自动监控下奶牛子宫炎风险因素及预测模型研究

陈梦醒 周晓晶

(黑龙江八一农垦大学 163319)

子宫炎是奶牛场中的常见疾病之一，通常被定义为从阴道流出大量污浊或红棕色的分泌物，并伴有腥臭味，内含絮状物的水样分泌物流出，且奶牛子宫炎受不同品种、季节、胎次、区域、牧场的管理等因素影响，导致发病率差异很大。子宫炎已被证明对奶牛繁殖性能有负面影响[1,2]，如妊娠时间平均比正常奶牛长32d 左右、初次受精日期延迟（3d），第一次配种风险显著增加30%，配种周期延迟或受孕率降低，淘汰率增加[3]。奶牛患有子宫炎也是一个严重的动物福利问题，受感染的母牛表现出严重的疼痛感[4-7]。

子宫炎的传统监测方式主要是通过临床判断直肠触诊宫颈直径和子宫分泌物的气味、形状和颜色[8]。有研究表明，触珠蛋白(Hp) 筛查可能有助于早期发现临床子宫炎[9]，并且患有子宫炎的奶牛反刍模式在产犊后发生会变化[10]。患有子宫炎的奶牛在反刍、活动上有显著的变化[11]。因此，对生产行为、采食行为、躺卧行为和反刍行为自动监测可以为牧场管理者和研究者提供早期预警判断[12-15]。现在自动监测设备更多的是用于揭示奶牛发情事件及分娩前后的行为表现[15-17]，很少用于奶牛子宫炎疾病的预警研究。本文主要通过分析集约化奶牛场自动化监控系统中的产奶量数据、活动量数据及反刍数据，利用二元logistic 回归分析方法，建立子宫炎早期预警模型，有助于识别患有子宫炎疾病风险的奶牛。奶牛子宫炎的早期诊断能为兽医提供提早治疗的机会，同时能避免过多的使用抗生素，减轻患畜的疼痛和不适，改善动物福利，降低牧场在管理方面的经济损失。

1 试验材料与方法

1.1 监测设备、管理及饲喂

数据来自于黑龙江省某大型集约化牧场，共有1000 头泌乳牛，分布在2 个畜舍的按照泌乳天划分6 个区，每天2 遍的TMR 精准饲喂，自由采水。每天挤奶3 次（早5:00，中13:00，晚21:00），挤奶采用国际一流的饲养榨奶设备SCR，ED200（SCR 有限公司，内塔尼亚，以色列）64 位的转盘式挤奶系统。挤奶厅有两个喷淋设备，可供200 头待挤奶牛夏天降温使用。奶牛智能监测设备项圈系于被监测的奶牛颈部，监测奶牛脖子或耳朵实时运动和奶牛行为，同时提供奶牛反刍时间的合理测量方法[18]。项圈通过7～10d 的数据收集作为基础数据（采食、饮水、挤奶等日常数据），并以2h 为间隔进行数据分析。活动量、反刍变化是最直观的数据。所有个体奶牛的信息数据由天线接收，并传送至整套系统的“心脏”—中央处理器，由中央处理器对所有的信息数据进行搜集和分析，随后，中央处理器会对所有有关奶牛发情及采食时间减少（项圈式）的信息自动生成分析报告。这样我们可以通过安装到电脑里的软件非常直观的查询到牛群繁殖状态及健康状态报告，还可以把该系统接入互联网，可以使用智能手机、便携式电脑随时在全球任何有互联网的地方查阅牧场相应的管理数据[19]。疾病数据由奶牛场兽医在确诊当天录入牧场安装的一牧云牧场管理系统（养殖技术管理系统）。

1.2 数据来源

数据来自牧场泌乳奶牛1 舍A 区、D 区和2 舍A 区、B区、C 区和D 区，从2020 年1～10 月份的60 头泌乳牛，其中患有子宫炎疾病的奶牛为18 头（胎次、泌乳天数），健康组奶牛为42 头（胎次、泌乳天数）。自动化监控系统下收集到的数据指标包括，对于患病组奶牛为疾病确诊前7d 产奶量（x1），前3d 产奶量x2，前1d 产奶量x3，前21d 活动量x4，前14d 活动量x5，前10d 活动量x6，前7d 活动量x7，前3d 活动量x8，前1d 活动量x9，前21d 反刍量x10，前14d 反刍量x11，前10d反刍量x12，前7d 反刍量x13，前3d 反刍量x14，前1d 反刍量x15；对于健康组奶牛（未患任何疾病），相应的15 个指标为对应于患病组奶牛相应时间的数据。数据的采集不包含其他任何疾病。

2 预警模型建立

2.1 二元Logistic 回归分析原理

Logistic 回归是分类数据统计分析的重要方法，研究多水平（包括2 个水平）的应变量与其影响因子间关系的回归分析。即用于分析某类事件的发生概率与自变量之间依存关系的回归，本文的因变量是二分类变量，即患有子宫炎和未患子宫炎（健康）。

