Brève Au Coeur du Lait
Février 2012

Spécial robot de traite

 

La détection des mammites cliniques via les alertes générées par le robot peut être améliorée en suivant un arbre décisionnel.?

L’objectif de cette étude menée aux Pays-Bas était d’évaluer le gain apporté par la mise en œuvre de système d’arbre décisionnel en tant que système de gestion des alertes générées par le robot, notamment en comparaison à la simple observation visuelle pour la détection des mammites cliniques. Il est en effet souhaitable de pouvoir agréger ou ordonner les informations issues des différents capteurs (conductivité, force d’éjection, production, CCS, colorimétrie….) potentiels afin d’obtenir le système le plus sensible (aptitude à détecter tous des cas de mammites cliniques) certes mais également le plus spécifique (aptitude à ne détecter que des cas avérés). Des niveaux insuffisants de spécificité entraînent des contrôles non nécessaires et des pertes de temps qui peuvent entraîner ensuite une démotivation des éleveurs à surveiller efficacement les alertes. Il est aujourd’hui donné comme objectif de tendre vers 99% de spécificité et une sensibilité d’au moins 70% pour les détections de mammites cliniques en système de traite robotisée.

Pour élaborer cet arbre décisionnel appliqué à la gestion des alertes générées par le robot de traite, les données issues de 9 élevages équipés de robot Lely ont été collectées sur une base rétrospective de 2,5 ans. Les données à l’échelle du quartier (conductivité, couleur et quantité de lait) ainsi qu’issues de l’observation par l’éleveur ont été recueillies. Ce sont ainsi plus de 3,5 millions de données à l’échelle du quartier issues de 1109 vaches qui ont été compilées et pour lesquelles on disposait de 348 couples données de quartier et observation de mammite clinique (dont 74 quartiers avec un lait prenant un aspect aqueux, 217 avec un lait contenant des grumeaux, 50 avec un lait contenant des caillots et 7 avec un lait serum-like). Un arbre de décision a été généré à l’aide d’outils informatiques. Le principe a été de créer des embranchements à chaque variable, l’arbre s’arrêtant lorsqu’à un nœud de l’arbre, tous les animaux restant sont dans le même état. Une partie du jeu de données a permis d’élaborer l’arbre, (2/3 des données environ ; 24 717 données provenant de quartiers sains, 243 de quartiers atteints de mammires. Le tiers des données restant a servi de jeu de données pour tester la sensibilité et la spécificité de l’arbre décisionnel. Le modèle d’arbre de décision a ainsi été testé sur un ensemble de 105 données de quartiers mammiteux et un jeu aléatoire de 50 000 quartiers sains.

Il en ressort que le gain principal apporté par l’élaboration d’un arbre décisionnel (à plusieurs branches notamment plutôt que basé sur un seul critère) permettait pour des niveaux de sensibilité équivalent au système classique d’obtenir une bien meilleure spécificité (baisse des faux positifs de plus de 50%). En analysant les données produites dans les 24 heures précédant la survenue de la mammite clinique, et lorsque la spécificité a été« calée à 99%, on a obtenu une sensibilité de 40% pour la détection de l’ensemble des mammites cliniques, et de 64% lorsqu’on considérait uniquement les mammites cliniques sévères. Le défaut de sensibilité a surtout concerné les mammites « flotteuses » c'est-à-dire avec du lait très liquide (aspect aqueux). La sensibilité a augmenté lorsque la fenêtre de l’alerte a été étendue jusque 24 heures après la détection visuelle. Toutefois, dans cette configuration, on perd l’intérêt d’une alerte précoce.

Enfin, appliqué dans différents jeux de données (mimant plusieurs contextes épidémiologiques), le gain apporté par l’arbre de décision n’a pas été répétable.

 

Au final, quel que soit le système d’arbre de décision (seuil et nombre d’informations prises en compte), aucun système de décision n’a permis d’atteindre un niveau de sensibilité de 100%.Ceci confirme l’impossibilité de détecter toutes les mammites cliniques même en se basant sur l’ensemble des capteurs disponibles. Les niveaux de sensibilité sont néanmoins grandement améliorés lorsque des arbres de décision robustes et répétables sont mis en œuvre. Cependant, tandis que la mise en place d’un arbre de décision basé sur les informations fournies par le robot a amélioré la situation dans certains troupeaux, elle n’a pas été suivie d’amélioration dans d’autres. Cela souligne le besoin de recherches sur la valeur informative seule ou en combinaison des informations issues des capteurs et autres automates en élevage.

 

Référence :
Kamphuis C., Mollenhorst H., Heesterbeek J.A.P., Hogeveen H.
Detection of clinical mastitis with sensor data from automatic milking systems is improved by using decision-tree induction - Journal of Dairy Science, 2010, 93 : 3616-3627