. یکی از رایج‌ترین روش‌های ارزیابی در مزارع، امتیازدهی ویسکانسین است که بر اساس دمای مقعدی، ترشحات بینی و چشم، سرفه و افتادگی گوش به دام امتیاز می‌دهد. با این حال، بررسی روزانه تک‌تک گوساله‌ها وقت‌گیر است و در گله‌های بزرگ به‌سختی می‌توان آن را اجرا کرد. افزون بر این، این روش فقط وضعیت دام را در یک لحظه نشان می‌دهد. پژوهش‌ها حاکی از آن‌اند که حساسیت این روش حدود ۳۰ درصد است، هرچند ویژگی آن نزدیک به ۹۰ درصد گزارش شده است. سونوگرافی ریه دقت بیشتری دارد، اما به افراد آموزش‌دیده و ارزیابی‌های مکرر نیازمند است و در نتیجه هزینه و پیچیدگی کار را افزایش می‌دهد.

برای رفع این محدودیت‌ها، گروه پژوهشی اسکاتلندی از اوت ۲۰۲۰ تا مارس ۲۰۲۱، وضعیت ۱۱۸ گوساله دورگه را در مزرعه کریکتون رویال وابسته به مؤسسه SRUC زیر نظر گرفت. در نهایت، داده‌های ۱۰۰ گوساله وارد تحلیل شدند. گوساله‌ها در حدود ۹ روزگی وارد مطالعه شدند و تقریباً در ۵۴ روزگی از شیر گرفته شدند. هر دام یک گوشواره مدیریتی ویژه گوساله به نام WellCalf ساخت شرکت Smartbell دریافت کرد. این ابزار که به‌تازگی توسعه یافته بود، به شتاب‌سنج سه‌محوره، ژیروسکوپ سه‌محوره و حسگر دمای فروسرخ مجهز بود و ۸۶ متغیر تولید می‌کرد. گوساله‌ها همچنین در پای عقب چپ خود گام‌شمارهای IceQube داشتند که روزانه پنج شاخص حرکتی، از جمله مدت ایستادن و دراز کشیدن، تعداد گام‌ها و شاخص حرکت را ثبت می‌کردند.

پژوهشگران دو جریان داده دیگر را نیز به این مجموعه افزودند. سامانه تغذیه خودکار شیر ساخت شرکت BioControl زمان، مدت و حجم هر بار مراجعه دام برای دریافت شیر و آب را ثبت می‌کرد و از این طریق ۲۸ متغیر مرتبط با تغذیه، از جمله میزان مصرف و سرعت نوشیدن، به دست می‌آمد. هم‌زمان، اندازه‌گیری‌های روزانه یک ایستگاه هواشناسی ۲۴ متغیر دیگر، از جمله دما، رطوبت و عوامل محیطی مرتبط را فراهم می‌کرد. پس از پاک‌سازی داده‌ها و حذف متغیرهایی که همبستگی بالایی با یکدیگر داشتند، مجموعه داده نهایی شامل ۱۵۲ متغیر بود که پژوهشگران تعداد آن‌ها را برای مدل‌سازی به ۱۰۰ متغیر کاهش دادند. در مجموع، تحلیل ۲۲۳ رویداد بیماری و ۲۲۳ رویداد سلامت را در میان ۹۸ گوساله دربر گرفت؛ دو گوساله نیز در تمام مدت مطالعه سالم ماندند.

گروه پژوهشی با استفاده از الگوریتم جنگل تصادفی، روشی از یادگیری ماشین نظارت‌شده که نتایج تعداد زیادی درخت تصمیم را با هم ترکیب می‌کند، ۴۰ مدل مختلف ساخت. در این مدل‌ها، گروه‌های متفاوتی از متغیرها با یکدیگر ترکیب شدند. ساده‌ترین مدل‌ها تنها از اطلاعات دام، مانند جنس، نژاد و وزن هنگام تولد، استفاده می‌کردند؛ در حالی که جامع‌ترین مدل‌ها داده‌های روزانه هر چهار فناوری را با هم ترکیب می‌کردند و ۲۹ متغیر داشتند. پژوهشگران همچنین مدل‌های گذشته‌نگری ساختند که مقادیر ثبت‌شده در یک، دو یا سه روز پیشین را میانگین می‌گرفتند تا مشخص شود آیا بررسی رفتار دام در بازه زمانی طولانی‌تر، پیش‌بینی بیماری را بهبود می‌دهد یا خیر. ابرپارامترها با روش جست‌وجوی تصادفی تنظیم شدند و هر مدل پیش از ارزیابی با داده‌های نامتوازن، با استفاده از اعتبارسنجی متقابل پنج‌بخشی بررسی شد.

عملکرد تمام مدل‌ها با امتیازهای روزانه ویسکانسین مقایسه شد که کارشناسان آموزش‌دیده مزرعه ثبت کرده بودند. میزان توافق میان ارزیابان نیز با ضریب کاپای فلیس برابر با ۰٫۷۸ تأیید شد. اگر امتیاز کلی یک گوساله دست‌کم ۵ بود و دمای بدن آن از ۳۹٫۴ درجه سانتی‌گراد بیشتر می‌شد، دام بیمار طبقه‌بندی می‌شد. از آنجا که مدل‌ها با داده‌های متوازن‌شده و با استفاده از روش SMOTEENN آموزش دیده بودند، پژوهشگران عملکرد آن‌ها را با دو معیار کاربردی دیگر نیز سنجیدند. این روش با افزایش نمونه‌های مربوط به گروه اقلیت، یعنی دام‌های بیمار، و حذف نقاط داده‌ای پرنویز، داده‌ها را متوازن می‌کند. دو معیار مورد بررسی عبارت بودند از دقت هشدارهای صادرشده از سوی مدل و دقت شناسایی کامل رویدادهای بیماری.

