Avaliação de modelos para predizer a produção de leite no primeiro controle leiteiro de primíparas

Abstract

O período de transição é marcado por profundas alterações morfofisiológicas no corpo do gado leiteiro. A maioria dos distúrbios metabólicos e doenças infecciosas são diagnosticados durante o periparto, comprometendo o sucesso de toda a lactação. Formas de se avaliar o manejo de transição de multíparas têm sido propostas, muito embora o mesmo não tenha sido observado para novilhas. O objetivo do trabalho foi desenvolver um modelo capaz de estimar a produção de leite do primeiro controle de vacas primíparas (P_LEITE) com base em variáveis rotineiramente coletadas nos controles leiteiros, de tal forma que pudesse ser utilizado na avaliação do período de transição de animais nessa categoria. Para tal, foram utilizadas informações do primeiro controle de 3267 primíparas da raça Holandesa, realizados entre 2014 e 2017. As informações foram alocadas em arquivos de treino (n = 2345) e validação (n = 780), posteriormente utilizados na estimativa dos parâmetros e avaliação dos modelos, respectivamente. Variáveis relacionadas com a P_LEITE foram identificadas através da regularized regression por meio da elastic net. Três tipos de modelos foram avaliados: regressão linear múltipla (RLM), random forest (RF) e rede neural artificial (RNA). Os modelos resultantes foram avaliados com base em seis estatísticas de ajuste e 10-fold cross validation. Além disso, foram calculados os coeficientes de correlação de Pearson (r) e de concordância de Lin (ρ) entre os valores observados e preditos pelos modelos, assim como a comparação do valor mediano observado e predito de P_LEITE, adotando 5% como nível de significância. Os três modelos avaliados apresentaram capacidade preditiva para a P_LEITE, com erro absoluto médio abaixo de 4,00 kg no arquivo de validação e 10-fold cross validation. Não foi observada diferença significativa entre os valores medianos preditos e observados. A RNA foi o modelo que apresentou a melhor qualidade de ajuste comparada com a RLM e RF. Trabalhos futuros poderão estudar as possíveis variações existentes entre rebanhos, como forma de melhorar a capacidade preditiva da RNA.