Jon Day^1,2*Mohamed Ben Haddou³Rita Kylling⁴Guro Vasdal⁵Heleen van de Weerd^1,2

• ¹Chronos Sustainability Ltd., Chichester, Reino Unido
• ^{número arábigo}Cerebrus Advies, Dinxperlo, Países Bajos
• ³Mentis SA, Ixelles, Bélgica
• ⁴Matprat, Oslo, Noruega
• ⁵Animalia AS, Oslo, Noruega

Introducción: Los marcos de evaluación de riesgos (RA) se aplican cada vez más para mejorar el bienestar de los animales de granja. Estos marcos tienen en su núcleo una cadena lógica que vincula los peligros (riesgos) para el bienestar con una o más consecuencias para el bienestar que, a su vez, se miden mediante uno o más indicadores de bienestar. El monitoreo efectivo y eficiente del bienestar animal a menudo implica la selección de un subconjunto de indicadores de un gran grupo. La selección de «indicadores de iceberg» podría ser ventajosa debido a su asociación con múltiples consecuencias para el bienestar. Sin embargo, no existe un método estandarizado basado en datos para seleccionar combinaciones óptimas bajo restricciones prácticas. Este estudio aborda esta brecha mediante la creación de un enfoque algorítmico para optimizar la selección de indicadores.

Métodos: El trabajo se llevó a cabo en seis fases: (1) construcción de una base de datos estructurada de indicadores de bienestar; (2) un estudio de prueba de concepto; (3) diseño de un algoritmo de selección codicioso; (4) mejora del algoritmo utilizando métodos de ramificación y enlace y retroceso; (5) pruebas de rendimiento y sensibilidad, y (6) creación de dos estudios de caso. Se recopiló un conjunto de datos de 382 indicadores de bienestar animal en siete especies de granjas a partir de dictámenes científicos publicados por la Autoridad Europea de Seguridad Alimentaria (EFSA) y de otra literatura publicada. Los dictámenes científicos de la EFSA contienen datos adquiridos a través de un riguroso proceso de revisión de la literatura y paneles de expertos y consenso para vincular los indicadores de bienestar con sus riesgos para el bienestar asociados y sus consecuencias para el bienestar. Para permitir el desarrollo de algoritmos, la cobertura de cada indicador de bienestar se determinó primero calculando el número de consecuencias únicas para el bienestar a las que estaba vinculado. Metadatos como el Impacto de la consecuencia del bienestar [Bajo (1) o Alto (2)], la Facilidad de mitigación de riesgos [Fácil (1), Moderado (2) o Difícil (3)] y la Facilidad de uso del indicador [Fácil (1), Moderado (2) o Difícil (3)] se generaron a través de un proceso de obtención de expertos. Estos datos se estandarizaron utilizando la normalización máxima-mínima en todos los criterios, y se definió una función objetivo que permitió la selección de subconjuntos de indicadores de acuerdo con varios criterios definidos por el usuario. La optimización se realizó utilizando tanto un algoritmo codicioso como un algoritmo mejorado que incorporaba solucionadores de retroceso y ramificaciones y límites. El rendimiento y la solidez del algoritmo se evaluaron mediante análisis de sensibilidad, pruebas de escenarios y evaluación comparativa computacional.