Vers un modèle de prédiction de survenue des mammites basé sur les paramètres laitiers

L’objectif de cette étude menée par des chercheurs australiens et iraniens visait à développer un modèle de prédiction de l’incidence des mammites, indépendant des concentrations en cellules somatiques (CCS) et basé sur les paramètres laitiers disponibles lors de la traite.

Dans ce but, les auteurs ont utilisé les données collectées sur une période de 2 ans dans une ferme australienne où les vaches étaient traites 2 fois par jour. Un système électronique d’enregistrement permettait de récolter les informations suivantes: volume de lait, conductivité électrique (CE), débit, CCS, temps de traite, TB, TP et lactose. Par la suite, les auteurs ont testé différentes méthodes statistiques de discrimination pour tenter de trouver l’arbre de décision le plus prédictif de mammites (sur la base de CCS > 250 000 cell/mL comme retenu dans la définition australienne).

Il en ressort les résultats principaux suivants :

• 2 arbres de détection étaient les plus performants pour détecter les mammites.
• L’un deux était basé notamment sur le lactose et la conductivité. Ainsi toutes les vaches saines avaient un niveau de lactose ≥ 4,5 g/L et une CE ≤ 5,2.
• L’autre était basé sur la combinaison lactose et volume de lait. 100% des vaches atteintes de mammites avaient un niveau de lactose < 4,5 g/L et un volume de lait <21,7 Litres.

En conclusion

Il ressort, dans les conditions de cette étude, que le lactose, la conductivité électrique et le volume de lait étaient des paramètres assez prédictifs, dans le cadre du modèle développé (arbre de décision Random Forest), le lactose étant le paramètre le plus influant. Ces résultats ouvrent la perspective de modèles de détection s’affranchissant des CCS et se basant sur des données disponibles par exemple en système robot. La mesure du lactose dans le lait fait ainsi l’objet à ce jour d’études car durant de nombreuses années on pensait ce taux constant.

Résumé Article “Hierarchical pattern recognition in milking parameters predict mastitis prevalence
Ebrahimie E., Ebrahimi F, Ebrahimi M, Tomlinson S., Petrovski K.
Computers and Electronics in Agriculture, 2018, (147): 6-11