Aftab Siddique^1*Sudhanshu S. Panda²Sophia Khan¹Seymone T. Dargan¹Savana Lewis¹India Carter¹Jan A. Van Wyk³Ajit K. Mahapatra¹Eric R. Morgan⁴Thomas H. Terrill¹

• ¹Departamento de Ciencias Agrícolas, Universidad Estatal de Fort Valley, Fort Valley, GA, Estados Unidos
• ^{número arábigo}Instituto de Análisis Espacial Ambiental, Universidad de Georgia del Norte, Oakwood, GA, Estados Unidos
• ³Departamento de Enfermedades Tropicales Veterinarias, Facultad de Ciencias Veterinarias, Universidad de Pretoria, Onderstepoort, Sudáfrica
• ⁴Instituto para la Seguridad Alimentaria Mundial, Queen’s University, University Road, Belfast (Reino Unido)

Debido a su valor como fuente de alimento, fibra y otros productos a nivel mundial, ha habido un enfoque creciente en el bienestar y la salud de los pequeños rumiantes, particularmente en relación con la anemia inducida por parásitos gastrointestinales que se alimentan de sangre como Haemonchus contortus. El objetivo de este estudio fue evaluar los niveles de volumen de células empaquetadas (PCV) en muestras de sangre de pequeños rumiantes, específicamente cabras, y crear un biosensor eficiente para una detección más conveniente y precisa de la anemia para su uso en granjas en entornos agrícolas para la optimización de la producción animal. El estudio abarcó 75 cabras machos adultos españolas, a los que se les realizó la prueba de PCV para determinar sus rangos de PCV y su asociación con condiciones anémicas. Utilizando algoritmos de aprendizaje automático impulsados por inteligencia artificial, se desarrolló un sensor avanzado y fácil de usar para alertar rápidamente a los agricultores sobre el recuento bajo de glóbulos rojos de sus animales de esta manera para permitir una intervención médica oportuna. El sensor desarrollado utiliza una técnica semiinvasiva que requiere solo una pequeña muestra de sangre. Más precisamente, se colocó un volumen de 30 μL de sangre sobre el papel de filtro Whatman nº 1, previamente empapado con glicerol anhidro. El patrón de dispersión de la sangre en el papel con infusión de glicerol se registró con un teléfono inteligente después de 180 s. Posteriormente, estas imágenes se examinaron en correlación con los valores de PCV establecidos obtenidos del análisis convencional de PCV. Se crearon y evaluaron cuatro modelos compatibles con modelos de aprendizaje automático (ML) independientes, a saber, la máquina de vectores de soporte (SVM), los K vecinos más cercanos (KNN), la red neuronal de retropropagación (BPNN) y el modelo Keras basado en la clasificación de imágenes, utilizando el conjunto de datos de imágenes. El conjunto de datos constaba de 1.054 imágenes que se dividieron en conjuntos de entrenamiento, prueba y validación en una proporción de 70:20:10. Los hallazgos iniciales indicaron una precisión de detección del 76,06% después de solo 10 épocas para reconocer diferentes niveles de PCV en relación con la anemia, que van desde sanos hasta gravemente anémicos. La precisión de estas pruebas aumentó notablemente, hasta el 95,8 % después de 100 épocas y otras optimizaciones de parámetros del modelo. Los resultados de la SVM tuvieron una puntuación F1 general del 74 al 100 % en la identificación del rango de PCV para las imágenes de patrones sanguíneos que representan animales sanos a gravemente anémicos, y la BPNN mostró una precisión del 91 al 100 % en la identificación del rango de PCV para la detección de anemia. Este trabajo demuestra que los biosensores impulsados por IA pueden utilizarse para la detección rápida de la anemia in situ. Los modelos de aprendizaje automático optimizados maximizan la precisión de la detección, lo que demuestra la validez y la rapidez del sensor para evaluar los niveles de anemia. Este avance permitirá a los agricultores, con resultados rápidos, aumentar el bienestar animal y la productividad agrícola.