Un nuovo sistema per il monitoraggio della fertilità online basato sul progesterone del latte

//Un nuovo sistema per il monitoraggio della fertilità online basato sul progesterone del latte

Un nuovo sistema per il monitoraggio della fertilità online basato sul progesterone del latte

INTRODUZIONE

Una corretta identificazione dello stato di fertilità di una vacca è importante per ottimizzarne ulteriormente le prestazioni riproduttive e di conseguenza migliorare la redditività dell’allevamento (Inchaisri 54 et al. 2010). Al fine di minimizzare le perdite correlate alla fertilità, è essenziale ottenere una panoramica completa dello stato riproduttivo della vacca il più velocemente e precisamente possibile. Ciò dovrebbe includere informazioni sull’inizio della ciclicità e dell’estro, sulle inseminazioni che sono andate a buon fine, sulla gravidanza, sulla perdita embrionale e sulle anomalie ovariche eventualmente insorte, causando problemi di fertilità (Friggens e 58 Coari, 2005; Walsh et al. 2011). Oggi, i sistemi basati sui sintomi dell’estro esterni, non riescono a rilevare estri silenti, né sono idonei ad identificare altri eventi di fertilità come gravidanza o assenza di ciclo. Ciò conferma la necessità di un sistema che combini la rilevazione del calore (silente) con il rilevamento della gravidanza, della perdita embrionale e della presenza di anomalie ovariche (Friggens e Chagunda, 2005).

Il progesterone (P4) nel latte è ampiamente accettato come parametro utile per ottenere un’immagine diretta e completa dello stato riproduttivo di una vacca (Friggens e Coari, 2005; Martin et al., 2013) ed un sistema automatizzato per la misurazione online nel latte del P4 è già disponibile in commercio (Mazeris, 2010). Una delle sfide più importanti è l’interpretazione dei dati grezzi rilevati dal sensore (Rutten et al., 2013). Le misurazioni di P4 nel latte sono soggette ad una grande variabilità, in parte causata dalla tecnica di misura e dal metodo di calibrazione (Adriaens et al., 2017), dalla tecnica di campionamento o dal contenuto di grassi nel campione di latte (Pennington et al., 1981; Friggens et al., 2008). Inoltre, i profili P4 possono anche variare sia per una singola vacca che tra diversi capi, per esempio in valori assoluti, pendenze e lunghezze e spesso mostrano andamenti irregolari (Meier et al., 2009; Blavy et al., 72 2016; Bruinjé et al., 2017a). Tuttavia, un modello matematico elaborato recentemente, permette la caratterizzazione delle dinamiche del P4, consentendo in tal modo un’interpretazione basata sui dati dello stato di fertilità della vacca (Adriaens et al., 2017).

Tuttavia, perchè il P4 nel latte sia utile come indicatore per eventi di fertilità, le misurazioni di P4 grezze devono essere convertite in informazioni specifiche, o meglio ancora, in ‘azioni’ che devono essere compiute dall’allevatore. In questo contesto, è dimostrato che è necessario tenere presenti sia la variabilità delle misurazioni che la variabilità tra cicli estrali (Friggens e Coari, 2005; Friggens et al., 2008; von Leesen et al., 2013). In generale, questo significa che l’algoritmo di monitoraggio deve soddisfare i seguenti requisiti: (1) deve essere robusto contro valori erratici e i diversi livelli degli errori di misura; (2) dovrebbe essere in grado di discriminare tra concentrazioni follicolari o luteali per indicare azioni quali inseminazione, perdita embrionale, e possibile ciste, in modo individualizzato e (3) dovrebbe essere automatizzato e implementabile in allevamento.

Il tentativo più vicino a questo finora è stato pubblicato nel 2005 da Friggens e Coari, 82 (2005), che hanno sviluppato un modello biologico per stimare lo stato riproduttivo delle vacche basato sul P4 nel latte. Oltre a diversi fattori specifici della vacca, essi hanno usato un livello normalizzato di P4 nel latte ottenuto con un filtro multiprocesso di Kalman per tenere conto della variabilità nelle misurazioni. Successivamente, questo livello viene monitorato e quando scende al di sotto di una soglia prefissata, la vacca è indicata come “in estro” e può essere inseminata. Anche se questo modello ha dimostrato di essere utile (Friggens et al., 2008) e facile da interpretare, ha due svantaggi principali, identificati anche da Friggens et al., (2008) e Bruinjé et al., (2017b): (1) l’uso di un livello normalizzato di P4 provoca un ritardo del momento della rilevazione (dipendendo ad esempio dalla frequenza di campionamento e dalla frequenza della luteolisi); (2) l’utilizzo di una soglia fissa del livello (normalizzato)  di P4 non fornisce alcuna flessibilità per fronteggiare la variabilità nei singoli livelli di P4 tra i cicli. Ad esempio, quando una misura non riesce al punto cruciale della luteolisi, il livello normalizzato non viene aggiornato, e la misurazione successiva di basso P4 sarà segnata da questo filtro come «molto improbabile». Di conseguenza, il livello normalizzato di P4 si adatterà solo moderatamente. Solo quando la successiva misura è anch’essa bassa, esso si sposterà verso le concentrazioni di P4 follicolare e in definitiva taglierà fuori la soglia fissa (Bruinjé et al., 2017b). Inoltre, questo dipende dalla frequenza di mungitura e campionamento e può verificarsi, ad esempio, più di tre mungiture dopo l’effettivo verificarsi della luteolisi, causando un grande ritardo sul momento predetto come ideale per l’inseminazione. Inoltre, se le concentrazioni di P4 follicolare sono vicine alla soglia fissa, il ritardo di rilevamento sarà ancora più grande e la sincronizzazione di successo dell’inseminazione ancora più improbabile. Il modello matematico descritto in Adriaens et al (2017) ha il potenziale per superare questi inconvenienti, pur mantenendo la flessibilità necessaria per affrontare varie dinamiche del P4, pur essendo robusto per il rumore correlato alla misurazione. Tuttavia, nella sua attuale forma descritta, non è adatto per il monitoraggio in allevamento.

