Kuna loomade heaolu hindamine on siiani olnud väga töömahukas tegevus ja tööjõupuudus on kõikides sektorites kiirest kasvamas, soovib Piimaklaster uurida võimalusi klassikalise kliinilise hindamise asendamiseks digitaalsete seadmetega. Info loomade heaolu kohta on tarbijatele järjest olulisem ja seadmete abil on võimalik vähendada subjektiivse hinnangu mõju. Samuti on võimalik juba kogutud andmeid kasutada tarneahelas täiendava väärtuse loomiseks. Piimaklaster soovib koos oma partneritega olla maailmas uute lahenduse väljatöötajate esirinnas. Siinse (T3) eeluuringuga selgitatakse võimalusi hinnata looma heaolu ilma inimtööjõudu kasutamata võtteks aluseks seadmetelt pärineva sh. digitaalse info. Tegevuses hinnatakse eraldi täiskasvanud piimaveiseid mõõtvaid lahendusi vasikaid mõõtvatest. Vasikaid käsitlevad lahendusi on üldiselt vähem, kuid tööjõukulud on vasikate hooldamisel eriti suured. T3 kasutab uuringu T4, Andmeallikate, osapoolte ja üldolukorra kaardistamine mitmepoolseks andmevahetuseks tarneahelas andmeid ja annab omakorda panuse uuringusse T5 (Mitmepoolseks andmevahetuseks kasutuslugude kirjeldamine koos andmevahetusmustri ettevalmistuse, pilootkatsete kirjeldamise, koostamise ja läbiviimisega).
Kogu töö oli jagatud neljaks osaks:
1. Digitaalselt ja automaatselt piimaveiste ja vasikate heaolu määravate arenduste kaardistamine. Teaduskirjanduse ülevaade
Kahekuulise perioodi jooksul kaardistati kommertsiaalsed lahendused, mis kirjeldavad piimaveiste ja vasikate heaolu ning tervisenäitajaid. Teadusuuringu tulemusena valmis kirjalik ülevaateartikkel looma heaolu hindavate digilahenduste kohta. Kõik digilahendused ja nendega seotud süsteemid hõlbustavad karjahaldamist ja teatud tegevuste optimeerimist. Siiski ei ole arendatud ühtset seisukohta, kuidas ja milliste indikaatorite järgi hinnata täpsemalt looma heaolu. Samuti on puudus farmides läbiviidavatest valideerimiskatsetest. Kuigi paljude heaoluprobleemide jaoks on saadaval vaatlus- ja seiretehnoloogiad, siis haigete loomade kiireks avastamiseks siiski tõhusaid tehnoloogiaid veel ei ole. Vaja on täpsemalt välja töötada sobivad algoritmid ja andmekogud tõhusamaks looma heaolu hindamiseks. Vasikaid käsitlevad lahendusi on üldiselt vähem, kuid tööjõukulud on vasikate hooldamisel eriti suured.
2. Digilahenduste kasutamine. Digitaalseid lahendusi kasutavate farmide küsitlusuuringu läbiviimine koos farmivisiitidega hindamaks digilahenduste kasutamise kogemust ja pädevust.
Kolmekuulise perioodi jooksul külastati 20 piimaveisefarmi, kes teadaolevalt on soetanud automaatsed karjatervise jälgimise süsteemid, ja viidi läbi farmi intervjuud.
Uuringufarmide intervjueerimiseks kasutati selleks otstarbeks välja töötatud küsitluslehte. Kõik intervjuud viidi läbi suuliselt. Kokku külastati 20 piimaveisekarja. Kokku kasutasid 20st küsitletud farmist Delpro farmihaldustarkvara seitse farmi ja Herd Navigator lahendust kolm farmi. Mõlema tootja on DeLaval. Alta Cow Watch (ACW) süsteem oli töös kolmes ja Smartbow (Zoetis) viies küsitletud farmis. Lely Horizon (Lely) kasutusega farme oli uuringus kaks. Projektiperioodi jooksul lõpetati Smartbow süsteemi pakkumine üldse.
Kõige enam kasutati inna avastamise süsteemi ja rahulolu selle süsteemiga oli kõrge. Veiste haiguste kiiret avastamist digitehnoloogiate abil aga saab lugeda kasutajate vastuste põhjal tagasihoidlikuks, v.a. ACW süsteemis.
