自動監控下奶牛子宮炎風險因素及預測模型研究

陳夢醒 周曉晶

(黑龍江八一農墾大學 163319)

子宮炎是奶牛場中的常見疾病之一，通常被定義為從陰道流出大量污濁或紅棕色的分泌物，并伴有腥臭味，內含絮狀物的水樣分泌物流出，且奶牛子宮炎受不同品種、季節、胎次、區域、牧場的管理等因素影響，導致發病率差異很大。子宮炎已被證明對奶牛繁殖性能有負面影響[1,2]，如妊娠時間平均比正常奶牛長32d 左右、初次受精日期延遲（3d），第一次配種風險顯著增加30%，配種周期延遲或受孕率降低，淘汰率增加[3]。奶牛患有子宮炎也是一個嚴重的動物福利問題，受感染的母牛表現出嚴重的疼痛感[4-7]。

子宮炎的傳統監測方式主要是通過臨床判斷直腸觸診宮頸直徑和子宮分泌物的氣味、形狀和顏色[8]。有研究表明，觸珠蛋白(Hp) 篩查可能有助于早期發現臨床子宮炎[9]，并且患有子宮炎的奶牛反芻模式在產犢后發生會變化[10]。患有子宮炎的奶牛在反芻、活動上有顯著的變化[11]。因此，對生產行為、采食行為、躺臥行為和反芻行為自動監測可以為牧場管理者和研究者提供早期預警判斷[12-15]。現在自動監測設備更多的是用于揭示奶牛發情事件及分娩前后的行為表現[15-17]，很少用于奶牛子宮炎疾病的預警研究。本文主要通過分析集約化奶牛場自動化監控系統中的產奶量數據、活動量數據及反芻數據，利用二元logistic 回歸分析方法，建立子宮炎早期預警模型，有助于識別患有子宮炎疾病風險的奶牛。奶牛子宮炎的早期診斷能為獸醫提供提早治療的機會，同時能避免過多的使用抗生素，減輕患畜的疼痛和不適，改善動物福利，降低牧場在管理方面的經濟損失。

1 試驗材料與方法

1.1 監測設備、管理及飼喂

數據來自于黑龍江省某大型集約化牧場，共有1000 頭泌乳牛，分布在2 個畜舍的按照泌乳天劃分6 個區，每天2 遍的TMR 精準飼喂，自由采水。每天擠奶3 次（早5:00，中13:00，晚21:00），擠奶采用國際一流的飼養榨奶設備SCR，ED200（SCR 有限公司，內塔尼亞，以色列）64 位的轉盤式擠奶系統。擠奶廳有兩個噴淋設備，可供200 頭待擠奶牛夏天降溫使用。奶牛智能監測設備項圈系于被監測的奶牛頸部，監測奶牛脖子或耳朵實時運動和奶牛行為，同時提供奶牛反芻時間的合理測量方法[18]。項圈通過7～10d 的數據收集作為基礎數據（采食、飲水、擠奶等日常數據），并以2h 為間隔進行數據分析。活動量、反芻變化是最直觀的數據。所有個體奶牛的信息數據由天線接收，并傳送至整套系統的“心臟”—中央處理器，由中央處理器對所有的信息數據進行搜集和分析，隨后，中央處理器會對所有有關奶牛發情及采食時間減少（項圈式）的信息自動生成分析報告。這樣我們可以通過安裝到電腦里的軟件非常直觀的查詢到牛群繁殖狀態及健康狀態報告，還可以把該系統接入互聯網，可以使用智能手機、便攜式電腦隨時在全球任何有互聯網的地方查閱牧場相應的管理數據[19]。疾病數據由奶牛場獸醫在確診當天錄入牧場安裝的一牧云牧場管理系統（養殖技術管理系統）。

1.2 數據來源

數據來自牧場泌乳奶牛1 舍A 區、D 區和2 舍A 區、B區、C 區和D 區，從2020 年1～10 月份的60 頭泌乳牛，其中患有子宮炎疾病的奶牛為18 頭（胎次、泌乳天數），健康組奶牛為42 頭（胎次、泌乳天數）。自動化監控系統下收集到的數據指標包括，對于患病組奶牛為疾病確診前7d 產奶量（x1），前3d 產奶量x2，前1d 產奶量x3，前21d 活動量x4，前14d 活動量x5，前10d 活動量x6，前7d 活動量x7，前3d 活動量x8，前1d 活動量x9，前21d 反芻量x10，前14d 反芻量x11，前10d反芻量x12，前7d 反芻量x13，前3d 反芻量x14，前1d 反芻量x15；對于健康組奶牛（未患任何疾病），相應的15 個指標為對應于患病組奶牛相應時間的數據。數據的采集不包含其他任何疾病。

2 預警模型建立

2.1 二元Logistic 回歸分析原理

Logistic 回歸是分類數據統計分析的重要方法，研究多水平（包括2 個水平）的應變量與其影響因子間關系的回歸分析。即用于分析某類事件的發生概率與自變量之間依存關系的回歸，本文的因變量是二分類變量，即患有子宮炎和未患子宮炎（健康）。

