Estudo utilizou a validação das escalas em 48 ovelhas, antes e após procedimento cirúrgico abdominal para estabelecer os pesos estatísticos e classificar os animais quanto à necessidade ou não de analgesia

 

O estudo publicado utilizou a validação das escalas em 48 ovelhas, antes e após procedimento cirúrgico abdominal, utilizando um algoritmo de regressão logística binomial multinível e um algoritmo de “random forest”, para estabelecer os pesos estatísticos e classificar as ovelhas quanto à necessidade ou não de analgesia.

Um estudo desenvolvido na Faculdade de Medicina Veterinária e Zootecnia da Unesp, câmpus de Botucatu, pelo pós-doutorando Pedro Henrique Esteves Trindade, sob orientação do professor Stelio Pacca Loureiro Luna, coordenador do grupo de pesquisas Animal Pain acaba de ser publicado pelo periódico suíço Animals, da editora MDPI (fator de impacto de 3,231).

Intitulado “Improving Ovine Behavioral Pain Diagnosis by Implementing Statistical Weightings Based on Logistic Regression and Random Forest Algorithms” (Melhorando o Diagnóstico Comportamental da Dor em Ovinos através da Implementação de Ponderações Estatísticas Baseadas em Algoritmos de Regressão Logística e de Floresta Aleatória), o trabalho é resultado de estudos que buscam utilizar ferramentas de Inteligência Artificial (IA) para melhorar o bem-estar animal.

Após quatro décadas de estudos sobre métodos de avaliação da dor em ovinos, uma escala confiável e simples de aplicar foi criada e validada na FMVZ/Unesp pelo mesmo grupo de trabalho. Após a criação da escala, as pesquisas mais recentes buscam aplicar pesos estatísticos usando algoritmos de aprendizado de máquinas para melhorar a qualidade do diagnóstico da dor.

O estudo publicado utilizou a validação das escalas em 48 ovelhas, antes e após procedimento cirúrgico abdominal, utilizando um algoritmo de regressão logística binomial multinível e um algoritmo de “random forest”, para estabelecer os pesos estatísticos e classificar as ovelhas quanto à necessidade ou não de analgesia.

A regressão logística gera, a partir de um conjunto de observações, um modelo capaz de predizer os valores tomados por uma variável categórica, frequentemente binária, em função de uma ou mais variáveis independentes, sejam elas contínuas e ou binárias. A regressão logística é representada por uma equação linear e simples.

Já o “random forest” (floresta aleatória) cria as chamadas “árvores de decisão”, formando o que podemos enxergar como uma floresta, onde cada árvore será utilizada na escolha do resultado final, em uma espécie de votação. O padrão de resposta deste algoritmo é complexo, devido à quantidade de “árvores”.

Considerando a importância do comportamento estabelecido nas escalas, os dois algoritmos de aprendizado de máquina melhoraram a capacidade do instrumento de diferenciar ovelhas com dor de aqueles livres de dor.

O objetivo principal da equipe de cientistas da FMVZ, interagindo constantemente com colaboradores de outras instituições, é concluir o desenvolvimento de um aplicativo para fazer essas ponderações automaticamente, até o final de 2022. O aplicativo estará em breve disponível gratuitamente na página do Animal Pain (https://animalpain.org/). Com ele, será possível observar uma ovelha por um determinado tempo, selecionar os comportamentos exibidos por ela e, em tempo real, receber a informação sobre a probabilidade do animal estar com dor.

 “Esse primeiro modelo é voltado para ovinos, depois seguiremos para equinos, suínos e, finalmente, bovinos e felinos. A forma de desenvolvimento é similar, a questão é inserir os dados específicos de cada espécie no algoritmo”, explica Pedro. Artigo na íntegra: https://www.mdpi.com/2076-2615/12/21/2940

Por- Sérgio Henrique Santa Rosa