Vasikate ammjooturitelt tulevate andmete ja vasikate varajase haigestumise avastamist hindasid kasutajad heaks. Andmeid kasutatakse ka joomise jälgimiseks (vasika kohanemine jootursüsteemiga) ja võõrutuse planeerimiseks. Kõige enam vaadati ammjooturi andmete puhul vasikate päevast piimajoogi tarvet (10st farmis 10), ka vaadati joomiste vahelist aega/amme külastuste aega (2 farmi), joomiskiirust (2 farmi). Ühes ettevõttes mõõdeti automaatselt ka kehamassi (1 farm) ning tervisemonitori (health monitor), mis kombineerib erinevaid ammjooturi näitajaid ja on programmi automaatselt kaasatud (1 farm). Haigestunud vasikate avastamiseks jälgitakse alarmlisti, kuid selle kõrval peeti oluliseks ka vasikate visuaalset vaatlust – farmi personali arvates ei ole jootmisandmete ainujälgimine piisavalt tundlik haigestunud vasikate avastamiseks. Enamik ettevõtteid tõid välja, et tulevikus oleks vajalik vasikate kehatemperatuuri registreerivaid digitaalseid seadmeid, sest vasikate haiguste avastamine on kriitiline koht ning nende igapäevane kraadimine on ajamahukas.
Esimese ja teise etapi tulemusena koostati pilootülesanne innovatsioonitegevuse neljandale osale (Tehniliste seadmete hindamine looma heaolu määramiseks). Valikuvariantideks olid olemasolevate seadmete kasutamine, Eestis varem mitte kasutatute katsetamine kui ka tehnilise katse mitteotstarbekaks lugemine.
3. Erinevate digilahenduste sobivus vasikate ja veiste heaolu hindamiseks, selgitades tõhusust ja ajakulu võrreldes looma heaolu konventsionaalsete hindamise meetoditega.
Pilootuuring viidi läbi 01.01.2023-30.06.2023 ühes 500 lüpsilehmaga vabapidamisega piimakarjas, kus on kasutusel Alta Cow Watch (ACW) karjahaldusprogramm. Katseperioodi jooksul võrreldi ACW süsteemi poolt „haigeks“ tunnistatud lehmade tegelikku terviseseisundit ning hinnati, kas ja kui suurel määral muutub lehma aktiivsus enne haiguste kliinilist diagnoosimist inimese poolt. Uuriti kui hästi ACW poolt antud tervisealarm ühildub kliinilise läbivaatuse teel pandud diagnoosiga. ACW määrab ainult automaatselt lehma söömuse, käitumise ja mäletsemise muutuse. Inimese poolt läbiviidud kliinilisel ülevaatusel hinnatakse samuti alati lehma mäletsemist, isutuse esinemist ning lehma olekut. Loomaarst diagnoosis karjas haigused looma kliinilise läbivaatuse teel alljärgnevad haigused: (kliiniline udarapõletik, emakapõletik; palavik ja valu (valu diagnoosi aluseks on lehma isutus ja loidus); poegimishalvatus; sõrahaigused (lonke hindamine).
Lehmadel registreeriti katseperioodi jooksul 54 haigusjuhtu. Kõige sagedamini esines karjas udarapõletikku, millest kaks juhtu olid ägeda kuluga ja 32 juhtu kerge kuni mõõduka kuluga.Vähemalt üks parameeter kolmest (söömus, mäletsemine, lehma passiivsus) muutus 26 (48,1%) haigusjuhu korral. Udarapõletike (n=34) korral tuvastati muutus parameetrites 12 juhul ehk 35,3% juhtudest esines aktiivsuse, söömuse ja mäletsemise langus. Emakapõletike korral toimus muutus neljal korral viiest (80%) ning sõrahaiguste korral ühel juhul neljast (25%). Palavikuga lehmadel ei vähenenud mäletsemine kolmel lehmal, kuid kõigil seitsmel lehmal vähenes aktiivsus ja söömus.
Lehma mäletsemine ja aktiivsus ei muutunud kergekujulise udarapõletiku korral. Kui lehmal on emakapõletik või valuga kulgev haigus, siis algavad muutused lehma käitumises ja mäletsemises enne, kui kliinilised tunnused on märgatud loomapidaja poolt. Kiirem haiguskahtlaste lehmade kliiniline ülevaatus võimaldab vältida haiguse süvenemist. Samas ACW leebeid ja mõõdukaid udarapõletikke ega lonkavaid loomi ei tuvastanud. Eeskätt lonke kiire tuvastamine on sõrahaiguste ennetamises olulisel kohal. Siiski ei saa teha lõplikke järeldusi, sest katseperiood oli lühike ning haigestumiste arv katsefarmis väike.
