Sensori e management possono migliorare di molto la qualità della vita dei bovini.

E’ profonda convinzione di Ruminantia che il miglioramento della qualità della vita degli animali che producono cibo per l’uomo si al contempo un dovere etico e un atto speculativo. Il dolore e la sofferenza psico-fisica di questi animali, oltre a creare un profondo disagio all’opinione pubblica, non permettono all’allevatore di avere quella redditività offerta dall’allevare gli animali in condizioni di estremo benessere. I sensori, sia indossabili che non, sono un valido supporto per l’allevatore e i professionisti per individuare prontamente situazioni di rischio e risolverle. Il parto dei bovini nei grandi allevamenti sia intensivi che estensivi, ha la necessità di essere assistito, come del resto avviene nella specie umana. Questo consente, se serve, di intervenire prontamente e ridurre i rischi di distocia, di mortalità del nascituro e della madre, e di tutte quelle patologie del periparto e del puerperio correlabili.

In questa ottima e inedita review viene molto approfondito questo argomento, con un focus particolare sui metodi attualmente disponibili per la previsione del parto.

Come identificare il momento del parto nei bovini? Revisione della letteratura sui dispositivi automatici e le tecnologie per il monitoraggio remote del parto.

Introduzione

Variazione dell’alimentazione, dell’attività e della temperatura prima del parto

Sensori utilizzabili per il monitoraggio automatico: cosa possiamo misurare?

Combinazione di dati di attività, alimentazione e altri comportamenti

Performance dei sensori automatici e di Machine Learning per la previsione del parto da remoto

Considerazioni generali sui dispositivi di monitoraggio remoto di alimentazione, attività e temperatura impiegati per la predizione del parto

Dispositivi che identificano il secondo stadio del parto (fase espulsiva)

Sensori magnetici vulvari

Considerazioni generali sui dispositivi per l’identificazione del secondo stadio del parto

Conclusioni

Referenze

Introduzione

Una buona gestione della mandria è uno dei principali fattori che contribuiscono a ottimizzare la performance riproduttiva e il rendimento aziendale [1,2]. Il monitoraggio e l’assistenza al parto rappresentano un punto debole dell’allevamento bovino in tutto il mondo; sebbene a volte trascurato, il parto è un evento cruciale sia per la madre che per il vitello. Un parto prolungato o difficile (distocia) e un’assistenza non tempestiva possono compromettere il benessere, la fertilità e la produzione di latte della madre, insieme alla sopravvivenza, alla crescita e alle prestazioni future del vitello [3-8].

La distocia è un evento  frequente nella bovina da latte, con un’incidenza che va dal 10,7 al 51,2% negli USA, e dal 2 al 22% in Europa. La variabilità può essere associata all’ordine di parto, alla razza e al sesso del vitello [9,10]. Nei bovini da carne, l’incidenza del parto difficoltoso è solitamente più bassa e varia dal 3 al 7,7% [11,12]. E’ ben noto che la distocia rappresenta un evento doloroso, ma la valutazione del dolore e le strategie per ridurlo richiederebbero una maggiore attenzione sia tra i veterinari sia tra gli allevatori [13,14]. La distocia comporta anche una sostanziale perdita economica dovuta alla riduzione dell’assorbimento delle immunoglobuline dal colostro e all’aumento della mortalità dei vitelli [10,15]. L’incidenza della mortalità dei vitelli entro le 48 ore di vita varia dal 5,3 al 13,2% negli Stati Uniti, con la maggior parte degli eventi che si verificano nei vitelli nati da vacche primipare; nei sistemi di allevamento australiani basati su pascoli e in razze da carne, raggiunge il 20% nelle primipare [15-17].

La consapevolezza degli effetti della distocia sul benessere della madre e del vitello, sulla sopravvivenza e sul rendimento economico dell’azienda sta diventando sempre più diffusa tra gli allevatori [5,18]. Il miglioramento del monitoraggio e dell’assistenza al parto sono essenziali per il riconoscimento e la risoluzione tempestiva della distocia e la somministrazione del colostro [19-21]. Tuttavia, l’identificazione dell’esatto inizio del parto è difficile. La maggior parte degli allevamenti si affida a un software per calcolare la data prevista del parto in base al giorno dell’ultima inseminazione, ma la lunghezza della gestazione è variabile. Nei sistemi di allevamento tradizionali, o quando la data dell’ultima inseminazione non è stata registrata, la data del parto può essere solo presunta con un’approssimazione di 10 giorni [22-24].

Questa review riassume i metodi attualmente disponibili per la previsione del parto, compresi i sensori “indossabili dagli animali”, gli algoritmi appositi e le tecnologie di machine-learning. La Figura 1 mostra le diverse possibilità di posizionamento dei sensori sulla bovina in combinazione con i principali dispositivi disponibili nell’industria. Le Tabelle 1-5 mostrano i dispositivi attualmente disponibili per il rilevamento del parto imminente, con relative descrizioni dell’intervallo di tempo di previsione del parto, delle prestazioni e delle informazioni sui produttori, quando disponibili.

Sono stati presi in considerazione solo i prodotti e i prototipi descritti nella letteratura scientifica peer-reviewed.

Figura 1. Applicazione dei dispositivi per la previsione del parto nelle vacche. Modificato da: Richter e Götze (1978), Figura 100, [22] p. 142.

Tabella 1. Dispositivi per il rilevamento di attività e alimentazione per la previsione del parto, con performance e referenze.

Tabella 2. Dispositivi per il monitoraggio combinato di attività e alimentazione per la previsione del parto, con le performance e le referenze.

 

Tabella 3. Dispositivi per il monitoraggio della temperatura per la previsione del parto, con performance e referenze.

Tabella 4. Sensore di movimento della coda per la previsione del parto, con prestazioni e referenze.

Tabella 5. Dispositivi di allarme per il parto che identificano l’inizio della fase II del parto, con prestazioni e referenze.

Variazione dell’alimentazione, dell’attività e della temperatura prima del parto

Le variazioni comportamentali prima del parto nei bovini sono rappresentate da un aumento dell’irrequietezza, da una riduzione dell’assunzione di cibo e della ruminazione, dalla ricerca dell’isolamento associata a frequenti cambiamenti di posizione, dall’alzata della coda e da una maggiore frequenza di periodi di riposo [26,28,63-67]. Questi cambiamenti di comportamento diventano più frequenti nelle ultime ore prima del parto (vedi le rassegne di Saint-Dizier e Chastant-Maillard [68] e di Chang et al. [69]). Pertanto, sono stati sviluppati vari approcci di rilevamento automatico per prevedere il parto.

L’osservazione visiva degli animali in periparto potrebbe essere effettuata tramite video-registrazione con telecamere posizionate sull’area maternità, ma questo metodo richiede tempo ed è raramente utilizzato [26,70]. La presenza frequente di un osservatore potrebbe anche indurre discomfort negli animali in periparto, indurre il rilascio di catecolamine e interferire con il processo del parto [3]. Cangar et al. [71] hanno sviluppato un algoritmo per il monitoraggio in tempo reale dell’attività motoria e della postura delle vacche in periparto, basato sull’analisi delle immagini on-line per mezzo di videocamere. L’algoritmo ha classificato correttamente l’85-87% dei comportamenti in parallelo alla stima di osservatori di controllo. Gli algoritmi automatizzati per l’analisi delle immagini potrebbero rappresentare un approccio valido per l’identificazione degli animali partorienti in un prossimo futuro.

E’ stato tentato di commutare la valutazione dei segni premonitori del parto in un’equazione per prevedere l’inizio esatto della fase espulsiva, che è caratterizzata da un’intensa contrazione uterina e dall’espulsione del feto [72]. Per ad esempio, Lange et al. [73] hanno usato un modello misto lineare generale per valutare la relazione tra il sollevamento della coda osservato, il movimento, le perdite vaginali limpide o ematiche e la postura laterale associata alle contrazioni addominali nelle vacche da latte a fine gestazione al momento esatto del parto. Hanno utilizzato le stime del programma per costruire la seguente equazione per la previsione del parto:

Ore fino al parto = 97.99 + (sollevamento della coda × -38.0) + (attività motoria × -37.65) + (perdite vaginali chiare × -25.78) + (perdite vaginali ematiche × -51.88) + ( posizione laterale con contrazioni addominali × -30.52)

Tuttavia, gli autori hanno fortemente raccomandato l’osservazione delle vacche da latte gravide ogni due ore, e cio’ potrebbe influenzare negativamente la possibilità di applicazione pratica.

Gli studi sulla temperatura corporea hanno identificato una diminuzione di 0,2-0,4 °C nella temperatura vaginale e in quella rettale in due misurazioni consecutive, 36-24 ore prima del parto [74-76]. Secondo questi studi, la temperatura vaginale e rettale hanno mostrato Se = 62-71% e Sp = 81-87%, e Se = 44-69% e Sp = 86-88%, rispettivamente, per la previsione del parto.

Sensori utilizzabili per il monitoraggio automatico: cosa possiamo misurare?

