Introduzione

Il periodo di transizione, definito come il periodo incluso tra 3 settimane prima e 3 settimane dopo il parto (Grummer, 1995), è un periodo impegnativo per le vacche da latte. Le rende vulnerabili allo sviluppo di malattie metaboliche e infettive, specialmente nelle prime settimane dopo il parto (Urton et al., 2005 ; Huzzey et al., 2007). Incidenze di malattie comuni come febbre lattea, malattie respiratorie cliniche, mastiti contagiose e parassitismo clinico sono state ridotte negli ultimi 25 anni grazie al cambiamento di attenzione alla prevenzione delle malattie piuttosto che al trattamento, ma l’incidenza di importanti malattie nel periparto rimane elevata (LeBlanc et al., 2006). È stato sostenuto che per ridurre l’incidenza delle malattie del periparto dovremmo considerare l’azienda come un sistema integrato piuttosto che basarci su una conoscenza crescente della patologia e dell’eziologia (LeBlanc et al., 2006). In particolare, si ritiene che l’esistenza di relazioni complesse tra malattie del periparto e strategie nutrizionali, condizioni abitative e fattori sociali e attitudinali ostacolino un’efficace prevenzione e controllo (Mulligan e Doherty, 2008). Pertanto rimangono elementi chiave per gli opportuni interventi i segnali di allerta precoce per la malattia e l’identificazione di fattori di rischio specifici per l’azienda.

Misure metaboliche e della risposta infiammatoria sono state descritte come indicatori precoci per le malattie del peripartum, offrendo l’opportunità per un trattamento precoce (Huzzey et al., 2009, 2011, 2015; Seifi et al., 2011; Roberts et al., 2012; Trevisi et al., 2012). Preferibilmente, gli indicatori vengono utilizzati nella gestione dell’azienda agricola ancor prima che si manifesti l’insorgenza della malattia. Per questo motivo, la ricerca dovrebbe concentrarsi anche sull’individuazione di vacche che sono statisticamente più a rischio di sviluppare malattie oltre al rilevamento precoce della malattia. L’individuazione di vacche a rischio consentirebbe un adeguato intervento preventivo, spesso senza la necessità di cure mediche. Vi è un crescente interesse su come utilizzare i dati del sensore per rilevare le vacche a rischio di disturbi dipendenti dal parto (Weary et al., 2009; Rutten et al., 2017). Infatti, i comportamenti registrati automaticamente hanno dimostrato di essere indicativi per il rischio di malattia (Weary et al., 2009). Ad esempio, una ridotta assunzione di mangime durante la fase di transizione preparto si è dimostrata un indicatore per le vacche a rischio di metrite (Urton et al., 2005 ; Huzzey et al., 2007). I livelli medi di ruminazione, alimentazione e altri comportamenti durante il periodo di transizione differiscono tra le vacche malate e quelle sane e sono stati suggeriti come primi indicatori per i disturbi peripartali come la metrite e la chetosi clinica o subclinica (Urton et al., 2005;Huzzey et al., 2007;Goldhawk et al., 2009; Calamari et al., 2014). I livelli medi di alimentazione, ruminazione e altri comportamenti possono essere facilmente acquisiti in modo non invasivo mediante misurazioni automatiche e ad alta frequenza del sensore. Inoltre, rispetto agli osservatori umani, i sensori sono spesso più sensibili o meno distorti (Weary et al., 2009; Rutten et al., 2017 ). I livelli medi di uscita dei dati del sensore vengono comunemente calcolati come proprietà del segnale rappresentativo. Quando si guardano solo i livelli medi delle serie temporali generate dai sensori, potrebbero andare perse informazioni utili sui meccanismi sottostanti. Le proprietà dinamiche delle serie temporali generate dai sensori, possono contenere informazioni utili extra (Peng et al., 2009). Sulla base di questi risultati, abbiamo ipotizzato che la combinazione di sensori e delle proprietà multiple dei segnali per sensore può migliorare la previsione della lunghezza e della gravità della malattia durante il periodo di transizione. Abbiamo testato questa ipotesi prevedendo la lunghezza totale e la gravità delle malattie correlate alla transizione con diverse combinazioni di tipi di segnale e proprietà. Le malattie di transizione sono tutte correlate e l’insorgenza e l’aspetto di questi disturbi potrebbero non essere sempre gli stessi (Mulligan and Doherty, 2008; Sundrum, 2015). Pertanto, non ci siamo concentrati sulla patogenesi di una singola malattia, ma piuttosto abbiamo cercato di trovare predittori di salute compromessa generica durante questo periodo, indipendentemente dall’esordio, dal percorso o dalla malattia specifica. Per quantificare l’accuratezza della previsione della lunghezza totale e della gravità delle malattie correlate alla transizione, abbiamo definito un punteggio di deficit totale (total deficit score, TDS), che è un punteggio totale delle aberrazioni cliniche post-partum, acquisite attraverso l’ispezione clinica giornaliera da parte dei veterinari. Più alto è il TDS, meno resilienti sono state le vacche alla sfida della transizione quando si definiva la resilienza nelle vacche da latte come la capacità di mantenersi in salute durante e dopo l’impegnativa sfida della transizione (modificata da Colditz e Hine, 2016). Abbiamo calcolato gli errori di predizione per la TDS in base ai modelli dinamici e alle medie dei dati fisiologici e comportamentali ad alta risoluzione e ad alta frequenza registrati nelle singole vacche prima del parto. Abbiamo anche calcolato gli errori di predizione per TDS sulla base dei dati registrati durante la prima settimana dopo il parto.

