《Dairy》:Estimation of Probability of Pregnancy Based on Health Status and Estrus Intensity in Organic Dairy Cows
编辑推荐:
研究人员的第一个目标是量化配种前健康相关事件(HRE)、配种时相对发情强度(REI)与每头人工授精的奶牛水平妊娠概率(P/AI)之间的关联,研究对象为有机荷斯坦奶牛。量化这些关联可能有助于农场决策,例如设定自愿等待期、精液类型选择、不配种及淘汰决策。第二个目标
研究人员的第一个目标是量化配种前健康相关事件(HRE)、配种时相对发情强度(REI)与每头人工授精的奶牛水平妊娠概率(P/AI)之间的关联,研究对象为有机荷斯坦奶牛。量化这些关联可能有助于农场决策,例如设定自愿等待期、精液类型选择、不配种及淘汰决策。第二个目标是建立基于现成数据估计P/AI的预测模型,并呈现机器学习领域也常用的拟合优度统计结果。所有数据收集自2019年至2021年美国西部一家获认证的有机奶牛场。健康相关和繁殖数据通过奶牛记录管理系统(DRMS;美国北卡罗来纳州罗利)获取。活动数据通过安装在后腿上的计步器(IceRobotics,英国斯特灵)收集。REI定义为配种前每小时步行步数除以奶牛基线每小时步数,共有4759头奶牛的17,238次配种记录可用。REI被分为≤200%、>200–400%、>400–600%或>600%四类。HRE数据来自13,365头奶牛的65,684次配种记录。HRE被分为乳腺炎、代谢疾病(即低钙血症、酮病、真胃变位、消化问题)、生殖疾病(即子宫炎、子宫内膜炎、脓性子宫积脓、胎衣不下)、跛行、2种不同疾病、≥3种不同疾病,或健康(配种前无上述疾病)。还创建了REI类别与0、1或≥2个HRE的组合(COMBO)。数据被分为训练集和测试集。训练数据用于拟合三个逻辑回归模型,分别包含HRE、REI或COMBO。每个模型还包含协变量:配种前3个月牛群平均P/AI、泌乳天数,以及胎次、配种季节、距上次配种天数或首次配种天数等固定效应。随机效应考虑了奶牛内的重复配种。从逻辑回归模型中获得了参数估计值、比值比以及固定效应的估计P/AI的估计边际均值。将模型估计应用于测试数据集,并计算区分度和校准统计量以判断拟合优度。HRE、REI和COMBO训练数据集的未调整平均P/AI分别为0.31、0.28和0.28。对于HRE模型,估计P/AI范围从0.20(≥3个不同HRE)到0.30(健康)。在REI模型中,四个REI类别相关的估计P/AI与0.27无显著差异。在COMBO模型中,HRE和REI组合相关的估计P/AI从≥2个HRE且REI>200–400%时的0.18,到健康奶牛且REI>600%时的0.30。老年奶牛、春季配种以及距上次配种18–24天之外配种也与较低的估计P/AI相关。测试数据的受试者工作特征曲线下面积(AUROC)范围为0.57(COMBO)到0.60(HRE),表明模型区分能力一般。校准图显示预测模型产生无偏预测P/AI。总之,结果未显示更高REI(作为发情活动指标)与更高估计P/AI之间存在确凿证据。更多HRE与更低估计P/AI相关。低REI与更多HRE的组合与估计P/AI显著降低相关。逻辑回归模型产生无偏预测P/AI。研究人员未发现REI与P/AI之间的关系强度依赖于HRE类别的证据。结果应用如下:首先,这些预测模型可能有助于指导有机奶牛的配种决策,尽管建议进一步进行外部验证,且区分性能较弱。其次,计算了多种拟合优度统计量,以便将当前逻辑回归分析与未来其他机器学习技术进行的分析进行比较。
**论文解读:基于健康状况与发情强度的有机奶牛妊娠概率预测模型研究**
**研究背景与问题**
有机奶牛养殖受严格法规约束(例如每年至少放牧120天,禁止使用繁殖激素和抗菌药物治疗生殖疾病),这可能导致发情检测效率降低和繁殖性能下降。现有研究表明,健康状况(如乳腺炎、代谢疾病、生殖疾病等)和发情强度(以活动量衡量)与人工授精妊娠概率(P/AI)密切相关。然而,针对有机奶牛,同时考虑健康相关事件(HRE)和相对发情强度(REI)对P/AI影响的定量研究尚属空白。此外,传统逻辑回归模型虽易于部署,但缺乏与机器学习方法一致的区分度和校准评估,导致不同研究间难以比较。因此,本研究的目的是:量化HRE、REI及其组合与有机奶牛P/AI的关联;建立可部署的预测模型;并报告机器学习领域常用的拟合优度统计量,以促进跨方法比较。
**研究方法**
本研究为回顾性横断面观察性研究,数据来源于美国科罗拉多州一家获认证的有机奶牛场(2019–2021年),共13,365头有机荷斯坦奶牛。主要技术方法包括:
1. **数据采集与处理**:
- 健康相关事件(HRE)数据通过奶牛记录管理系统(DRMS)获取,包括乳腺炎、代谢疾病、生殖疾病、跛行等,并分类为健康、1种疾病、2种疾病或≥3种疾病。