I sensori più frequentemente utilizzati nell’allevamento di bovini sono pedometri e accelerometri, originariamente progettati per il rilevamento degli estri, seguiti da microfoni a collare per il controllo dell’alimentazione e della ruminazione e da termometri. Questi sensori possono essere applicati in diverse aree del corpo della bovina per raccogliere dati su movimenti triassiali e/o suoni (arti, collo, orecchie o coda, vedi Figura 1). Alcuni studi hanno dimostrato che i sensori automatici sono più affidabili rispetto all’osservazione visiva [77]. I parametri analizzati comprendono il tempo di ruminazione, il tempo in stazione, il numero di movimenti, il tempo di riposo e il numero di periodi di riposo, il sollevamento della coda o una combinazione di questi, che sono usati per costruire una linea basale. Le deviazioni sono indicative del parto nelle 6-12 ore successive [67,69]. Tuttavia, quando vengono usati come predittori del parto, si dovrebbe considerare un certo affinamento dell’algoritmo; alcuni autori riportano che il sollevamento della coda, gli atteggiamenti in stazione e in posizione distesa aumentano di frequenza 4 ore prima del parto nelle Holstein primipare e 2 ore prima del parto nelle vacche multipare [65,78-81]. Proudfoot et al. [25] hanno osservato che le vacche con distocia mostravano un maggior numero di periodi in stazione quadrupedale 24 ore prima del parto, rispetto alle vacche con parto eutocico (soglia: 33,8 periodi/giorno; Se = 77,8%; Sp = 77,8%). Inoltre, i cambiamenti comportamentali potrebbero anche essere influenzati dal genotipo; le vacche frisone in periparto mostrano più attività motoria rispetto a Jersey e bovini meticci [82]. Un sensore di ruminazione fissato ad una fascia nasale (ART-MSR; Agroscope Reckenholz-Tänikon, Ettenhausen, Svizzera) è stato creato a scopo sperimentale, da Nydegger et al. [83], e utilizzato da Pahl et al. [35]. Essi hanno rilevato che le vacche hanno interrotto la ruminazione in media 123 ± 58 minuti prima dell’inizio del parto. Una cavezza applicata ai muscoli masseteri potrebbe essere usata per il controllo della ruminazione per la previsione del parto, ma questo prototipo non è al momento impiegato [34].

Utilizzando microfoni disponibili in commercio per monitorare la masticazione, Schirmann et al. [84] e Calamari et al. [85] hanno osservato che le vacche trascorrevano in media il 70%, o 63 ± 30 min/24 ore, del tempo in meno a ruminare nelle 24 ore precedenti il parto. Nella loro osservazione il periodo di alimentazione è ridotto di 66 ± 15 min, mentre l’assunzione di sostanza secca diminuiva del 56% nelle ultime 6 ore prima del parto, rispetto a una base di riferimento. Questi risultati potrebbero essere utili per creare algoritmi di allarme per il parto in applicazioni future.

In altri ungulati, come il caribù (Rangifer tarandus caribou), i dati telemetrici delle femmine gravide sono stati raccolti attraverso un collare radio GPS (modello G2110E, Advanced Telemetry Systems-ATS, Isanti, MN, USA) e sono stati utilizzati per identificare il momento del parto con una precisione del 97% e per valutare la sopravvivenza neonatale (73% di precisione), sulla base dei movimenti della madre [86]. Questa metodologia non è attualmente utilizzata nel settore dei bovini, ma i sistemi basati sul pascolo offrono un campo di applicazione nel futuro. Un accelerometro triassiale modificato disponibile in commercio sotto forma di marchio auricolare (Smartbow GmbH, Weibern, Austria) è stato modificato a scopo sperimentale e utilizzato come sensore di sollevamento della coda in cinque vacche da latte a termine per la previsione del parto imminente [41]. A causa del numero limitato di animali coinvolti, questi autori hanno raccomandato più prove prima di applicare questo accelerometro come predittore di parto in condizioni di campo.

Dispositivi automatici per la misurazione continua della temperatura corporea potrebbero essere utilizzati per la previsione del parto: i sensori vaginali [29,87] e ruminali [43,44] sono in grado di identificare un declino della temperatura di 0,3-0,5 °C come predittivo del parto nelle 48-72 ore successive. Tuttavia, uno svantaggio del dispositivo ruminale è che una volta inserito nei prestomaci, il sensore non è riutilizzabile in altre bovine. Un sensore intra-ruminale ha riportato una diminuzione della temperatura circa 20 ore prima del parto (0,48 ± 0,05 °C) nelle vacche con parto normale, mentre negli animali con distocia la temperatura è scesa 32 ore prima del parto (0,23 ± 0,02 °C). Più recentemente, un termistore (prototipo: 103JT- 025, SEMITEC Corporation, Tokyo, Giappone) per la misurazione continua della temperatura della cute ventrale della coda è stato valutato in vacche adulte per la previsione del parto [46,47], e successivamente implementato attraverso algoritmi di apprendimento automatico [48]. Il parto entro le prossime 24 ore è stato previsto con successo dall’algoritmo; attualmente il sensore non è disponibile in commercio.

Moocall (Moocall Ltd., Dublino, Irlanda) è un inclinometro-accelerometro creato appositamente per adattarsi alla coda delle vacche e per monitorare i movimenti della coda al fine di prevedere il parto [51]. Una deviazione significativa dalla linea basale calcolata ogni ora nei movimenti della coda porta all’allarme parto, che viene inviato agli operatori tramite GSM. Diversi studi hanno valutato questo prodotto in condizioni di campo: il parto potrebbe essere previsto nelle successive 24 ore con Se = 100% e Sp = 95%, e con Se = 94% e Sp = 77% in un intervallo di tempo di 3 ore. Voß et al. [52] hanno riportato Se e Sp decrescenti dal 75 al 19% e dal 96 al 63%, rispettivamente, e valore predittivo positivo (PPV) dal 56 al 12%, per la previsione del parto in intervalli di 24 e 1 ora, rispettivamente. Horváth et al. [31] hanno riportato un PPV del 12,6%, con un numero maggiore di allarmi falsi positivi nelle vacche primipare rispetto alle pluripare (p < 0,05). Alcuni animali hanno mostrato una bassa tolleranza cutanea del dispositivo. Un prototipo simile che è fissato alla coda con un bendaggio elastico è in fase di sviluppo in Irlanda [88].

Combinazione di dati di attività, alimentazione e altri comportamenti

Nell’ultimo decennio, la ricerca si è concentrata sulla combinazione di dati riguardanti diversi comportamenti o sulla derivazione di vari dispositivi di monitoraggio per migliorare la previsione del parto. RumiWatch è un dispositivo che consiste in una combinazione di un sensore a fascia e un accelerometro per gli arti posteriori (Itin + Hoch GmbH, Fütterungstechnik CH-4410, Liestal, Svizzera) per misurare la ruminazione e l’attività motoria. La previsione del parto nelle successive 3 ore è stata ottenuta con una minima differenza per le vacche pluripare e primipare, come mostrato nella tabella 2 [36,37]. Tuttavia, gli autori hanno riscontrato un numero relativamente alto di falsi allarmi positivi, che potrebbe influire in modo negativo sulla loro applicabilità nella pratica di campo.

I marchi auricolari elettronici in grado di raccogliere dati sono stati recentemente introdotti sul mercato e consentono la registrazione continua di informazioni quali l’attività della vacca, l’alimentazione, la ruminazione e la temperatura dell’orecchio su base oraria. Questo aspetto potrebbe essere particolarmente prezioso per la predizione dello stato di salute generale, la rilevazione dell’estro e anche per il comportamento al parto. Rutten et al. [38] hanno valutato un algoritmo per la previsione del parto in un intervallo di un’ora. Hanno riportato che la sensibilità era troppo bassa (tabella 2), mentre l’aumento della finestra temporale a 12 ore ha portato a un miglioramento della sensibilità ma a un rischio ancora maggiore di falsi allarmi. Utilizzando una finestra temporale di 1-3 h Krieger et al. [39,40] hanno ottenuto una buona performance (Tabella 2). Gli autori hanno riportato in maniera significativa che le vacche che hanno avuto la necessità di assistenza al parto, mostravano un numero maggiore di eventi di cambiamento di posizione da -4 a -2 ore prima del parto, rispetto alle vacche che non avevano la necessità di assistenza. I dati che caratterizzano questa differenza potrebbero essere utilizzati per il futuro miglioramento dell’algoritmo al fine di differenziare gli animali a rischio di distocia e quindi ottimizzare il carico di lavoro e il monitoraggio delle vacche partorienti.