Abstract

Il periodo di transizione è una fase impegnativa nella vita delle vacche da latte. Disturbi metabolici e infettivi si verificano frequentemente nelle prime settimane dopo il parto. Per identificare le vacche meno capaci di affrontare il periodo di transizione potrebbero essere utili i segnali fisiologici o comportamentali acquisiti con i sensori. Tuttavia, non è ancora chiaro quali segnali o combinazioni di segnali e quali proprietà del segnale siano più istruttive rispetto alla gravità della malattia dopo il parto. Sono stati raccolti, durante un periodo di 2 settimane prima del parto previsto e fino a 6 settimane dopo il parto, i dati del sensore sui rilevamenti dell’attività e del comportamento, nonché i dati relativi alla temperatura del rumine e dell’orecchio di 22 vacche da latte. Durante questo periodo, lo stato di salute di ciascuna vacca è stato clinicamente valutato ogni giorno. E’ stato calcolato un punteggio di deficit totale (TDS) sulla base della valutazione clinica, che riassume la lunghezza della malattia e la sua intensità per ogni vacca. Le diverse proprietà dei dati del sensore registrate durante il periodo precedente al parto e il periodo dopo il parto sono state testate come predittore di TDS utilizzando l’analisi univariata della covarianza. Per selezionare il modello con la migliore combinazione di segnali e proprietà del segnale, abbiamo quantificato l’accuratezza della previsione per TDS in un modello multivariato. L’accuratezza della previsione per TDS è aumentata quando i sensori sono stati combinati, utilizzando proprietà di segnale statico e dinamico. Statisticamente, la combinazione lineare ottimale dei predittori consisteva nel tempo medio di alimentazione, nella varianza della temperatura dell’orecchio giornaliera e nella regolarità dei modelli di comportamento quotidiano nel periodo di asciutta. La nostra ricerca indica che una combinazione di proprietà dei dati dei sensori statici e dinamici potrebbe essere utilizzata come indicatore della resilienza della vacca.

Parole chiave: vacca da latte, periodo di transizione, resilienza, indicatore dinamico, comportamento

INDICATORS OF RESILIENCE DURING THE TRANSITION PERIOD IN DAIRY COWS: A CASE STUDY

D. E. van Dixhoorn,*1 R. M. de Mol,* J. T. N. van der Werf,* S. van Mourik,† and C. G. van Reenen*

*Livestock Research, and

†Farm Technology Group, Wageningen UR, Wageningen, the Netherlands 6708 WD

DOI: https://doi.org/10.3168/jds.2018-14779