L’obiettivo di questo studio è stato quello di sviluppare un nuovo approccio per monitorare la fertilità basato su misurazioni di P4 nel latte e sul concetto di controllo sinergico (Mertens et al. 2009; Huybrechts  et al., 2014; Maselyne, 2016). È stato supposto che un sistema che combina un modello matematico per descrivere le dinamiche di P4 (Adriaens et al. 2017) con un controllo statistico online grafico sui residui di questo modello, consentirà l’identificazione on-line dello stato della fertilità di una vacca da latte e permetterà di identificare eventi importanti come l’estro, la gravidanza e i problemi ovarici. Inoltre, l’approccio proposto sarebbe indipendente delle soglie fisse e non implicherebbe un ritardo nella descrizione degli eventi come la luteolisi, rendendo il sistema più coerente e meno dipendente dagli errori di misura e dal tasso di campionamento.

ABSTRACT

L’identificazione tempestiva dello stato riproduttivo di una vacca è essenziale per minimizzare le perdite legate alla fertilità negli allevamenti da latte. Ciò include il riconoscimento dell’estro ottimale, la diagnosi di gravidanza e il riconoscimento tempestivo della morte embrionale precoce e dei problemi alle ovaie. L’analisi del progesterone del latte in azienda (P4) potrebbe indicare tutti questi eventi di fertilità simultaneamente. Tuttavia, le misurazioni del P4 nel latte sono soggette a una grande variabilità sia in termini di errori di misurazione che di valori assoluti tra i cicli.

L’obiettivo di questo lavoro è quello di presentare una nuova metodologia sviluppata per rilevare la luteolisi che precede l’estro e dare un’indicazione per il suo uso in allevamento. In questo studio, viene presentato un innovativo sistema di monitoraggio basato sul P4 nel latte che utilizza i principi del controllo sinergico. Invece di utilizzare tecniche di filtraggio e soglie fisse, il presente sistema utilizza un modello online aggiornato individualmente per descrivere il profilo di P4, combinato con una tabella di controllo del processo statistico per identificare lo stato di fertilità della vacca. Gli input per quest’ultima sono i residui del modello online, corretto per la variabilità dipendente dalla concentrazione tipica delle misurazioni del P4 nel latte. Per mostrare il suo possibile uso, il sistema è stato convalidato sui profili P4 di 38 vacche da latte. Il valore predittivo positivo per la luteolisi seguita dall’estro è stato del 100%, il che significa che il sistema di monitoraggio ha rilevato tutti i periodi di estro identificati dagli esperti. La gravidanza o la mortalità embrionale erano caratterizzate dall’assenza o dall’individuazione della luteolisi dopo un’inseminazione, rispettivamente. Per tredici bovini, la luteolisi non è stata rilevata dal sistema entro 25-32 giorni dopo l’inseminazione, indicando una gravidanza, che è stata confermata in seguito dalla palpazione rettale. È stato inoltre dimostrato che il sistema è in grado di far fronte a deviazioni dei profili P4 con fasi follicolari o luteali prolungate, che possono suggerire l’insorgenza di cisti. Si raccomanda alla ricerca futura per l’ottimizzazione della frequenza di campionamento, la previsione della finestra di inseminazione ottimale e l’istituzione di regole per rilevare i problemi basati sulla deviazione dei pattern P4.

 

A NOVEL SYSTEM FOR ON-FARM FERTILITY MONITORING BASED ON MILK PROGESTERONE

Ines Adriaens,*1 Wouter Saeys,* Tjebbe Huybrechts,* Chris Lamberigts,† Liesbeth François,‡Katleen Geerinckx,§ Jo Leroy,# Bart De Ketelaere,* and Ben Aernouts*‖

 

*Department of Biosystems, Division of Mechatronics, Biostatistics and Sensors (MeBioS),

†Department of Biosystems, Livestock Physiology, and

‡Department of Biosystems, Livestock Genetics, KU Leuven, Kasteelpark Arenberg 30, 3001, Heverlee, Belgium

§Province of Antwerp, Hooibeekhoeve, Hooibeeksedijk 1, 2440 Geel, Belgium

#Faculty of Pharmaceutical, Biomedical and Veterinary Sciences, University of Antwerp, Universiteitsplein 1, Wilrijk, Belgium

‖Department of Microbial and Molecular Systems, Cluster for Bioengineering Technology, KU Leuven, Campus Geel, 2440 Geel, Belgium

 

Journal of Dairy Science Vol. 101 No. 9, 2018

doi.org/10.3168/jds.2017-13827

Print Friendly, PDF & Email
Di |2019-01-17T09:34:58+02:0018 Ottobre 2018|Categorie: Dal mondo della ricerca|Tags: , , , |

About the Author:

Ruminantia - Lo spazio in rete dell'Allevatore. I migliori professionisti del settore a supporto dell'allevatore italiano, con informazioni aggiornate e articoli scientifici.

Scrivi un commento