Performance dei sensori automatici e di Machine Learning per la previsione del parto da remoto

Il vantaggio principale offerto dai sensori automatici è quello di garantire un flusso continuo di dati nel software di gestione dell’allevamento senza un ulteriore impegno da parte dell’allevatore. Come detto in precedenza, i dispositivi disponibili in commercio sono progettati principalmente per il rilevamento degli estri. Tuttavia, i produttori offrono aggiornamenti aggiuntivi per il software di gestione che includono l’analisi dei dati per la previsione del parto. Le tabelle da 1 a 3 mostrano i prodotti più comuni, con i dati relativi alle loro prestazioni in condizioni sperimentali di campo. Accelerometri come IceTag 3D e IceQube (IceRobotics, Edimburgo, Regno Unito), Onset Pendant® G data logger possono essere fissati ai collari o agli arti posteriori, mentre dispositivi come SensOor (Agis Automa- tisering BV, Harmelen, Paesi Bassi) sono fissati al padiglione auricolare per monitorare la ruminazione. Sono in grado di inviare un allarme per un parto imminente con un intervallo di incertezza di almeno 12-6 ore [26,28,29]. Benaissa et al. [89] hanno tentato di ridurre l’intervallo dall’allarme al parto a 4-2 h combinando i dati di tre sensori: due accelerometri progettati per gli studi sul movimento della persona che sono stati collocati sull’arto posteriore e sul collare delle vacche (Axivity AX3 loggers, Axivity Ltd., Newcastle, UK), e un sensore di localizzazione fissato al collare (DecaWave, Dublin, Ireland). Tuttavia, le prove hanno rivelato una scarsa precisione (Pr) e Se (67-79% e 63-69%, rispettivamente) per il loro utilizzo pratico. Il miglioramento attraverso algoritmi di apprendimento automatico ha dimostrato una performance superiore, come riportato da Miller et al. [32,33]. Essi hanno utilizzato dati combinati da accelerometri da collare (collari Silent Herdsman® SHM, Afimilk Ltd., Afikim, Israele), e da un accelerometro triassiale installato sulla coda (AX3, 3-Axis logging accelerometer; Axivity, Newcastle, UK) in bovini da latte e da carne. L’evento di sollevamento della coda è stato il parametro più importante per la previsione del parto, e l’espulsione del vitello poteva essere prevista in una finestra temporale di 5 ore con leggere differenze nei bovini da latte e da carne (Se = 78,6%; Sp = 83,5% e Se = 76,1%; Sp = 83,3%, rispettivamente).

Microfoni per collari come HR-Tag e Hi Tag (HR-Tag, SCR Engineers Ltd., Netanya, Israele), hanno mostrato un Se ~ 70% e Sp ~ 70% nel prevedere il parto nelle 24 ore successive [27,30,84]. Horváth et al. [31] hanno applicato una soglia del 10% di diminuzione della ruminazione, rispetto alla soglia di riferimento della vacca, e hanno previsto con successo il parto con un intervallo di 2-4 ore.

Una delle tecniche più recentemente introdotte per l’analisi dei big data nell’allevamento è rappresentata dagli algoritmi di machine-learning e deep-learning. In breve, con questi algoritmi si può programmare il software ad analizzare un database e ad autocorreggersi, migliorando così la predizione di un certo evento. Un’unità di misurazione inerziale (RT-BT-9axisIMU, RT Corporation, Tokyo, Giappone) è stata applicata come un collare per rilevare i cambiamenti di attività preparto in bovini da carne neri giapponesi. I dati raccolti sono stati poi elaborati attraverso un modello innovativo di Long Short Time Memory-Recurrent Neural Network (LSTM-RNN) [42]. Allo stesso modo, la combinazione di algoritmi di deep-learning e di machine-learning per analizzare le variazioni di attività, posizione, stazione quadrupedale, tempo di inattività, alimentazione e ruminazione in vacche da latte ha portato alla previsione del parto entro le 3 ore successive con una Se = 57%, Sp = 85% e Pr = 49% nello studio condotto da Liseune et al. [90]. La riduzione dell’intervallo di tempo per la previsione del parto ha influenzato negativamente le prestazioni dell’algoritmo. I ricercatori hanno utilizzato telecamere a 360 gradi posizionate sopra l’area parto per ottenere dati comportamentali dalle registrazioni video e li hanno analizzati attraverso l’Hidden Markov Model e l’algoritmo Viterbi [91], o l’Adsorbing Markov Chain Model [92], per prevedere il parto nelle vacche da latte. Nella prima prova su 10 primipare, l’algoritmo ha previsto con successo il parto con Se = 91,05% e Pr = 93,28% e una accuratezza complessiva (Acc) ~ 91%. L’algoritmo basato sul modello a catena adsorbente di Markov ha ridotto con successo l’intervallo tra la previsione del parto e l’evento stesso a 3 ore in 25 vacche Holstein e Brown Swiss. Un altro studio ha riportato una previsione accurata del giorno del parto ma non dell’ora esatta [93]. In generale, gli autori concordano sul fatto che gli algoritmi classificano correttamente i dati sull’assunzione di cibo, sulla ruminazione, sulla posizione di decubito o in stazione quadrupedale, ma dovrebbero essere perfezionati prima di una loro applicazione su vasta scala per la predizione accurata del parto. Questi risultati sono incoraggianti e sicuramente aprono una prospettiva per applicazioni future che includono l’analisi di dati da registrazioni video e sensori per prevedere il parto con sempre maggiore precisione.

Considerazioni generali sui dispositivi di monitoraggio remoto di alimentazione, attività e temperatura impiegati per la predizione del parto

Le differenze tra gli studi per quanto concerne il valore basale della ruminazione ed il differenziale nel tempo, nel periodo di riposo e nei periodi di riposo in prossimità del parto potrebbero essere dovuti a fattori quali la variazione del contenuto di fibre nella razione e dei sistemi di stabulazione. Inoltre, bisogna considerare che i sensori che si basano sull’attività e/o sul comportamento (coda che viene sollevata, deambulazione casuale) per identificare il parto potrebbero essere influenzati da variazioni a livello di singolo animale. Anche se la maggior parte delle vacche mostra un aumento dei periodi di riposo all’avvicinarsi del parto, ad esempio, una parte dei soggetti non mostra variazioni [69,94].

Nel complesso, il perfezionamento delle tecnologie per il monitoraggio continuo a distanza delle attività delle vacche, come gli accelerometri, forniscono una nuova opportunità per prevedere il momento del parto. Il vantaggio principale di questi sistemi è rappresentato dalla loro applicazione per il monitoraggio della salute generale (ruminometri), il rilevamento dell’estro (accelerometri). Quindi, sono attualmente già implementati nel contesto dell’allevamento di precisione, e la funzione di previsione dei parti potrebbe essere raggiunta tramite l’aggiornamento del software. Il costo per l’acquisto di questa funzionalità aggiuntiva o per la sostituzione dei sensori dovrebbe essere considerato.

I metodi e gli strumenti menzionati fin qui sono facili da applicare, ma non permettono di identificare l’inizio esatto del parto. L’intervallo di tempo tra l’allarme e il parto varia da 24 a 6 ore, quindi potrebbero essere attualmente utili per identificare la fase prodromica e avvisare l’allevatore su quando trasferire le vacche nella sala parto. Come regola generale, più si riduce la finestra temporale degli allarmi, maggiore è il rischio di falsi allarmi. Questo aspetto influisce inevitabilmente sulla volontà dell’allevatore di utilizzare questi dispositivi. Per quanto riguarda specificatamente la fase prodromica (stadio I) del parto, questa è caratterizzata da un aumento delle contrazioni del miometrio non visibili però dall’esterno, dalla diminuzione del progesterone e dall’aumento della produzione di ossitocina e PGF2α. I sensori e le metodiche in grado di registrare questi cambiamenti non sono ancora disponibili o sono troppo elaborati e onerosi [95,96].

Inoltre, va notato che la precisione di questi sistemi potrebbe anche essere influenzata da condizioni diverse dal parto, come la presenza di febbre e di zoppia, il tipo di  stabulazione e gli eventi quotidiani che possono verificarsi nell’allevamento [31,97]. Quando è necessario identificare l’inizio esatto della fase espulsiva, è ancora necessaria l’osservazione diretta e regolare degli animali partorienti. Poiché questi dispositivi sono in grado di identificare i cambiamenti di comportamento che si verificano durante la fase prodromica (preparatoria) del travaglio [72], gli allevatori potrebbero basarsi su questi segnali per decidere quando spostare le vacche nella sala parto e per intensificare la loro sorveglianza.

Dispositivi che identificano il secondo stadio del parto (fase espulsiva)

La fase espulsiva è caratterizzata dalla completa dilatazione del canale del parto, dalla rottura dei sacchi fetali, dall’ingresso del feto nel canale e da intense e coordinate contrazioni uterine e addominali [72]. I sensori per il rilevamento della fase II del travaglio possono essere divisi in due categorie principali: dispositivi esterni che vengono suturati alla vulva e sensori intravaginali.

Sensori magnetici vulvari

La separazione delle labbra vulvari durante il travaglio può essere rilevata attraverso sensori magnetici che vengono suturati alla vulva, come di routine nella pratica equina (Foalert, Acworth, GA, USA; C6 birth control, Sisteck s.r.l., Sassuolo, Italia) [53,98]. Marchesi et al. [55] hanno valutato Se e PPV di Foalert come allarme parto in 53 vacche Holstein Friesian, che sono risultati essere rispettivamente del 100% e del 95%. Hanno anche riportato che la presenza del personale dell’azienda al parto ha raggiunto il 100% nelle vacche allarmate, rispetto al 17% dei controlli (p < 0,001). Questo sistema è stato ulteriormente abbinato a un trasmettitore GPS incluso nei collari dei bovini al pascolo [56]. Nei sistemi di pascolo, la localizzazione GPS e l’allarme parto potrebbero essere utili sia per garantire l’assistenza, le prime cure neonatali, sia per evitare perdite di vitelli a causa della predazione. Anche se questi dispositivi si sono dimostrati adatti per la corretta identificazione del parto nei bovini, l’applicazione del dispositivo è invasiva e richiede la supervisione del veterinario a causa della necessità di un’anestesia locale per la sutura dei componenti alla superficie della vulva. Questa tecnologia è stata valutata come costosa per la sua applicazione nell’allevamento dei bovini, a causa dei costi di acquisto e manutenzione [16,54].