Teine blokk selles punktis tegeles vasikate joomiskäitumise hindamisega digitehnoloogia abil ja võrdlus palaviku esinemusega
Andmed (päevane piimajoogi kogus (l) ning joomiskiirus (ml/min)) eksporditi programmist arvutiprogrammist CSV failidena. Analüüsi jäeti need vasikad, kelle osas oli joomisandmeid esimese 40. jootmispäeva kohta (sel perioodil said vasikad piimajooki ad libitum) kas kogu perioodi või teatud osa kohta. Kuna esimesel paaril päeval pärast ammjooturi gruppi viimist vasikad õpivad jooma, jäeti analüüsist välja esimese kahe jootmispäeva andmed. Andmete juurde sisestati käsitsi registreeritud igapäevased vasikate kehatemperatuuri andmed (palaviku juhuks loeti kehatemperatuuri ≥39,5). Vasikate joomisandmete muutust vaadeldi kuni esimese palavikuepisoodi tekkimiseni. Analüüsi jäeti vasikad, kelle puhul olid jootmisandmed olemas vähemalt kahe palavikueelse päeva osas. Vasikad, kellel palavikku ei tekkinud, jäeti andmeanalüüsist välja. Lõplikus valimis olid 81 vasika andmed.
Ööpäevane tarbitud piimajoogi kogus muutub palaviku korral mõnevõrra sagedamini (89%) kui joomiskiirus (79%). Erinevust mõjutab tugevalt palaviku suurus – väikese palavikuga vasikatel on piimajoogi koguse muutus viiel palavikueelsel päeval enam seotud palaviku tekkega (86%) kui joomiskiirus (71%). Seejuures kõrge palavikuga vasikatel kahe parameetri osas erinevust ei tuvastatud (96% vasikatel tekkis palaviku korral muutus nii päevases piimajoogi tarbes kui joomiskiiruses). Valdavalt tekib joomiskäitumises (nii joodud piima kogus kui joomiskiirus) esimene tuvastatav muutus 1 kuni 2 päeva enne palaviku tekkimist. Vasikate individuaalsete joomisandmete vaatlusel selgus, et joomiskäitumises tekkisid muutused ka palavikuvabadel perioodidel. Seega oleks täiendavalt vajalik analüüsida joomisandmete tundlikkust ja spetsiifilisust palaviku tuvastamisel. Samuti tuleks edasises analüüsis arvesse võtta teisi mõjutegureid nagu vasika vanus, kehamass, tahkete söötade söömus ning väliskeskkonna parameetrid, mis võivad mõjutada vasikate söömiskäitumist.
Lühikokkuvõte järeldustest on leitav siit:
4. Tehniliste seadmete hindamine looma heaolu määramiseks
Eeluuringus leiti olevat olulise farmitingimustes testida seadet, mis võiks anda ilma inimese sekkumiseta infot vasikate tervise kohta ja olla usaldusväärne alternatiiv käsitsi nende kraadimisele. Piimaklastri projektides T1, T2 ja Wisecow loodud seadmed on näidanud ennast lootustandva ja uudsena, võimaldades distantsilt andmete kogumist ja otsuse tegemist digitaalse seadme alusel. Wisecow loomkatses (kliinilise uuringu luba nr 1.2-13/95) planeeritule lisatakse nahaalusele temperatuuri mõõtvale implantaadile T3 raames ka loomadele sissesöödetavad implantaadid, samuti püütakse liidestada andmetesse vasikate jootmise piimaautomaadi uus põlvkond. Nende kolme erineva andmevoo ühendamisel võiks tekkida mitme näitaja kaudu valideeritud lahendus, teisalt annavad õnnestumise korral piimajoomise andmed koos temperatuuriandmetega uut infot loomatervise, samuti heaolu kohta ulatuses kus pole seda varem uuritud. Siinsete katsete oluline erinevus on nende läbiviimine farmi tavatöö tingimustes, mis tagab kõrge usaldusväärsuse ja pärisoludele sarnased tingimused. Lisaks ühendatakse andmed Wisecow pilvekeskonnaga. Tavaolukorras ei toeta programmid andmevahetust väliste osapooltega, automaatne andmevahetus puudub.
Innnovatsioonitegevus viidi ellu Piimaklastri, Eesti Maaülikooli ja aktsiaselts Celvia CC koostöös dr vet Piret Kalmus ja dr vet Tarmo Niine juhtimisel