Akvilė Girdauskaitė^*Samanta GrigėKarina DžermeikaitėJustina KrištolaitytėDovilė MalašauskienėMindaugas TelevičiusGreta ŠertvytytėGabija LembovičiūtėRamūnas Antanaitis

• Clínica de Grandes Animales, Academia Veterinaria, Universidad de Ciencias de la Salud de Lituania, Kaunas, Lituania

Este estudio evaluó cinco modelos supervisados de aprendizaje automático (ML). Se utilizaron dispositivos automatizados que capturaban continuamente datos de composición de leche y comportamiento para monitorizar 206 vacas Holstein de dos granjas lecheras comerciales. Entre los parámetros observados se observaron la producción de leche, grasa, proteínas, lactosa, proporción grasa-proteína (FPR), recuento de células somáticas (CCE), tiempo de rumiación (RT) y temperatura corporal. Las vacas fueron clasificadas como clínicamente sanas (n = 45), cetosis subclínica (n = 91), mastitis subclínica (n = 28) o mastitis clínica (n = 42) según el examen clínico, la concentración de β-hidroxibutirato en sangre (BHB) y los indicadores de leche. Random Forest alcanzó la mayor precisión de clasificación (0,857), seguido por Gradient Boosting y Logistic Regression (0,833), mientras que Decision Tree y Multilayer Perceptron alcanzaron 0,810. En comparación con vacas clínicamente sanas (4,45 ± 0,54%; 477,0 ± 36,0 min/día), las vacas con cetosis subclínica tenían un mayor contenido de grasa lechea (5,21 ± 0,72%) y una RT más corta (336,9 ± 94,2 min/día). En comparación con vacas clínicamente sanas (64,0 × 10³ células/mL; 4,63 ± 0,16%), las vacas con mastitis clínica mostraron un SCC significativamente mayor (416,8 × 10³ células/mL) y niveles más bajos de lactosa (4,56 ± 0,24%). Estos resultados demuestran que la integración de datos de leche y comportamiento derivados de sensores con algoritmos de aprendizaje automático permite la detección temprana y no invasiva de trastornos de salud, apoyando la gestión proactiva del rebaño.