Dispositivi intravaginali

Alcuni termometri intravaginali sono in grado di riconoscere sia il calo della temperatura corporea della partoriente e la loro stessa espulsione quando i sacchi fetali o il feto entrano nel canale del parto. L’allarme di parto a forma di T iVET® (iVET®-Geburtsüberwachung für Kühe, 2012) è caratterizzato da un sensore di luce ed è stato valutato per l’uso nella Holstein primipara [61]. La sensibilità (Se) e la specificità (Sp) dell’iVET® erano rispettivamente 78% e 93%. Anche se il dispositivo ha avvertito correttamente il personale dell’allevamento, è stata osservata una scarsa tolleranza locale, in quanto sono stati notati irritazione e disagio. Inoltre, è stata ipotizzata una interferenza con il processo di parto, in quanto la forma del dispositivo potrebbe essere responsabile della rottura prematura dei sacchi fetali, della dilatazione ritardata del canale del parto e dell’aumento tasso di distocia (58,3% e 40,9% nelle primipare sperimentali e di controllo, rispettivamente, p < 0.001).

Il Medria (Vel’Phone®, Châteaugiron, Francia) e il Gyuonkei (Gyuonkei, Remote Inc., Oita, Giappone) sono sensori di temperatura in grado di generare sia un allarme a circa 24 ore prima del parto (diminuzione di 0,4 °C della temperatura vaginale) e un allarme parto quando i dispositivi vengono espulsi [31,49,50,62]. Tuttavia, una delle maggiori preoccupazioni quando si usano dispositivi dotati solo di termometri è che il differenziale tra la temperatura della vagina e l’ambiente esterno potrebbe non essere sufficiente a generare l’allarme, come suggerito da Norman et al. [16]. Questi autori hanno descritto l’uso di un allarme di parto a distanza in cervi, alci, bisonti e antilopi (Sirtrack Ltd., Havelock North, Nuova Zelanda), ma il rilevamento dell’espulsione potrebbe essere compromesso per esempio in condizioni di clima caldo, come nel bovini in caso di stress da calore.

Il dispositivo intravaginale OraNasco (Kronotech Srl, Campoformido, Italia) supera i problemi del singolo parametro, poiché è dotato di sensori fisici sia per la luce che per la temperatura. Il sensore di temperatura è impostato per riconoscere i gradienti. Il sensore di luce è in grado di generare un output anche in caso di scarsa luminosità. Quando il dispositivo viene inserito nel canale vaginale, la sonda rimane in attesa di rilevare la luce o un improvviso cambiamento di temperatura. Se almeno una delle due condizioni è presente, la sonda passa allo stato di espulso e comunica l’espulsione all’unità centrale. L’espulsione della sonda avviene quando i sacchi fetali o il feto stesso entrano nel canale del parto, all’inizio del secondo stadio del travaglio. L’unità centrale invia avvisi al personale dell’azienda attraverso la connessione GSM, LAN e Wi-Fi. Il sistema remoto è stato valutato per l’uso sia nei bovini [57] che nei bufali [58]. Le prove sul campo hanno dimostrato una Se complessiva = 86,3% [60], una buona tolleranza locale e un alto tasso di ritenzione, tranne in un caso di prolasso vaginale ricorrente in una manza bufalina.

Watanabe et al. [99] hanno valutato il potenziale di un dispositivo intravaginale composto da un accelerometro triassiale accoppiato a un corpo radioemettitore continuo. Una volta espulso, il segnale radio non è più smorzato dai tessuti del corpo, mentre l’accelerometro identifica la caduta. La combinazione di questi dati viene commutata nell’allarme parto dall’Unità centrale. L’identificazione della fase II del parto è stata segnalata correttamente per entrambi i metodi, triassiale e del segnale radio, sebbene non siano disponibili ulteriori informazioni riguardo alla tolleranza locale o all’uso sul campo di questo dispositivo.

La maggior parte dei prodotti descritti sopra non sono progettati per l’uso in pascoli, dato che l’unità centrale deve essere collocata all’interno di una area coperta. A causa della dispersione delle mandrie nei sistemi estensivi australiani al pascolo, un dispositivo telemetrico intravaginale è in fase di valutazione nei bovini da carne [100]; il dispositivo è dotato di una scheda madre TaggleTM che emette un segnale radio (ping) quando viene espulso. Il ping radio può essere triangolato telemetricamente e la posizione localizzata all’interno del pascolo. I risultati preliminari hanno mostrato un tasso di ritenzione dell’85% e nessun effetto avverso locale. L’identificazione corretta del parto è stata raggiunta nel 66% dei casi, mentre la localizzazione degli animali è stata raggiunta nel 64% dei casi con un’approssimazione di 100-200 m. Tracciare gli animali partorienti in aree di pascolo estese è una preoccupazione importante nei sistemi di allevamento australiani. Posizionare antenne di ricezione radio potrebbe essere difficile a causa della topografia del terreno; così i ricercatori stanno anche valutando un dispositivo Vaginal Implant Transmitter (VIT) che è dotato di sensori di temperatura e accelerometro accoppiati a un collare GNSS per la localizzazione tramite tecnologia satellitare [101]. Il dispositivo è ancora un prototipo al momento, e sono necessari ulteriori miglioramenti per l’uso sul campo.

Considerazioni generali sui dispositivi per l’identificazione del secondo stadio del parto

I metodi inclusi in questa sezione sono in grado di identificare con precisione l’inizio della fase espulsiva, avvertendo così il personale dell’allevamento e incoraggiando un intervento tempestivo. La durata della fase 2 del parto è stata riportata in media a 64,0 min per le primipare non assistite, 42,7 min per le primipare assistite e 20 min nelle vacche pluripare [79]. I metodi per l’identificazione dell’inizio della fase espulsiva generano allarmi telefonici e il momento di ricezione dell’allarme potrebbe essere usato per programmare l’intervento nel caso in cui l’intervallo tra l’allarme e la progressione del parto superi la durata mediana della fase II [102].

I metodi presentati in questa sezione sono dedicati esclusivamente alla previsione del parto. Questo significa che non potrebbero essere usati per funzioni multiple, come il rilevamento degli estri, il monitoraggio della ruminazione, né per decidere quando spostare le vacche nell’area parto. L’acquisto di questa tecnologia dovrebbe essere valutato considerando la possibilità di riutilizzare il dispositivo per più bovine e il ritorno economico di una migliore gestione del parto. Inoltre, nelle mandrie più piccole, dove il numero di dipendenti non può garantire il monitoraggio continuo delle bovine, la presenza di personale per assistere il parto sarebbe ottimizzata e il tempo speso per il monitoraggio visivo sarebbe ridotto. Infine aziende dove il valore del vitello neonato è importante (uso di seme sessato, embryo transfer), queste tecnologie potrebbero apportare beneficio alla gestione del parto e del vitello. L’assistenza tempestiva al parto è vantaggiosa per i risultati riproduttivi e produttivi complessivi dell’azienda [102]: Palombi et al. [57] hanno dimostrato che l’assistenza tempestiva al parto e le prime cure neonatali riducono l’incidenza delle malattie uterine post-partum come la ritenzione delle membrane fetali, la metrite e la mortalità neonatale. La diminuzione dell’incidenza delle infezioni uterine ha portato a una riduzione dell’intervallo parto-concepimento e del numero di inseminazioni artificiali per gravidanza nelle vacche da latte monitorate. Garantire l’assunzione di colostro durante le prime 6 ore di vita è fondamentale per la sopravvivenza dei vitelli e il benessere [20]; Morin et al. [103] hanno trovato un’associazione positiva tra un adeguato trasferimento dell’immunità passiva e la somministrazione di colostro prima delle 3 ore di vita. Tuttavia, hanno anche osservato che solo il 42% dei vitelli appena nati riceve il primo pasto entro questo intervallo di tempo e hanno raccomandato agli allevatori di migliorare la gestione dei vitelli e del colostro. L’aumento del carico di lavoro per il monitoraggio del parto e la cura dei vitelli neonati potrebbe essere percepito dagli allevatori come dispendioso in termini di tempo e denaro, ma una stima tramite metodo di budget parziale dell’effetto del monitoraggio e dell’assistenza al parto ha confermato che una mandria da latte con 100 lattifere potrebbe migliorare il rendimento netto da 37 a 90 €/vacca/anno. Questi guadagni risultavano dalla riduzione delle perdite di vitelli, dalla riduzione della riforma involontaria durante i primi 60 giorni dopo il parto, e dei days open, associati a una maggiore produzione di latte [59]. Di conseguenza, investire nella cura dei vitelli potrebbe essere ripagato attraverso l’aumento del numero di vitelli svezzati per la vendita o per la rimonta. D’altra parte, l’identificazione esatta del secondo stadio del parto potrebbe essere vantaggiosa nel caso in cui la separazione precoce vacca-vitello e l’alimentazione con colostro senza agenti patogeni sia necessaria per l’eradicazione di malattie trasmesse verticalmente come la paratubercolosi e il virus della leucemia bovina [104,105].