二元Logistic 回归模型

令：y=1（患有子宫炎）；y=0（健康）

将发病的概率记为P，它与自动化监控系统下的行为数据、生产性能数据等，即自变量x1,x2,…,xp 之间的Logistic 回归模型为：

可知，不发病的概率为：

经数学变换得：

定义：

为Logistic 变换，即：

2.2 统计分析软件及方法

利用统计分析软件SPSS23.0，首先对15 个变量对应的数据进行正态性检验，对正态分布的数据进行ANOVA 分析，再对影响子宫炎疾病的显著性指标进行多重共线性检验，通过检验的指标进行二元logistic 分析，建立子宫炎疾病早期预警回归模型，最后对模型各个变量进行敏感度和特异性分析。

3 模型建立及结果分析

首先对15 个变量对应数据的正态性检验的P 值均大于0.05，全部通过正态性检验，对正态分布的数据，进行方差齐性检验后对组间有统计学差异的指标进行每一个自变量和因变量的单因素回归分析，即ANOVA 分析，再对影响子宫炎疾病的6 个显著性指标进行多重共线性检验，可见VIF，即方差扩大因子均小于5，说明各个指标不具有多重共线性，不会影响回归分析的稳定性。结果如表1 所示。

表1 ANOVA 分析及共线性诊断分析

通过检验的指标（前7d 产奶量x1、前3d 产奶量x2、前14d 活动量x5、前21d 反刍量x10、前10d 反刍量x12、前3d 反刍量x14）进行二元logistic 分析，其中霍斯默-莱梅肖检验的显著性P=0.333，结果说明，本次建立的模型和实际数据拟合效果较好，且模型正率能达到90%（如表2 所示）。

表2 实测与预测分类表

通过表3 中各个显著性因子，说明前7d 产奶量、前14d活动量、前21d 反刍量、前3d 反刍量显著影响子宫炎患病率，可以作为子宫炎诊断因子，且纳入到诊断模型中的4 个变量与子宫炎的发病呈负相关的，建立子宫炎疾病早期预警回归模型如下:

表3 预测模型中的变量估计值及P 值、OR 值

和预测牛只是否患病的概率模型为：

最后对模型各个变量利用ROC 曲线进行敏感度和特异性分析，受试者工作特征曲线 (receiver operating characteristic curve，简称ROC 曲线)，又称为感受性曲线(sensitivity curve)，ROC 曲线越靠近左上角，试验的准确性就越高。由ROC 曲线可见，前7d 产奶量，前14d 活动量，前21d 反刍量，前3d 反刍量这4 个指标对应的曲线下的面积AUC 超过60%，可以将它们作为子宫炎诊断指标，这4 个指标的敏感度，特异性，临界值（常用“尤登指数”确定，即敏感性+特异性-1，该指数值的取最大值处就是最佳的界值）如表4 所示。通过以上分析可见，当这4 个指标超过临界值时，奶牛后期患子宫炎的风险较大。

表4 子宫炎诊断的4 个指标的临界值、敏感度、特异性及AUC 值

附图所示其中绿色虚线代表前7d 产奶量，红色虚线代表前3d 产奶量，黑色虚线代表前1d 活动量，黑色实线代表前21d 反刍量，紫色虚线代表前10d 反刍量，红色实线代表前3d反刍量，对角线为参考线。

附图 子宫炎影响因素的ROC 曲线

4 讨论

本研究患病奶牛在被诊断为子宫炎之前，其产奶量数据、活动量数据和反刍量数据与健康奶牛的3 项数据相比差异显著，建立的预警模型和实际数据拟合效果较好，ROC 曲线下的面积AUC 超过60%。证明可以通过分析集约化奶牛场自动化监控系统中的产奶量数据、活动量数据及反刍量数据作为提前识别患有子宫炎风险的奶牛，研究分析方法有效，能达到预警作用，为农场管理者争取了早期治疗的时间，减少了农场的经济损失。

本文的研究指标影响因素较少，接下来我们可以考虑不同胎次、不同泌乳天数、不同品种、不同区域的子宫炎疾病的影响因素及预警模型研究。再有，这是一项独立疾病的研究，只是对数量有限的患有子宫炎疾病的奶牛进行了研究，但其行为和生产力对各种健康问题的反应不同，在奶牛水平上也各不相同；因此，基于对奶牛患有子宫炎疾病的研究，未来会扩大研究疾病的类型（奶牛营养代谢病酮病、产后瘫痪，或者是验证性疾病乳房炎、肺炎，或者肢蹄病、蹄叶炎、白线病等），同时应扩大数据的样本量，将有助于利用自动监测系统对畜群进行早期疾病预警。研究更加敏感、操作性更强的诊断方法也是未来的研究方向[20]。