نبذة مختصرة : La variabilitat en el pes viu (PV) al sacrifici és un determinant clau de l’eficiència global en la producció porcina. El Capítol 3 va tenir com a objectiu identificar indicadors morfològics, fisiològics i de comportament de diferents graus de restricció de creixement intrauterí (RCIU) en garrins classificats segons el seu pes al naixement (PN). Els garrins amb RCIU van mostrar els pitjors nivells de creixement post natal, vitalitat i supervivència, associats a una menor ingestió de calostre, reserves energètiques limitades, perfils metabòlics alterats i disfunció gastrointestinal. No es van observar diferències entre els garrins restringits i no restringits de baix PN, suggerint que el PN per si sol és insuficient per classificar garrins amb diferents potencials de creixement i supervivència. El Capítol 4 es va centrar en les característiques dels òrgans i l’esquelet per detectar graus variables de RCIU dins dels garrins amb baix PN i refinar la classificació dels nounats amb restricció de creixement. També es van avaluar les correlacions entre mesures externes i internes per identificar indicadors simples i pràctics del desenvolupament intern. Els garrins amb restricció de creixement van mostrar desenvolupament asimètric d’òrgans prioritzant el cervell, ossificació i creixement ossi longitudinal reduïts, i propietats mecàniques tibials millorades, principalment a causa d’un augment del contingut de manganès i zinc. Només el pes relatiu del cervell i la densitat òssia van diferir de manera consistent entre garrins de baix i moderat PN. Les fortes correlacions identificades entre PN, característiques morfològiques i característiques d’òrgans i esquelet suggereixen que les mesures externes tenen potencial per descriure el desenvolupament intern del garrí al naixement. El Capítol 5 va tenir com a objectiu identificar factors de risc precoços associats al mal creixement i l’elevada mortalitat, desenvolupant finalment un model predictiu multi criteri per classificar garrins compromesos. El PV al dia 7 va ser un millor predictor del pes al deslletament (R² > 0.60) que el PV al dia 1 (R² ≈ 0.30). El model final per predir garrins compromesos al dia 7 va incloure el PV al dia 1, el PV relatiu del garrí dins de la garrinada al dia 1, la ingestió de calostre i la paritat de la truja, assolint una àrea sota la corba (AUC) de 0.910. Cada augment de 100 g en el PV al dia 1 reduïa les probabilitats de ser classificat com a compromès en un 27.6%. De la mateixa manera, un PV relatiu més alt al dia 1 i una major ingestió de calostre es van associar amb un risc inferior de ser classificat com a compromès. Els Capítols 6 i 7 van aplicar mètodes d’aprenentatge automàtic com a alternativa a la regressió clàssica de mínims quadrats ordinaris per classificar porcs amb risc de retràs de creixement en diferents etapes productives i identificar els factors clau associats a baix PV a cada fase. En totes les etapes productives i punts de tall, els boscos aleatoris i “boosting” van aconseguir de manera consistent els valors d’AUC més elevats, amb millores perceptibles des del segon decimal. Pel pes al deslletament, els factors relacionats amb el PN van representar més del 60% de la importància predictiva. En etapes posteriors, aquests factors van ser substituïts pel PV immediatament anterior a l’etapa d’interès, indicant que el PV esdevé progressivament més predictiu com més proper és a la fase objectiu. Es van obtenir resultats similars en ambdós bases de dades, destacant el potencial dels algoritmes d’aprenentatge automàtic per avaluar factors de risc que afecten l’eficiència i la uniformitat en la producció porcina i per identificar garrins amb risc de retard en el creixement.
نبذة مختصرة : La variabilidad en el peso vivo (PV) al sacrificio es un determinante clave de la eficiencia general en la producción porcina. El Capítulo 3 tuvo como objetivo identificar indicadores morfológicos, fisiológicos y de comportamiento de distintos grados de restricción de crecimiento intrauterino (RCIU) en lechones clasificados según su peso al nacimiento (PN). Los lechones clasificados como RCIU mostraron las mayores afectaciones en crecimiento postnatal, vitalidad y supervivencia, asociadas con una menor ingesta de calostro, reservas energéticas limitadas, perfiles metabólicos alterados y disfunción gastrointestinal. No se observaron diferencias entre los lechones restringidos y no restringidos de bajo PN, lo que sugiere que el PN por sí solo es insuficiente para clasificar lechones con diferentes potenciales de crecimiento y supervivencia. El Capítulo 4 se centró en las características de órganos y esqueleto para detectar grados variables de RCIU dentro de los lechones de bajo PN y refinar la clasificación de los recién nacidos con restricción de crecimiento. También se evaluaron las correlaciones entre medidas externas e internas para identificar indicadores simples y prácticos de desarrollo interno. Los lechones con restricción de crecimiento mostraron un crecimiento asimétrico de los órganos priorizando el cerebro, una osificación y crecimiento longitudinal óseo disminuidos, y unas propiedades mecánicas tibiales mejoradas, principalmente debido a un aumento en el contenido de manganeso y zinc. Solo el peso relativo del cerebro y la densidad ósea se diferenciaron de manera consistente entre lechones de bajo y moderado PN. Se identificaron fuertes correlaciones entre PN, características morfológicas y rasgos internos de órganos y esqueleto, sugiriendo que las mediciones externas tienen potencial para describir el desarrollo interno del lechón al nacimiento. El Capítulo 5 tuvo como objetivo identificar factores de riesgo tempranos asociados con crecimiento reducido y mayor mortalidad, desarrollando finalmente un modelo predictivo multicriterio para clasificar lechones comprometidos. El PV al día 7 fue un mejor predictor