Conclusioni

La previsione del parto basata sull’osservazione visiva continua, sul dosaggio degli ormoni e sul monitoraggio manuale della temperatura richiede tempo, è costosa e non è realisticamente realizzabile nella maggior parte dei sistemi di allevamento intensivo. Pertanto, il monitoraggio remoto e sistemi di allarme automatizzati per la gestione della salute, compreso il parto, sono necessari al fine di ottimizzare il carico di lavoro, il benessere degli animali e il rendimento netto dell’azienda. Gli allevatori potrebbero valutare la necessità o meno di identificare con precisione l’inizio del travaglio e i costi dei diversi sistemi di allarme quando scelgono un sistema di monitoraggio automatico basato su sensori, piuttosto che acquistare dispositivi di allarme per il parto. Dove la presenza del personale è quasi costante, come nelle aziende con un gran numero di vacche in lattazione o con tre mungiture al giorno, i sistemi di monitoraggio del parto che inviano avvisi durante la fase prodromica del travaglio (6-12 h prima) potrebbero essere utili. In questo scenario, l’osservazione delle vacche potrebbe essere effettuata a intervalli regolari nella routine dell’azienda, senza aumentare i costi delle ore di lavoro.

Al contrario, quando la presenza del personale  in azienda non è garantita, i sistemi che avvisano all’inizio della fase espulsiva potrebbero essere preferiti. In questo caso, il tempo dedicato all’osservazione  delle vacche in periparto è ridotto e l’intervento ottimizzato al momento del parto diminuirà i costi legati al personale. Un altro aspetto rilevante è l’affidabilità di ogni allarme parto: i sensori automatici per la temperatura corporea e l’attività sono ampiamente utilizzati nell’allevamento di bestiame per monitorare la salute e potrebbero essere adattati anche come rivelatori di parto imminente.

In generale, la maggior parte dei sensori sono caratterizzati da buone Se e Sp, l’aumento della sensibilità potrebbe portare a un numero eccessivo di allarmi falsi positivi, il che è dannoso per la volontà degli allevatori di utilizzarli. Inoltre, si dovrebbe sottolineare che la precisione di questi sistemi potrebbe anche essere influenzata da condizioni diverse dal parto, come febbre e zoppia, comfort della vacca e stabulazione, pavimentazione ed eventi quotidiani dell’azienda.

Risultati promettenti sono stati mostrati da dispositivi che possono essere posizionati all’interno del canale vaginale, identificando così l’inizio dell’espulsione del feto e ottimizzando la tempistica dell’assistenza ostetrica, anche se sono stati segnalati alcuni casi di tollerabilità locale non ottimale.

Gli sforzi futuri dovrebbero essere volti a migliorare Se, Sp e PPV dei dispositivi di allarme per il parto, diminuendo il numero di allarmi falsi positivi e dando la priorità a prodotti facili da applicare, riutilizzabili e ben tollerati.

Autori

Martina Crociati1,2*, Lakamy Sylla1, Arianna De Vincenzi1, Giuseppe Stradaioli3 e Maurizio Monaci1,2

1 – Dipertimento di Medicina Veterinaria, Università degli Studi di Perugia.
2 – Centro di ricerca di medicina perinatale e della riproduzione, Università degli Studi di Perugia.
3 – Dipartimento di Scienze agroalimentari, ambientali e animali (DI4A), Università di Udine.