نتایج چند نکته مهم درباره موازنه میان معیارهای عملکرد نشان داد. بهترین توازن کلی به مدلی رسید که تنها از داده‌های دستگاه تغذیه خودکار استفاده می‌کرد و مقادیر روز پیشین را میانگین می‌گرفت. این مدل که Bm1 نام داشت، دقت هشدارهای ۵۶٫۰ درصدی و دقت تشخیص بیماری ۶۹٫۱ درصدی به دست آورد و از نظر تعداد نتایج مثبت و منفی صحیح نیز در میان مدل‌های برتر قرار گرفت. بالاترین دقت هشدار، برابر با ۶۷٫۵ درصد، متعلق به مدل FTIEB بود که تمام داده‌های روزانه حاصل از هر چهار فناوری را با هم ترکیب می‌کرد. در مقابل، بیشترین دقت تشخیص بیماری، یعنی ۶۹٫۹ درصد، در مدل Bm2 به دست آمد که داده‌های دستگاه تغذیه را در دو روز پیشین میانگین می‌گرفت. نکته قابل‌توجه این بود که ترکیب چند فناوری همیشه تشخیص بیماری را در مقایسه با مدل‌های متکی بر یک منبع داده بهبود نمی‌داد، اما به‌طور پیوسته دقت هشدارها را افزایش می‌داد.

این یافته‌ها با شواهد فزاینده‌ای هم‌خوانی دارند که نشان می‌دهند رفتار گوساله‌های بیمار پیش از آشکار شدن نشانه‌های بالینی تغییر می‌کند. مطالعات پیشین نشان داده‌اند که گوساله‌های مبتلا به بیماری تنفسی گاوها در روزهای نزدیک به تشخیص، فعالیت کمتری دارند، مدت بیشتری دراز می‌کشند و شیر کمتری مصرف می‌کنند. برخی روش‌های یادگیری ماشین نیز توانسته‌اند بیماری را تا شش روز پیش از تشخیص رسمی پیش‌بینی کنند. گروه اسکاتلندی مشاهده کرد که مدل‌های مبتنی بر داده‌های روزهای گذشته لزوماً در معیارهای استاندارد ارزیابی بهترین عملکرد را ندارند؛ با این حال، هنگام استفاده در سامانه هشدار، در میان مدل‌های برتر قرار می‌گیرند. این نتیجه نشان می‌دهد که میانگین‌گیری از داده‌های رفتاری در چند روز می‌تواند ارزش عملی بیشتری برای دامداران داشته باشد.

نویسندگان تأکید می‌کنند که این مطالعه محدودیت‌هایی دارد؛ از جمله تعداد نسبتاً کم دام‌ها، وجود داده‌های ناقص و پایین‌تر بودن ویژگی امتیاز ویسکانسین در مقایسه با ابزارهای تشخیصی مانند سونوگرافی ریه. افزون بر این، گوساله‌ها در یک محیط واحد نگهداری می‌شدند و بخش بزرگی از داده‌ها به دام‌های نژاد هلشتاین اختصاص داشت؛ عواملی که ممکن است تعمیم‌پذیری نتایج را محدود کنند. با وجود این محدودیت‌ها، پژوهشگران معتقدند روش آن‌ها نشان می‌دهد که می‌توان بیماری تنفسی گاوها را در مراحل اولیه و بدون امتیازدهی دستی روزانه شناسایی کرد؛ رویکردی که نیاز به نیروی کار را کاهش می‌دهد و ارزیابی سلامت دام را عینی‌تر می‌کند. آن‌ها پیشنهاد می‌کنند این روش با استفاده از داده‌های مستقل مزارع تجاری بیشتر بررسی شود. به گفته پژوهشگران، سامانه‌های هشدار زودهنگام و قابل‌اعتماد می‌توانند به هدفمندتر شدن درمان‌های دامپزشکی، محدود شدن گسترش بیماری و کاهش مقاومت ضدمیکروبی از طریق جلوگیری از درمان‌های غیرضروری کمک کنند.

موضوع پژوهش: شناسایی بیماری تنفسی گاوها در گوساله‌های شیری پیش از از شیر گرفتن با استفاده از یادگیری ماشین و داده‌های یکپارچه حسگرها.

عنوان مقاله: داده‌های یکپارچه حاصل از فناوری‌های مختلف، در ترکیب با یادگیری ماشین، می‌توانند بیماری تنفسی گاوها را در گوساله‌های شیری پیش از از شیر گرفتن شناسایی کنند.

مشخصات منبع پژوهش: Brans, J. M. C., Miller, G. A., Chitty, J., Mason, C., Adityan, V., Haskell, M. J., & Duthie, C.-A. (2026). Integrated data from different technologies coupled with machine learning can detect bovine respiratory disease in pre-weaned dairy-bred calves. Frontiers in Animal Science, 7, Article 1957311. https://doi.org/10.3389/fanim.2026.1957311

شناسه دیجیتال مقاله (DOI): 10.3389/fanim.2026.1957311

کلیدواژه‌ها: بیماری تنفسی گاوها، گوساله‌های شیری، یادگیری ماشین، جنگل تصادفی، دامداری دقیق، حسگرهای گوشواره‌ای، دستگاه تغذیه خودکار شیر، گام‌شمار، امتیاز سلامت ویسکانسین، تشخیص زودهنگام بیماری، رفاه حیوانات، فناوری دامداری.