Predicción del estrés por frío del ganado lechero utilizando técnicas de aprendizaje automático

Abstract

El objetivo de este estudio fue detectar de forma temprana el estrés por frío en vacas Holstein usando datos de collares inteligentes y modelado temporal. Se monitorearon 10 vacas durante un año (unidad de análisis: cow-day), generando 3 650 observaciones diarias y 87 600 registros horarios de actividad (comer, rumiar, descansar, otros). La señal conductual se preprocesó con un filtro circadiano y se extrajeron características mediante STFT (ventanas internas de 36 h y salto de 1 h); estas características se agregaron a paso diario para el entrenamiento. El etiquetado operativo (silver standard) combinó umbrales de distancia circadiana aprendidos en periodos estables con verificación clínica 2×/día y contexto térmico (THI). Se comparó un LSTM secuencial con baselines (por ejemplo, THI y modelos clásicos). El modelo LSTM mostró desempeño consistente para clasificación diaria de Normal/Leve/Alto, con métricas representativas de Precisión ≈82–84%, F1-macro ≈0,80 y ROC-AUC ≈0,85–0,88, superando a los baselines. En análisis de alerta temprana, el sistema anticipó una fracción relevante de eventos con ≥60 min de antelación, lo que permite acciones preventivas en el hato (refugio, manejo). A nivel de hato, el indicador diario de proporción de vacas con estrés se asoció con episodios de frío. Limitaciones: tamaño muestral reducido (10 vacas), una raza y un solo sitio. Para evitar circularidad, la etiqueta operativa (silver standard) se definió a partir de desviaciones circadianas consistentes en las señales de comportamiento y verificación clínica in situ. Los resultados apoyan la viabilidad de un monitoreo continuo de bienestar basado en collares y aprendizaje profundo, y justifican validaciones externas multicentro con biomarcadores fisiológicos y mayor diversidad ambiental.