doi.org/10.3390/ani12030405

Referenze

  1. Britt, J.H. Enhanced Reproduction and Its Economic Implications. Dairy Sci. 1985, 68, 1585–1592. https://doi.org/10.3168/jds.S0022-0302(85)80997-8.
  2. Cabrera, V.E. Economics of fertility in high-yielding dairy cows on confined TMR systems. Animal 2014, 8, 211–221. https://doi.org/10.1017/S1751731114000512.
  3. Mee, J.F. Prevalence and risk factors for dystocia in dairy cattle: A review. J. 2008, 176, 93–101. https://doi.org/10.1016/j.tvjl.2007.12.032.
  4. Sheldon, I.M.; Cronin, J.; Goetze, L.; Donofrio, G.; Schuberth, H.-J. Defining postpartum uterine disease and the mechanisms of infection and immunity in the female reproductive tract in cattle. Reprod. 2009, 81, 1025–1032. https://doi.org/10.1095/biolreprod.109.077370.
  5. Arnott, G.; Roberts, D.; Rooke, J.A.; Turner, S.P.; Lawrence, A.B.; Rutherford, K.M.D. Board invited review: The importance of the gestation period for welfare of calves: Maternal stressors and difficult births. Anim. Sci. 2012, 90, 5021–5034. https://doi.org/10.2527/jas.2012-5463.
  6. McHugh, N.; Kearney, J.F.; Berry, D.P. The effect of dystocia on subsequent performance in dairy cows. In Proceedings of the Agricultural Research Forum, Tullamore, Ireland, 12-13 March, 2012; p. 22, ISBN 9781841705736.
  7. Kovács, L.; Kézér, F.L.; Ruff, F.; Szenci, O. Timing of obstetrical assistance affects peripartal cardiac autonomic function and early maternal behavior of dairy cows. Behav. 2016, 165, 202–210. https://doi.org/10.1016/j.physbeh.2016.08.001.
  8. Kovács, L.; Kézér, F.L.; Szenci, O. Effect of calving process on the outcomes of delivery and postpartum health of dairy cows with unassisted and assisted calvings. Dairy Sci. 2016, 99, 7568–7573. https://doi.org/10.3168/jds.2016-11325.
  9. Meyer, C.L.; Berger, P.J.; Koehler, K.J. Interactions among Factors Affecting Stillbirths in Holstein Cattle in the United States. Dairy Sci. 2000, 83, 2657–2663. https://doi.org/10.3168/jds.S0022-0302(00)75159-9.
  10. Lombard, J.E.; Garry, F.B.; Tomlinson, S.M.; Garber, L.P. Impacts of Dystocia on Health and Survival of Dairy Calves. Dairy Sci. 2007, 90, 1751–1760. https://doi.org/10.3168/jds.2006-295.
  11. Hohnholz, T.; Volkmann, N.; Gillandt, K.; Waßmuth, R.; Kemper, N. Risk factors for dystocia and perinatal mortality in extensively kept angus suckler cows in germany. Agriculture 2019, 9, https://doi.org/10.3390/agriculture9040085.
  12. De Amicis, I.; Veronesi, M.C.; Robbe, D.; Gloria, A.; Carluccio, A. Prevalence, causes, resolution and consequences of bovine dystocia in Italy. Theriogenology 2018, 107, 104–108. https://doi.org/10.1016/j.theriogenology.2017.11.001.
  13. Mainau, E.; Manteca, X. Pain and discomfort caused by parturition in cows and sows. Anim. Behav. Sci. 2011, 135, 241–251. https://doi.org/10.1016/j.applanim.2011.10.020.
  14. Della Rocca, G.; Brondani, J.T.; de Oliveira, F.A.; Crociati, M.; Sylla, L.; Elad Ngonput, A.; Di Salvo, A.; Luna, S.P.L. Validation of the Italian version of the UNESP–Botucatu unidimensional composite pain scale for the assessment of postoperative pain in cattle. Anaesth. Analg. 2017, 44, 1253–1261. https://doi.org/10.1016/j.vaa.2016.11.008.
  15. Meyer, C.L.; Berger, P.J.; Koehler, K.J.; Thompson, J.R.; Sattler, C.G. Phenotypic Trends in Incidence of Stillbirth for Holsteins in the United States. Dairy Sci. 2001, 84, 515–523. https://doi.org/10.3168/jds.S0022-0302(01)74502-X.
  16. Norman, S.; Swain, D.; Collop, T.; Loy, J.; Larsen, J. Remote Calf Alert—Technology Development; Meat & Livestock Australia Limited, Locked Bag 991, North Sydney Nsw 2059; 2011; ISBN 9781741918878.
  17. Mahnani, A.; Sadeghi-Sefidmazgi, A.; Keshavarzi, H. Performance and financial consequences of stillbirth in Holstein dairy cattle. Animal 2018, 12, 617–623. https://doi.org/10.1017/S1751731117002026.
  18. Martin-Collado, D.; Hely, F.; Byrne, T.J.; Evans, R.; Cromie, A.R.; Amer, P.R. Farmer views on calving difficulty consequences on dairy and beef farms. Animal 2017, 11, 318–326. https://doi.org/10.1017/S1751731116001567.
  19. Blum, J.; Hammon, H. Colostrum effects on the gastrointestinal tract, and on nutritional, endocrine and metabolic parameters in neonatal calves. Prod. Sci. 2000, 66, 151–159. https://doi.org/10.1016/S0301-6226(00)00222-0.
  20. Quigley, J.D.; Strohbehn, R.E.; Kost, C.J.; O’Brien, M.M. Formulation of colostrum supplements, colostrum replacers and acquisition of passive immunity in neonatal calves. Dairy Sci. 2001, 84, 2059–2065. https://doi.org/10.3168/jds.S0022-0302(01)74650-4.
  21. Gundelach, Y.; Essmeyer, K.; Teltscher, M.K.; Hoedemaker, M. Risk factors for perinatal mortality in dairy cattle: Cow and foetal factors, calving process. Theriogenology 2009, 71, 901–909. https://doi.org/10.1016/j.theriogenology.2008.10.011.
  22. Richter, J.; Götze, R. Tiergeburtshilfe, 3rd ed.; Verlag Paul Parey: Berlin/Hamburg, Germany, 1978.
  23. Norman, H.D.; Wright, J.R.; Kuhn, M.T.; Hubbard, S.M.; Cole, J.B.; VanRaden, P.M. Genetic and environmental factors that affect gestation length in dairy cattle. Dairy Sci. 2009, 92, 2259–2269. https://doi.org/10.3168/jds.2007-0982.
  24. Brownlie, T.S.; Morton, J.M.; McDougall, S. Accuracy of fetal age estimates using transrectal ultrasonography for predicting calving dates in dairy cows in seasonally calving herds in New Zealand. Z. Vet. J. 2016, 64, 324–329. https://doi.org/10.1080/00480169.2016.1207573.
  25. Proudfoot, K.L.; Huzzey, J.M.; von Keyserlingk, M.A.G. The effect of dystocia on the dry matter intake and behavior of Holstein cows. Dairy Sci. 2009, 92, 4937–4944. https://doi.org/10.3168/jds.2009-2135.
  26. Jensen, M.B. Behaviour around the time of calving in dairy cows. Anim. Behav. Sci. 2012, 139, 195–202. https://doi.org/10.1016/j.applanim.2012.04.002.
  27. Borchers, M.R.; Chang, Y.-M.; Stone, E.; Wadsworth, A.; Bewley, J.M. Predicting impending calving using automatic activity and rumination measures in dairy cattle. In Proceedings of the 7th European Conference on Precision Livestock Farming, Milan, Italy, 15-18 September 2015; pp. 406–414.
  28. Titler, M.; Maquivar, M.G.; Bas, S.; Rajala-Schultz, P.J.; Gordon, E.; McCullough, K.; Federico, P.; Schuenemann, G.M. Prediction of parturition in Holstein dairy cattle using electronic data loggers. Dairy Sci. 2015, 98, 5304–5312. https://doi.org/10.3168/jds.2014-9223.
  29. Ouellet, V.; Vasseur, E.; Heuwieser, W.; Burfeind, O.; Maldague, X.; Charbonneau Evaluation of calving indicators measured by automated monitoring devices to predict the onset of calving in Holstein dairy cows. Dairy Sci. 2016, 99, 1539–1548. https://doi.org/10.3168/jds.2015-10057.
  30. Clark, C.E.F.; Lyons, N.A.; Millapan, L.; Talukder, S.; Cronin, G.M.; Kerrisk, K.L.; Garcia, S.C. Rumination and activity levels as predictors of calving for dairy cows. Animal 2015, 9, 691–695. https://doi.org/10.1017/S1751731114003127.
  31. Horváth, A.; Lénárt, L.; Pálffy, M.; Szenci, O. A field study using different technologies to detect calving at a scale hungarian dairy farm. Dom. Anim. 2021, 56, 673–679. https://doi.org/10.1111/rda.13904.
  32. Miller, G.A.; Mitchell, M.A.; Barker, Z.E.; Giebel, K.; Codling, E.; Amory, J.; Duthie, C.-A. Animal-mounted sensor technology to predict ‘time to calving’ in beef and dairy cows. In Proceedings of the Abstract from BSAS Annual Conference, Edinburgh, UK, 9–11 April
  33. Miller, G.A.; Mitchell, M.; Barker, Z.E.; Giebel, K.; Codling, E.A.; Amory, J.R.; Michie, C.; Davison, C.; Tachtatzis, C.; Andonovic, I.; et al. Using animal-mounted sensor technology and machine learning to predict time-to-calving in beef and dairy cows. Animal 2020, 14, 1304–1312. https://doi.org/10.1017/S1751731119003380.
  34. Büchel, S.; Sundrum, A. Short communication: Decrease in rumination time as an indicator of the onset of calving. Dairy Sci. 2014, 97, 3120–3127. https://doi.org/10.3168/jds.2013-7613.
  35. Pahl, C.; Hartung, E.; Grothmann, A.; Mahlkow-Nerge, K.; Haeussermann, A. Rumination activity of dairy cows in the 24 hours before and after calving. Dairy Sci. 2014, 97, 6935–6941. https://doi.org/10.3168/jds.2014-8194.
  36. Fadul, M.; Christopher, B.; Maher, A.; Jürg, H.; Alexander, S.; Adrian, S.; Gaby, H. Prediction of calving time in dairy cattle. Reprod. Sci. 2017, 187, 37–46. https://doi.org/10.1016/j.anireprosci.2017.10.003.
  37. Zehner, N.; Niederhauser, J.J.; Schick, M.; Umstatter, C. Development and validation of a predictive model for calving time based on sensor measurements of ingestive behavior in dairy cows. Electron. Agric. 2019, 161, 62–71. https://doi.org/10.1016/j.compag.2018.08.037.
