Autor: Julia Brassel

Die Brunsterkennung in Milchviehherden ist der wichtigste Faktor für eine gute Fruchtbarkeitsleistung und somit wirtschaftliche Rentabilität milchproduzierender Betriebe. In Weidehaltungssystemen mit saisonal kalbenden Milchkühen sind die Anforderungen an die Brunsterkennung hoch. Das vorherrschende Ziel ist, so viele Tiere wie möglich in einem festgelegten Zeitraum weniger Wochen erfolgreich zu besamen. Aufgrund steigender Herdengrößen stellt die Brunsterkennung einen enormen Zeitfaktor dar und wird durch Verminderung von Brunstdauer und -intensität in den letzten Jahrzehnten zunehmend erschwert. Der Erfolg der visuellen Brunstbeobachtung ist abhängig von Erfahrung, Häufigkeit und Dauer der Durchführung und auf vielen Betrieben ist die Brunsterkennung nicht zufriedenstellend. Dies führte zur Entwicklung zahlreicher automatischer Brunsterkennungssysteme, welche die visuelle Brunsterkennung unterstützen und nicht zuletzt ablösen sollen. Einige dieser Systeme werden bereits in Stallhaltungen eingesetzt. Sie eignen sich jedoch nicht für die Weidehaltung. Untersuchungen zur Nutzung an Milchkühen in Weidehaltung liegen kaum vor. Ergebnisse aus Studien an Tieren in Stallhaltung sind aufgrund von Unterschieden in der Tieraktivität und Witterungseinflüssen nicht auf die Weidehaltung übertragbar. Neben der Brunsterkennung ist der Gesundheitsstatus der Herde entscheidend für den wirtschaftlichen Erfolg und das Wohlergehen von Tieren in der Milchviehhaltung. So wurden einige Brunsterkennungssysteme um die Analyse gesundheitsrelevanter Parameter erweitert und sind in der Lage, automatisch Krankheitsmeldungen zu generieren. Bisher verfügbare Systeme eignen sich jedoch nicht für den Einsatz an Milchkühen in Weidehaltung. Im Rahmen der vorliegenden Arbeit sollte daher die Testsicherheit eines bisher noch nicht wissenschaftlich untersuchten automatischen Brunsterkennungssystems bei Milchkühen in Weidehaltung untersucht werden. Da das untersuchte System ebenfalls eine automatische Krankheitserkennung bot, sollte zusätzlich die Frage nach der Testsicherheit der Krankheitserkennung beantwortet werden. Die Datenerhebungen fanden in Cnocsigh, Tinegeragh, County Cork, Irland an einer gewerblichen Milchviehherde in Weidehaltung mit saisonaler Abkalbung während des betrieblichen Besamungszeitraumes von ca. 9 Wochen statt. Das untersuchte Brunsterkennungssystem (HerdInsights, Alanya Ltd, Cork, County Cork, Irland) sammelte Bewegungsdaten der Kühe über einen dreidimensionalen Beschleunigungssensor (Accelerometer), der in einem Halsband integriert war. Über festgelegte Algorithmen generierte das System Brunst- sowie Krankheitsmeldungen. Alle Tiere wurden drei Wochen vor Beginn der Datenerhebungen mit einem Halsband des Brunsterkennungssystems ausgestattet. Die Kühe waren mindestens 40 Tage post partum und laktierend. Vier Kühe waren reinrassig Norwegisches Rotvieh, die anderen waren Kreuzungstiere. Daten von 106 Kühen gingen in die Auswertung der automatischen und menschlichen Brunsterkennung ein. Zur Validierung der Brunsterkennung wurde nach jeder automatischen Brunstmeldung beim darauffolgenden Melkvorgang eine transrektale Sonographie der Ovarien der gemeldeten Kuh durchgeführt und die Progesteronkonzentration in einer Milchprobe bestimmt. Eine Brunstmeldung war dann richtig positiv, wenn ein dominanter Follikel ≥ 10 mm und eine Milchprogesteronkonzentration ≤ 3 ng/ml vorlagen. Durch eine Folgeuntersuchung 24 Stunden später sollte erstmalig die Inzidenz