- 活动数据通过后腿安装的计步器(IceRobotics, i-QUBE传感器)收集,计算相对发情强度(REI),定义为配种当天每小时步数与基线每小时步数的比值(%),并分为≤200%、>200–400%、>400–600%、>600%四类。
- 数据按奶牛随机分为训练集(70%奶牛)和测试集(30%奶牛),分别用于模型拟合和评估。
2. **模型构建**:
- 建立三个混合逻辑回归模型(SAS GLIMMIX过程),分别以HRE、REI或HRE与REI的组合(COMBO)为预测变量,均包含协变量(配种前3个月牛群平均P/AI、泌乳天数及其平方、胎次、配种季节、距上次配种天数或首次配种天数),并设置奶牛随机效应以处理重复配种。
- 模型参数以对数几率尺度输出,并计算比值比(OR)和估计边际均值(EMM)以解释P/AI变化。
3. **模型评估**:
- 区分度评估:计算受试者工作特征曲线下面积(AUROC)、马修斯相关系数(MCC)、F1分数、精确率、召回率等。
- 校准评估:使用Hosmer-Lemeshow检验、Brier分数、平均绝对校准误差百分比,并绘制校准图和残差偏差图。
**研究结果**
**3.1 逻辑回归混合模型与估计P/AI**
**3.1.1 健康相关事件模型(HRE模型)**
- 纳入65,684次配种,其中62.2%为健康(无HRE)。
- 所有固定效应显著(p<0.001)。估计P/AI范围:健康组0.30,≥3个HRE组0.20。
- 最佳情况:头胎、秋季、距上次配种18–24天、健康奶牛,估计P/AI最高。
**3.1.2 相对发情强度模型(REI模型)**
- 纳入17,238次配种,REI类别分布:≤200%(41%)、>200–400%(27%)、>400–600%(17%)、>600%(15%)。
- REI效应不显著(p=0.11),其余固定效应显著(p<0.05)。估计P/AI在0.26–0.28之间,无显著差异。
**3.1.3 组合模型(COMBO模型)**
- 纳入16,415次配种,12个组合类别中出现频率最高的为“健康且REI≤200%”(25.4%),最低为“≥2个HRE且REI>400–600%”(1.0%)。
- 估计P/AI范围:从≥2个HRE且REI>200–400%的0.18,到健康奶牛且REI>600%的0.30。
**3.2 区分度与校准统计**
- AUROC:HRE模型0.600,REI模型0.577,COMBO模型0.567,均指示区分能力较弱。
- Brier分数:HRE模型0.208(基线0.214),REI模型0.193(基线0.195),COMBO模型0.202(基线0.207),略低于基线但未显著改善。
- Hosmer-Lemeshow检验:HRE模型(p>0.05)和REI模型(p>0.05)校准良好;COMBO模型校准较差(p=0.0329)。
- 平均绝对校准误差:HRE模型5.1%(好),REI模型10.7%(较差)。
**3.3 校准图**
- HRE模型校准图显示点沿对角线分布良好,仅在高预测P/AI区域有轻微高估。
- REI和COMBO模型校准图点分布更离散,置信区间更宽,拟合较差。
- 残差偏差图显示所有模型均轻微高估P/AI(偏差略低于0)。
**讨论与结论**
**讨论要点**:
- 三个模型的预测能力较弱(AUROC低),与现有文献一致(例如Hempstalk等报道AUROC 0.487–0.675;Shahinfar等报道0.61–0.76),表明当前预测模型难以达到高区分度,可能需要纳入生理过程指标(如牛奶产量、体况评分等)以提升性能。
- HRE模型结果符合预期:健康、头胎奶牛估计P/AI更高,与常规牧场研究结论一致,未发现有机牧场与常规牧场在HRE关联上的差异。
- REI与P/AI的关联弱且不显著,与以往研究(Madureira等)不同。可能原因包括:本研究中低REI奶牛可能未被农场人员识别为发情因而未配种(观察性偏倚),而研究设计(如定时授精)中所有活动水平奶牛均配种,从而产生更强关联。
- COMBO模型中,低REI与多HRE的组合显著降低P/AI,但未发现REI与P/AI的关系强度依赖于HRE类别。
- 区分度统计(如敏感度、特异度)受截止概率影响大;建议使用低于0.5的截止概率以减少假阴性成本(错过妊娠)。
- 模型局限性:单一场数据、缺乏外部验证、疾病严重程度及病原体信息缺失、无个体产奶量数据。
**结论**:
研究人员得出结论,HRE数据可用于改善有机奶牛群的配种决策,尽管其预测能力较弱。结果未显示更高REI(作为发情活动指标)与更高估计P/AI之间存在确凿证据。低REI与更多HRE的组合与估计P/AI显著降低相关。三个逻辑回归模型产生无偏预测P/AI。展示了多种拟合优度统计量(特别是校准统计量和校准图),以便将当前逻辑回归分析与未来其他机器学习技术进行的分析进行比较。本研究结果代表初步预测模型,建议在实际应用前进行外部验证。论文发表在《Dairy》。