  38. Rutten, C.J.; Kamphuis, C.; Hogeveen, H.; Huijps, K.; Nielen, M.; Steeneveld, W. Sensor data on cow activity, rumination, and ear temperature improve prediction of the start of calving in dairy cows. Electron. Agric. 2017, 132, 108–118. https://doi.org/10.1016/j.compag.2016.11.009.
  39. Krieger, S.; Oczak, M.; Lidauer, L.; Berger, A.; Kickinger, F.; Oelschuster, M.; Auer, W.; Drillich, M.; Iwersen, M. Ear-attached accelerometer as an on-farm device to predict the onset of calving in dairy cows. In Proceedings of the 14th International Conference on Precision Agriculture, Montreal, QC, Canada, 24-27 June, 2018.
  40. Krieger, S.; Oczak, M.; Lidauer, L.; Berger, A.; Kickinger, F.; Öhlschuster, M.; Auer, W.; Drillich, M.; Iwersen, M. An ear-attached accelerometer as an on-farm device to predict the onset of calving in dairy cows. Eng. 2019, 184, 190–199. https://doi.org/10.1016/j.biosystemseng.2019.06.011.
  41. Krieger, S.; Sattlecker, G.; Kickinger, F.; Auer, W.; Drillich, M.; Iwersen, M. Prediction of calving in dairy cows using a tail-mounted tri-axial accelerometer: A pilot study. Eng. 2018, 173, 79–84. https://doi.org/10.1016/j.biosystemseng.2017.11.010.
  42. Peng, Y.; Kondo, N.; Fujiura, T.; Suzuki, T.; Ouma, S.; Wulandari; Yoshioka, H.; Itoyama, E. Dam behavior patterns in Japanese black beef cattle prior to calving: Automated detection using LSTM-RNN. Electron. Agric. 2020, 169, 105178. https://doi.org/10.1016/j.compag.2019.105178.
  43. Cooper-Prado, M.J.; Long, N.M.; Wright, E.C.; Goad, C.L.; Wettemann, R.P. Relationship of ruminal temperature with parturition and estrus of beef cows. Anim. Sci. 2011, 89, 1020–1027. https://doi.org/10.2527/jas.2010-3434.
  44. Costa, J.B.G.; Ahola, J.K.; Weller, Z.D.; Peel, R.K.; Whittier, J.C.; Barcellos, J.O.J. Reticulo-rumen temperature as a predictor of calving time in primiparous and parous Holstein females. Dairy Sci. 2016, 99, 4839–4850. https://doi.org/10.3168/jds.2014-9289.
  45. Kovács, L.; Kézér, F.L.; Ruff, F.; Szenci, O. Rumination time and reticuloruminal temperature as possible predictors of dystocia in dairy cows. Dairy Sci. 2017, 100, 1568–1579. https://doi.org/10.3168/jds.2016-11884.
  46. Koyama, K.; Koyama, T.; Sugimoto, M.; Kusakari, N.; Miura, R.; Yoshioka, K.; Hirako, M. Prediction of calving time in Holstein dairy cows by monitoring the ventral tail base surface temperature. J. 2018, 240, 1–5. https://doi.org/10.1016/j.tvjl.2018.08.006.
  47. Miwa, M.; Matsuyama, S.; Nakamura, S.; Noda, K.; Sakatani, M. Prepartum change in ventral tail base surface temperature in beef cattle: comparison with vaginal temperature and behavior indices, and effect of ambient temperature. Reprod. Dev. 2019, 65, 515–525. doi:10.1262/jrd.2019-087.
  48. Higaki, S.; Koyama, K.; Sasaki, Y.; Abe, K.; Honkawa, K.; Horii, Y.; Minamino, T.; Mikurino, Y.; Okada, H.; Miwakeichi, F.; et al. Technical note: Calving prediction in dairy cattle based on continuous measurements of ventral tail base skin temperature using supervised machine learning. Dairy Sci. 2020, 103, 8535–8540. https://doi.org/10.3168/jds.2019-17689.
  49. Sakatani, M.; Sugano, T.; Higo, A.; Naotsuka, K.; Hojo, T.; Gessei, S.; Uehara, H.; Takenouchi, N. Vaginal temperature measurement by a wireless sensor for predicting the onset of calving in Japanese Black cows. Theriogenology 2018, 111, 19–24. https://doi.org/10.1016/j.theriogenology.2018.01.016.
  50. Ricci, A.; Racioppi, V.; Iotti, B.; Bertero, A.; Reed, K.F.; Pascottini, O.B.; Vincenti, L. Assessment of the temperature cut-off point by a commercial intravaginal device to predict parturition in Piedmontese beef cows. Theriogenology 2018, 113, 27–33. https://doi.org/10.1016/j.theriogenology.2018.02.009.
  51. Giaretta, E.; Marliani, G.; Postiglione, G.; Magazzù, G.; Pantò, F.; Mari, G.; Formigoni, A.; Accorsi, P.A.; Mordenti, A. Calving time identified by the automatic detection of tail movements and rumination time, and observation of cow behavioural changes. Animal 2020, 15, 100071. https://doi.org/10.1016/j.animal.2020.100071.
  52. Voß, A.L.; Fischer-Tenhagen, C.; Bartel, A.; Heuwieser, W. Sensitivity and specificity of a tail-activity measuring device for calving prediction in dairy cattle. Dairy Sci. 2021, 104, 3353–3363. https://doi.org/10.3168/jds.2020-19277.
  53. Paolucci, M.; Di Giambattista, A.; Sylla, L.; Menichelli, M.; Banchio, A.; Monaci, M. Predicting time of parturition in Holstein Friesian cows by using C6 Birth Control®. In Proceedings of the Reproduction in Domestic Animals, Budapest, Hungary, 13-17 July, 2008; pp. 57–58.
  54. Paolucci, M.; Sylla, L.; Di Giambattista, A.; Palombi, C.; Elad, A.; Stradaioli, G.; Pascolo, P.; Monaci, M. Improving calving management to further enhance reproductive performance in dairy cattle. Res. Commun. 2010, 34, 37–40. https://doi.org/10.1007/s11259-010-9397-y.
  55. Marchesi, G.; Leonardi, S.; Tangorra, F.M.; Calcante, A.; Beretta, E.; Pofcher, E.; Lazzari, M. Evaluation of an electronic system for automatic calving detection on a dairy farm. Prod. Sci. 2013, 53, 1112. https://doi.org/10.1071/AN12335.
  56. Calcante, A.; Tangorra, F.M.; Marchesi, G.; Lazzari, M. A GPS/GSM based birth alarm system for grazing cows. Electron. Agric. 2014, 100, 123–130. https://doi.org/10.1016/j.compag.2013.11.006.
  57. Palombi, C.; Paolucci, M.; Stradaioli, G.; Corubolo, M.; Pascolo, P.B.; Monaci, M. Evaluation of remote monitoring of parturition in dairy cattle as a new tool for calving management. BMC Vet. Res. 2013, 9, 191. https://doi.org/10.1186/1746-6148-9-191.
  58. Rossi, E.; Ferri, N.; Crociati, M.; Monaci, M.; Stradaioli, G.; Sylla, L. Remote monitoring system as a tool for calving management in Mediterranean Buffalo heifers (Bubalus bubalis). Domest. Anim. 2020, 55, 1803–1807. https://doi.org/10.1111/rda.13805.
  59. Crociati, M.; Sylla, L.; van Straten, M.; Stradaioli, G.; Monaci, M. Estimating the net return of a remote calving alarm system in a dairy farm. Dairy Sci. 2020, 103, 9646–9655. https://doi.org/10.3168/jds.2020-18253.
  60. Crociati, M.; Sylla, L.; Stradaioli, G.; Monaci, M.; Zecconi, A. Assessment of Sensitivity and Profitability of an Intravaginal Sensor for Remote Calving Prediction in Dairy Cattle. Sensors 2021, 21, 8348. https://doi.org/10.3390/S21248348.
  61. Henningsen, G.; Marien, H.; Hasseler, W.; Feldmann, M.; Schoon, H.A.; Hoedemaker, M.; Herzog, K. Evaluation of the iVET® birth monitoring system in primiparous dairy heifers. Theriogenology 2017, 102, 44–47. https://doi.org/10.1016/j.theriogenology.2017.07.005.
  62. Choukeir, A.I.; Kovács, L.; Szelényi, Z.; Kézér, L.F.; Albert, E.; Abdelmegeid, M.K.; Baukje, A.; Aubin-Wodala, M.; Buják, D.; Nagy, K.; et al. Effect of monitoring the onset of calving by a calving alarm thermometer on the prevalence of dystocia, stillbirth, retained fetal membranes and clinical metritis in a Hungarian dairy farm. Theriogenology 2020, 145, 144–148. https://doi.org/10.1016/j.theriogenology.2019.10.004.
  63. Lidfors, L.M.; Moran, D.; Jung, J.; Jensen, P.; Castren, H. Behaviour at calving and choice of calving place in cattle kept in different environments. Anim. Behav. Sci. 1994, 42, 11–28. https://doi.org/10.1016/0168-1591(94)90003-5.
  64. Speroni, M.; Malacarne, M.; Righi, F.; Franceschi, P.; Summer, A. Increasing of posture changes as indicator of imminent calving in dairy cows. Agriculture 2018, 8, https://doi.org/10.3390/agriculture8110182.
  65. Miedema, H.M.; Cockram, M.S.; Dwyer, C.M.; Macrae, A.I. Changes in the behaviour of dairy cows during the 24h before normal calving compared with behaviour during late pregnancy. Anim. Behav. Sci. 2011, 131, 8–14. https://doi.org/10.1016/j.applanim.2011.01.012.
  66. Miedema, H.M.; Cockram, M.S.; Dwyer, C.M.; Macrae, A.I. Behavioural predictors of the start of normal and dystocic calving in dairy cows and heifers. Anim. Behav. Sci. 2011, 132, 14–19. https://doi.org/10.1016/j.applanim.2011.03.003.
  67. Nabenishi, H.; Negishi, N.; Yamazaki, A. Predicting the start of calving in Japanese Black cattle using camera image analysis. Reprod. Dev. 2021, 67, 53. https://doi.org/10.1262/JRD.2020-087.
  68. Saint-Dizier, M.; Chastant-Maillard, S. Methods and on-farm devices to predict calving time in cattle. J. 2015, 205, 349–356. https://doi.org/10.1016/j.tvjl.2015.05.006.
  69. Chang, A.Z.; Swain, D.L.; Trotter, M.G. Towards sensor-based calving detection in the rangelands: A systematic review of credible behavioral and physiological indicators. Anim. Sci. 2020, 4, 1–18. https://doi.org/10.1093/tas/txaa155.
