Ved hjelp av maskinlæring og matematiske modeller kan data som allerede samles inn av automatiske melkesystemer, brukes til å oppdage jurbetennelser hos melkekyr tidligere og mer presist.
Jurbetennelse, mastitt, hos melkekyr er en smertefull betennelse i juret, og den sykdommen som oftest blir rapportert. Det er også den vanligste årsaken til bruk av antibiotika i norske melkekubesetninger.
Subklinisk mastitt er en stor utfordring, siden den er vanskelig å oppdage. Den kan påvirke melkeproduksjon, melkekvalitet og dyrehelse.
I sitt doktorgradsarbeid har Charlott Kjærre Olofsson vist hvordan data fra automatiske melkesystemer (AMS), eller melkeroboter, kan brukes til bedre overvåkning av jurhelse.
Flere usikre metoder for påvisning av subklinisk mastitt
De automatiske melkesystemene i norske fjøs har gjort det mulig å samle inn detaljerte målinger fra hver enkelt melking, noe som gir nye muligheter for tidligere og enklere påvisning av betennelse i juret.
– Håndtering og overvåkning av jurhelse kan gjøres blant annet ved at vi bruker en grenseverdi for celletallet, altså de hvite blodcellene, i melka. Når denne er høy, kan det indikere en infeksjon i juret. Det er også mulig å bruke annen diagnostikk som bakteriologisk dyrking eller PCR, men det er mer ressurskrevende fordi slike analyser skjer ved et laboratorium, forteller Ingrid Toftaker.
Både Olofsson og Toftaker forteller at alle de eksisterende metodene er forbundet med usikkerhet. Det gjør utvikling og validering av nye verktøy for overvåkning av subklinisk mastitt utfordrende, fordi man i prinsippet aldri kan vite helt sikkert hva som var «sann diagnose» for hver enkelt ku.
Bruker kunnskap om datavitenskap i veterinærmedisinsk forskning
Charlott Kjærre Olofsson har en master i datavitenskap fra før. Denne kunnskapen satt i sammenheng med veterinærmedisin, har vært spennende for henne.
– Jeg har trivdes utrolig godt med tverrfaglig samarbeid. Samarbeidet mellom ulike fag har vært avgjørende for meg med tanke på å tolke resultatene i denne forskningen, forteller hun.
Avhandlingen til Olofsson har tatt for seg:
- Analyse av data fra automatiske melkesystemer (AMS)
- Maskinlæring for prediksjon av subklinisk mastitt
- Matematiske modeller for å studere infeksjonsdynamikken i besetninger
Først ble informasjonen fra melkerobotene analysert sammen med bakteriologiske prøver.
– Vi ønsket å se på hvordan ulike patogener som kan føre til mastitt, påvirker egenskapene i melka, forteller Olofsson.
Gjennom å analysere celletallsmålinger fra AMS, såkalte online celletall (OCC), fant de størst endring i OCC for bakteriene Staphylococcus aureus og Streptococcus dysgalactiae. De så også på elektrisk ledningsevne (EC) i melken.
– Selv om vi ikke så signifikante sammenhenger mellom elektrisk ledningsevne i melken, så oppdaget vi økt variasjon når det var mastittbakterier i prøven. Det tyder på at det kan være nyttig å inkludere elektrisk ledningsevne i modeller som skal påvise subklinisk mastitt. Spesielt vil det være nyttig hvis elektrisk ledningsevne blir satt i sammenheng med online celletall i melken, sier Olofsson.
Trente datamodeller på diagnostiske tester
Ved Fakultet for kjemi, bioteknologi og matvitenskap har de arbeidet med metodeutvikling innenfor bayesiansk statistikk og maskinlæring. I dette prosjektet ble slike maskinlæringsmodeller videreutviklet, testet og utvidet til å ta hensyn til usikkerheten i diagnostikken. Den langsiktige tanken er at dette kan bli verktøy som kan fungere som beslutningsstøtte for bonden.
– Vi trente modellene til å forutse om kyrne kunne ha subklinisk mastitt basert på informasjonen fra melkerobotene. Enkelt forklart ble det brukt resultater fra to diagnostiske tester, og modellene ble trent ved hjelp av funksjoner som tok hensyn til testenes sensitivitet og spesifisitet.
Olofsson forteller at disse modellene etter hvert ga pålitelige prediksjoner fra data med usikker utfallsvariabel og viste god treffsikkerhet både på reelle og simulerte datasett. Det betyr at modellen kunne forutsi hvilken ku som kunne få subklinisk mastitt, og at dette viste seg å stemme i mange av tilfellene.
I neste omgang ble disse prediksjonene integrert i såkalte dynamiske susceptible-infectious-susceptible (SIS) modeller for å studere infeksjonsdynamikken innad i besetningene.
Bedre overvåkning av subklinisk mastitt
Samlet sett viser ph.d.-prosjektet at det å bruke data fra melkeroboter i kombinasjon med maskinlæring, kan gi bedre overvåkning av subklinisk mastitt i melkebesetninger.
– Funnene understreker viktigheten av god modellvalidering, nøyaktig definisjon av infeksjonsstatus og økt samarbeid mellom forskere, veterinærer og produsenter for å realisere det fulle potensialet i datadrevet besetningsstyring, forteller Olofsson.
– Kanskje vil vår forskning bidra til at slike spesialtilpassede maskinlæringsmodeller blir integrert i melkeroboter i fremtiden? sier hun.
fakta:
Charlott Kjærre Olofsson
- Utdanning: Master in Data Science
- Fra: Skiptvet
- Alder: 35 år
- Doktorgrad: Norges miljø- og biovitenskapelige universitet, Veterinærhøgskolen, Institutt for produksjonsdyrmedisin
- Finansieringskilder: Forskningsrådet, FRIPRO
- Tittel på avhandlingen
- Engelsk: Data-driven monitoring of subclinical mastitis in Norwegian dairy cattle using machine learning and modeling
- Norsk: Databasert overvåkning av subklinisk mastitt hos norske melkebesetninger ved bruk av maskinlæring og modellering
- Hovedveileder: Ingrid Toftaker
- Medveiledere: Camilla Kielland, Amira Rachah
- Charlott Kjærre Olofsson forsvarte sin avhandling ved NMBU Veterinærhøgskolen, Institutt for produksjonsdyrmedisin, 9. oktober 2026.