der verzögerten Ovulation bei östrischen Milchkühen in Weidehaltung erfasst werden. Zur weiteren Charakterisierung der automatischen Brunstmeldungen diente die vom Landwirt unabhängig durchgeführte visuelle Brunsterkennung mit Tail-Paint (viermal täglich für ca. 30 Minuten). Zur Quantifizierung falsch negativer Brunstdiagnosen wurde zusätzlich die Anzahl theoretisch zu erwartender Östri im Datenerhebungszeitraum ermittelt. Eine klinische Untersuchung gemeldeter Tiere diente der Validierung automatischer Krankheitsmeldungen. Folgende relevante Ergebnisse wurden erzielt: - Die Brunsterkennungsrate des automatischen Brunsterkennungssystems lag für die ersten 21 Tage nach Beginn des Besamungszeitraumes bei 86,8 %, für 42 Tage bei 98,1 % und für 63 Tage bei 100 %. - Von insgesamt 194 automatischen Brunstmeldungen waren 54 (27,8 %) falsch positiv. Der positive prädiktive Wert (Genauigkeit) der automatischen Brunsterkennung betrug 72,2 %. - Die Sensitivität der automatischen Brunsterkennung betrug 93,3 %. - Die Brunsterkennungsraten des Systems und des Landwirtes unterschieden sich nicht signifikant (p = 1 für alle Zeiträume). - Von 140 Brunstmeldungen des Landwirtes waren 139 richtig positiv. Der positive prädiktive Wert der menschlichen Brunsterkennung lag bei 99,3 %. - Die Sensitivität der menschlichen Brunsterkennung betrug 92,7 %. - Die Spezifität der menschlichen Brunsterkennung betrug 98,2 %. - Bei einer kombinierten Anwendung von automatischer und menschlicher Brunsterkennung betrug die Sensitivität der kombinierten Brunsterkennung 97,3 %. - Der durch das automatische Brunsterkennungssystem detektierte Brunstbeginn der richtig positiven Systemmeldungen war, bei einer Einteilung des Tages in sechsstündige Intervalle, gleichmäßig über den Tag verteilt. - Der detektierte Brunstbeginn falsch positiver automatischer Brunstmeldungen war, bei einer Einteilung des Tages in sechsstündige Intervalle, ungleichmäßig über den Tag verteilt. Hierbei kam es zu einer Häufung im zweiten und dritten Viertel des Tages. Die Verteilung des Brunsteintrittes der falsch positiven Meldungen unterschied sich signifikant von der Verteilung richtig positiver Meldungen (p < 0,001). - Die Parität hatte keinen Einfluss auf die Genauigkeit des automatischen Brunsterkennungssystems. - Bei 32,9 % der automatisch detektierten Östri war die Ovulation zeitlich verzögert. - Von insgesamt 31 automatischen Krankheitsmeldungen waren 28 falsch positiv. Der positive prädiktive Wert der automatischen Krankheitserkennung betrug 9,7 %. Durch die erhobenen Daten konnte die Eignung eines erstmalig untersuchten Brunsterkennungssystems für die Brunsterkennung bei Milchkühen in Weidehaltung nachgewiesen werden. Neben der Haltungsform war die multimetrische Analyse von Verhaltensdaten für die Sensitivität der automatischen Brunsterkennung verantwortlich. Da die Daten nur auf einem Betrieb erhoben wurden, wären Untersuchungen auf anderen Betrieben zur weiteren Validierung notwendig. Einschränkungen erfuhr das untersuchte System durch einen hohen Anteil falsch positiver Brunstmeldungen. Eine ausschließliche Verwendung des Systems zur betrieblichen Brunsterkennung kann daher nicht empfohlen werden. Die Untersuchungen zur Ovulationsdynamik lieferten erstmals Hinweise zum Vorkommen der verzögerten Ovulation bei Milchkühen in Weidehaltung. Für die Auswertung der Krankheitserkennung lagen geringe Fallzahlen vor. Die vorliegenden Meldungen gaben Hinweise darauf, dass die Genauigkeit nicht zufriedenstellend war.