二元Logistic 回歸模型

令：y=1（患有子宮炎）；y=0（健康）

將發病的概率記為P，它與自動化監控系統下的行為數據、生產性能數據等，即自變量x1,x2,…,xp 之間的Logistic 回歸模型為：

可知，不發病的概率為：

經數學變換得：

定義：

為Logistic 變換，即：

2.2 統計分析軟件及方法

利用統計分析軟件SPSS23.0，首先對15 個變量對應的數據進行正態性檢驗，對正態分布的數據進行ANOVA 分析，再對影響子宮炎疾病的顯著性指標進行多重共線性檢驗，通過檢驗的指標進行二元logistic 分析，建立子宮炎疾病早期預警回歸模型，最后對模型各個變量進行敏感度和特異性分析。

3 模型建立及結果分析

首先對15 個變量對應數據的正態性檢驗的P 值均大于0.05，全部通過正態性檢驗，對正態分布的數據，進行方差齊性檢驗后對組間有統計學差異的指標進行每一個自變量和因變量的單因素回歸分析，即ANOVA 分析，再對影響子宮炎疾病的6 個顯著性指標進行多重共線性檢驗，可見VIF，即方差擴大因子均小于5，說明各個指標不具有多重共線性，不會影響回歸分析的穩定性。結果如表1 所示。

表1 ANOVA 分析及共線性診斷分析

通過檢驗的指標（前7d 產奶量x1、前3d 產奶量x2、前14d 活動量x5、前21d 反芻量x10、前10d 反芻量x12、前3d 反芻量x14）進行二元logistic 分析，其中霍斯默-萊梅肖檢驗的顯著性P=0.333，結果說明，本次建立的模型和實際數據擬合效果較好，且模型正率能達到90%（如表2 所示）。

表2 實測與預測分類表

通過表3 中各個顯著性因子，說明前7d 產奶量、前14d活動量、前21d 反芻量、前3d 反芻量顯著影響子宮炎患病率，可以作為子宮炎診斷因子，且納入到診斷模型中的4 個變量與子宮炎的發病呈負相關的，建立子宮炎疾病早期預警回歸模型如下:

表3 預測模型中的變量估計值及P 值、OR 值

和預測牛只是否患病的概率模型為：

最后對模型各個變量利用ROC 曲線進行敏感度和特異性分析，受試者工作特征曲線 (receiver operating characteristic curve，簡稱ROC 曲線)，又稱為感受性曲線(sensitivity curve)，ROC 曲線越靠近左上角，試驗的準確性就越高。由ROC 曲線可見，前7d 產奶量，前14d 活動量，前21d 反芻量，前3d 反芻量這4 個指標對應的曲線下的面積AUC 超過60%，可以將它們作為子宮炎診斷指標，這4 個指標的敏感度，特異性，臨界值（常用“尤登指數”確定，即敏感性+特異性-1，該指數值的取最大值處就是最佳的界值）如表4 所示。通過以上分析可見，當這4 個指標超過臨界值時，奶牛后期患子宮炎的風險較大。

表4 子宮炎診斷的4 個指標的臨界值、敏感度、特異性及AUC 值

附圖所示其中綠色虛線代表前7d 產奶量，紅色虛線代表前3d 產奶量，黑色虛線代表前1d 活動量，黑色實線代表前21d 反芻量，紫色虛線代表前10d 反芻量，紅色實線代表前3d反芻量，對角線為參考線。

附圖 子宮炎影響因素的ROC 曲線

4 討論

本研究患病奶牛在被診斷為子宮炎之前，其產奶量數據、活動量數據和反芻量數據與健康奶牛的3 項數據相比差異顯著，建立的預警模型和實際數據擬合效果較好，ROC 曲線下的面積AUC 超過60%。證明可以通過分析集約化奶牛場自動化監控系統中的產奶量數據、活動量數據及反芻量數據作為提前識別患有子宮炎風險的奶牛，研究分析方法有效，能達到預警作用，為農場管理者爭取了早期治療的時間，減少了農場的經濟損失。

本文的研究指標影響因素較少，接下來我們可以考慮不同胎次、不同泌乳天數、不同品種、不同區域的子宮炎疾病的影響因素及預警模型研究。再有，這是一項獨立疾病的研究，只是對數量有限的患有子宮炎疾病的奶牛進行了研究，但其行為和生產力對各種健康問題的反應不同，在奶牛水平上也各不相同；因此，基于對奶牛患有子宮炎疾病的研究，未來會擴大研究疾病的類型（奶牛營養代謝病酮病、產后癱瘓，或者是驗證性疾病乳房炎、肺炎，或者肢蹄病、蹄葉炎、白線病等），同時應擴大數據的樣本量，將有助于利用自動監測系統對畜群進行早期疾病預警。研究更加敏感、操作性更強的診斷方法也是未來的研究方向[20]。