  70. Sumi, K.; Zin, T.T.; Kobayashi, I.; Horii, Y. A study on cow monitoring system for calving process. In Proceedings of the 2017 IEEE 6th Global Conference on Consumer Electronics, GCCE, Nagoya, Japan, 24–27 October 2017; pp. 1–2.
  71. Cangar, Ö.; Leroy, T.; Guarino, M.; Vranken, E.; Fallon, R.; Lenehan, J.; Mee, J.; Berckmans, D. Automatic real-time monitoring of locomotion and posture behaviour of pregnant cows prior to calving using online image analysis. Electron. Agric. 2008, 64, 53–60. https://doi.org/10.1016/j.compag.2008.05.014.
  72. Noakes, D.E.; Parkinson, T.J.; England, G.C.W. Arthur’s Veterinary Reproduction and Obstetrics, 8th ed.; WB Saunders, Philadelphia, USA: 2001; ISBN 978-0-7020-2556-3.
  73. Lange, K.; Fischer-Tenhagen, C.; Heuwieser, W. Predicting stage 2 of calving in Holstein-Friesian heifers. Dairy Sci. 2017, 100, 4847–4856. https://doi.org/10.3168/jds.2016-12024.
  74. Fujimoto, Y.; Kimura, E.; Sawada, T.; Ishikawa, M.; Matsunaga, H.; Mori, J. Change in rectal temperature, and heart and respiration rate of dairy cows before parturition. J. Zootech. Sci. 1988, 59, 301–305.
  75. Lammoglia, M.A.; Bellows, R.A.; Short, R.E.; Bellows, S.E.; Bighorn, E.G.; Stevenson, J.S.; Randel, R.D. Body temperature and endocrine interactions before and after calving in beef cows. Anim. Sci. 1997, 75, 2526–2534. https://doi.org/10.2527/1997.7592526x.
  76. Burfeind, O.; Suthar, V.S.; Voigtsberger, R.; Bonk, S.; Heuwieser, W. Validity of prepartum changes in vaginal and rectal temperature to predict calving in dairy cows. Dairy Sci. 2011, 94, 5053–5061. https://doi.org/10.3168/jds.2011-4484.
  77. Borchers, M.R.; Chang, Y.M.; Tsai, I.C.; Wadsworth, B.A.; Bewley, J.M. A validation of technologies monitoring dairy cow feeding, ruminating, and lying behaviors. Dairy Sci. 2016, 99, 7458–7466. https://doi.org/10.3168/jds.2015-10843.
  78. Wehrend, A.; Hofmann, E.; Failing, K.; Bostedt, H. Behaviour during the first stage of labour in cattle: Influence of parity and dystocia. Anim. Behav. Sci. 2006, 100, 164–170. https://doi.org/10.1016/j.applanim.2005.11.008.
  79. Schuenemann, G.M.; Nieto, I.; Bas, S.; Galvão, K.N.; Workman, J. Assessment of calving progress and reference times for obstetric intervention during dystocia in Holstein dairy cows. Dairy Sci. 2011, 94, 5494–5501. https://doi.org/10.3168/jds.2011-4436.
  80. Barraclough, R.A.C.; Shaw, D.J.; Boyce, R.; Haskell, M.J.; Macrae, A.I. The behavior of dairy cattle in late gestation: Effects of parity and dystocia. Dairy Sci. 2020, 103, 714–722. https://doi.org/10.3168/jds.2019-16500.
  81. Borchers, M.R.; Chang, Y.M.; Proudfoot, K.L.; Wadsworth, B.A.; Stone, A.E.; Bewley, J.M. Machine-learning-based calving prediction from activity, lying, and ruminating behaviors in dairy cattle. Dairy Sci. 2017, 100, 5664–5674. https://doi.org/10.3168/jds.2016-11526.
  82. Zuko, M.; Jaja, I.F. Primiparous and multiparous friesland, jersey, and crossbred cows’ behavior around parturition time at the pasture-based system in South Africa. Adv. Vet. Anim. Res. 2020, 7, 290–298. https://doi.org/10.5455/JAVAR.2020.G420.
  83. Nydegger, F.; Gyga, L.; Egli, W. Automatic measurement of rumination and feeding activity using a pressure sensor. In Proceedings of the International Conference on Agricultural Engineering-AgEng 2010: Towards environmental technologies, Clermont-Ferrand, France, 6–8 September 2010.
  84. Schirmann, K.; Chapinal, N.; Weary, D.M.; Vickers, L.; Von Keyserlingk, M.A.G. Short communication: Rumination and feeding behavior before and after calving in dairy cows. Dairy Sci. 2013, 96, 7088–7092. https://doi.org/10.3168/jds.2013-7023.
  85. Calamari, L.; Soriani, N.; Panella, G.; Petrera, F.; Minuti, A.; Trevisi, E. Rumination time around calving: An early signal to detect cows at greater risk of disease. Dairy Sci. 2014, 97, 3635–3647. https://doi.org/10.3168/jds.2013-7709.
  86. DeMars, C.A.; Auger-Méthé, M.; Schlägel, U.E.; Boutin, S. Inferring parturition and neonate survival from movement patterns of female ungulates: A case study using woodland caribou. Evol. 2013, 3, 4149–4160. https://doi.org/10.1002/ece3.785.
  87. Aoki, M.; Kimura, K.; Suzuki, O. Predicting time of parturition from changing vaginal temperature measured by data-logging apparatus in beef cows with twin fetuses. Reprod. Sci. 2005, 86, 1–12. https://doi.org/10.1016/j.anireprosci.2004.04.046.
  88. Mee, J.; English, L. Prediction of Onset of Calving from Tail Elevation—Preliminary Evaluation of a Novel Biosensor. In Proceedings of the Animal & Grassland Research and Innovation Centre, Moorepark, Fermoy Co.: Cork, Ireland, 3 July, 2019; pp. 156–157.
  89. Benaissa, S.; Tuyttens, F.A.M.; Plets, D.; Trogh, J.; Martens, L.; Vandaele, L.; Joseph, W.; Sonck, B. Calving and estrus detection in dairy cattle using a combination of indoor localization and accelerometer sensors. Electron. Agric. 2020, 168, 105153. https://doi.org/10.1016/j.compag.2019.105153.
  90. Liseune, A.; den Poel, D. Van; Hut, P.R.; van Eerdenburg, F.J.C.M.; Hostens, M. Leveraging sequential information from multivariate behavioral sensor data to predict the moment of calving in dairy cattle using deep learning. Electron. Agric. 2021, 191, 106566. https://doi.org/10.1016/J.COMPAG.2021.106566.
  91. Sumi, K.; Maw, S.Z.; Zin, T.T.; Tin, P.; Kobayashi, I.; Horii, Y. Activity-integrated hidden markov model to predict calving time. Animals 2021, 11, https://doi.org/10.3390/ani11020385.
  92. Maw, S.Z.; Zin, T.T.; Tin, P.; Kobayashi, I.; Horii, Y. An Absorbing Markov Chain Model to Predict Dairy Cow Calving Time. Sensors 2021, 21, 6490. https://doi.org/10.3390/S21196490.
  93. Keceli, A.S.; Catal, C.; Kaya, A.; Tekinerdogan, B. Development of a recurrent neural networks-based calving prediction model using activity and behavioral data. Electron. Agric. 2020, 170, 105285. https://doi.org/10.1016/J.COMPAG.2020.105285.
  94. Flörcke, C.; Grandin, T.; Flörcke, C.; Grandin, T. Separation Behavior for Parturition of Red Angus Beef Cows. Open J. Anim. Sci. 2014, 4, 43–50. https://doi.org/10.4236/OJAS.2014.42007.
  95. Taverne, M.A.M.; Breeveld-Dwarkasing, V.N.A.; Van Dissel-Emiliani, F.M.F.; Bevers, M.M.; De Jong, R.; Van Der Weijden, G.C. Between prepartum luteolysis and onset of expulsion. Anim. Endocrinol. 2002, 23, 329–337. https://doi.org/10.1016/S0739-7240(02)00168-6.
  96. Hiew, M.W.H.; Megahed, A.A.; Horstman, L.A.; Constable, P.D. Clinical utility of plasma progesterone and blood and plasma glucose concentrations in predicting parturition in Holstein cows. Dairy Sci. 2020, 103, 5575–5590. https://doi.org/10.3168/jds.2019-17800.
  97. O’Leary, N.W.; Byrne, D.T.; O’Connor, A.H.; Shalloo, L. Invited review: Cattle lameness detection with accelerometers. Dairy Sci. 2020, 103, 3895–3911. https://doi.org/10.3168/jds.2019-17123.
  98. Gondim, L.F.P.; McAllister, M.M.; Anderson-Sprecher, R.C.; Björkman, C.; Lock, T.F.; Firkins, L.D.; Gao, L.; Fischer, W.R. Transplacental transmission and abortion in cows administered Neospora caninum oocysts. Parasitol. 2004, 90, 1394–1400. https://doi.org/10.1645/GE-359R.
  99. Watanabe, T.; Atsushi Sakurai; Kitazaki, K. Dairy cattle monitoring using wireless acceleration-sensor networks. IEEE Sensors 2008, 526–529. https://doi.org/10.1109/ICSENS.2008.4716493.
  100. Stephen, C.; Menzies, D.; Swain, D.; Patison, K.; Corbet, N.; Norman, S. Telemetric monitoring of calving using a novel calf alert device. In Proceedings of the 2019 Society for Theriogenoloy and American College of Theriogenologists Annual Conference, Savannah, GA, USA, 24 July–28 September 2019; Volume 11, p. 449.
  101. Pearson, C.; Lush, L.; González, L.A. Intravaginal Devices and GNSS Collars with Satellite Communication to Detect Calving Events in Extensive Beef Production in Northern Australia. Remote Sens. 2020, 12, 3963. https://doi.org/10.3390/rs12233963.
  102. Mee, J.F. Managing the dairy cow at calving time. Clin. Food Anim. Pract. 2004, 20, 521–546. https://doi.org/10.1016/J.CVFA.2004.06.001.
  103. Morin, M.P.; Dubuc, J.; Freycon, P.; Buczinski, S. A herd-level study on colostrum management factors associated with the prevalence of adequate transfer of passive immunity in Québec dairy herds. Dairy Sci. 2021, 104, 4914–4922. https://doi.org/10.3168/jds.2020-19476.
  104. Meas, S.; Usui, T.; Ohashi, K.; Sugimoto, C.; Onuma, M. Vertical transmission of bovine leukemia virus and bovine immunodeficiency virus in dairy cattle herds. Microbiol. 2002, 84, 275–282. https://doi.org/10.1016/S0378-1135(01)00458-8.
  105. Donat, K.; Schmidt, M.; Köhler, H.; Sauter-Louis, C. Management of the calving pen is a crucial factor for paratuberculosis control in large dairy herds. Dairy Sci. 2016, 99, 3744–3752. https://doi.org/10.3168/jds.2015-10625.