del peso al destete (R² > 0.60) que el PV al día 1 (R² ≈ 0.30). El modelo final para predecir lechones comprometidos al día 7 incluyó el PV al día 1, el PV relativo del lechón dentro de la camada al día 1, la ingesta de calostro y la paridad de la cerda, alcanzando un área bajo la curva (AUC) de 0.910. Cada incremento de 100 g en el PV al día 1 redujo las probabilidades de ser clasificado como comprometido en un 27.6%. De manera similar, un mayor PV relativo al día 1 y una mayor ingesta de calostro se asociaron con un riesgo reducido. Los Capítulos 6 y 7 aplicaron métodos de aprendizaje automático como alternativa a la regresión clásica de mínimos cuadrados ordinarios para clasificar lechones con riesgo de retraso de crecimiento en diferentes etapas de producción y para identificar los factores clave asociados con bajo PV en cada fase. En todas las etapas de producción y puntos de corte, los algoritmos de bosque aleatorio y “boosting” alcanzaron consistentemente los valores más altos de AUC, con mejoras observables desde el segundo decimal. Para el peso al destete, los factores relacionados con el PN representaron más del 60% de la importancia predictiva para identificar lechones ligeros. En etapas posteriores, estos factores fueron reemplazados por el PV inmediatamente anterior a la etapa evaluada, indicando que el PV se vuelve cada vez más predictivo a medida que se aproxima a la etapa objetivo. Se obtuvieron resultados similares en ambos conjuntos de datos, destacando el potencial de los algoritmos de aprendizaje automático como herramientas valiosas para evaluar factores de riesgo que afectan la eficiencia y la uniformidad en la producción porcina y para identificar lechones con riesgo de retraso de crecimiento.
Variability in body weight (BW) at slaughter is a major determinant of overall efficiency in pig production. Chapter 3 aimed to identify morphological, physiological, and behavioral indicators of varying degrees of intrauterine growth restriction (IUGR) in piglets classified by birth weight (BtW). Piglets classified as IUGR exhibited the most severe impairments in postnatal growth, vitality, and survival, associated with reduced colostrum intake, limited energy reserves, altered metabolic profiles, and gastrointestinal dysfunction. No differences were observed between restricted and non-restricted low BtW piglets, suggesting that BtW alone is insufficient for classifying piglets with different growth and survival potentials. Chapter 4 therefore focused on organ and skeletal characteristics to detect varying degrees of IUGR within low BtW piglets and refine the classification of growth-restricted newborns. Correlations between external and internal measures were also assessed to identify simple, on-farm indicators of internal development. Piglets with growth restriction showed asymmetrical organ growth prioritizing the brain, impaired ossification and longitudinal bone growth, and enhanced tibial mechanical properties, mainly due to increased manganese and zinc content. Only relative brain weight and bone density differed consistently between low and moderate BtW piglets. Strong correlations were identified between BtW, morphological characteristics, and internal organ and skeletal traits, suggesting that external measurements have potential to describe internal development at birth. Chapter 5 aimed to identify early-life risk factors associated with poor growth and mortality, ultimately developing a multi-criteria predictive model for classifying compromised piglets. Body weight on day 7 was a stronger predictor of weaning weight (R2 > 0.60) than BW on day 1 (R2 ≈ 0.30). The final model for predicting compromised piglets on day 7 included BW on day 1, the piglet’s relative BW within the litter on day 1, colostrum intake, and sow parity, achieving an area under the curve (AUC) of 0.910. Each 100 g increase in BW on day 1 reduced the odds of being classified as compromised by 27.6%. Similarly, higher relative BW on day 1 and greater colostrum intake were linked to a reduced risk. Chapters 6 and 7 applied machine learning methods as alternatives to classical ordinary least squares regression to classify pigs at risk of growth retardation at different production stages and to identify the key factors associated with low BW at each phase. These algorithms were evaluated using both a purebred nucleus and a commercial crossbred dataset. Across all production stages and cut-off points, random forest and boosting algorithms consistently achieved the highest AUC values, with improvements observable from the second decimal place onward. For weaning weight, birthweight-related factors accounted for more than 60% of predictive importance for identifying light pigs. At later stages, these factors were replaced by the BW immediately preceding the target stage, indicating that BW becomes increasingly predictive the closer it is to the stage being evaluated. Similar results were obtained in both datasets, underscoring the potential of machine learning algorithms as valuable tools for evaluating risk factors affecting efficiency and uniformity in swine production and for identifying pigs at risk of growth retardation. Based on these results, it is concluded that classifying light piglets based solely on birth weight is insufficient for distinguishing degrees of growth restriction that explain performance differences during lactation. A successful switch-on of lactation is critical for supporting piglet growth and survival from the first week through weaning and beyond, highlighting a window of opportunity for targeted interventions. Finally, machine learning algorithms show strong potential for identifying pigs at risk of growth retardation and enhancing decision-making in swine production.
Universitat Autònoma de Barcelona. Programa de Doctorat en Producció Animal
Processing Request
No Comments.