Memoria Investigaciones en Ingeniería, núm. 27 (2024). pp. 46-59

https://doi.org/10.36561/ING.27.4

ISSN 2301-1092 • ISSN (en línea) 2301-1106 – Universidad de Montevideo, Uruguay

Este es un artículo de acceso abierto distribuido bajo los términos de una licencia de uso y distribución CC BY-NC 4.0. Para ver

una copia de esta licencia visite http://creativecommons.org/licenses/by-nc/4.0/ 46

Machine Learning en la detección y predicción de enfermedades del ganado:

una visión general

Machine Learning in the detection and prediction of livestock diseases: an

overview

Aprendizado de Máquina na detecção e previsão de doenças do gado: uma visão

geral

Marco Vieto-Vega

(*), Yaliska Moreno-Gonzalez

Recibido: 28/03/2024 Aceptado: 09/10/2024

Resumen. - La detección temprana y la predicción de enfermedades en el ganado son esenciales para garantizar la

salud y el bienestar de los animales, mejorar la productividad y reducir las pérdidas económicas. En este contexto, el

Machine Learning (ML), un avance prominente dentro de la inteligencia artificial emerge como una herramienta

revolucionaria para transformar el proceso de identificación y manejo de enfermedades en los animales. Esta tecnología

permite desarrollar algoritmos complejos capaces de analizar grandes volúmenes de datos clínicos y ambientales,

identificando patrones de alerta temprana en síntomas y comportamientos asociados a enfermedades. A través de

modelos predictivos, el ML evalúa factores de riesgo y estima la probabilidad de aparición de enfermedades, lo que

mejora significativamente la precisión diagnóstica y la efectividad de los tratamientos. Este artículo revisa de manera

exhaustiva el uso de ML en la producción ganadera, abordando aplicaciones, modelos y técnicas de vanguardia para

la detección y manejo sanitario del ganado, y plantea oportunidades para una gestión ganadera más eficiente y ética,

considerando además los desafíos éticos y de privacidad inherentes a la implementación de estas tecnologías.

Palabras clave: Machine learning; predicción; ganadería; ciencia de datos.

(*) Autor de correspondencia

Ingeniero en Sistemas y Computación. Investigador Independiente, Panamá, mv030790@gmail.com,

ORCID iD: https://orcid.org/0009-0009-0752-0205

Ingeniera en Producción Animal (MSc). Facultad de Ciencias Agropecuarias, Universidad de Panamá, milena2y@gmail.com,

ORCID iD: https://orcid.org/0000-0001-6643-7713

M. Vieto-Vega, Y. Moreno-Gonzalez

Memoria Investigaciones en Ingeniería, núm. 27 (2024). pp. 46-59

https://doi.org/10.36561/ING.27.4

ISSN 2301-1092 • ISSN (en línea) 2301-1106 – Universidad de Montevideo, Uruguay 47

Summary. - Early detection and prediction of diseases in livestock are essential to ensure animal welfare, improve

productivity, and reduce economic losses in the livestock sector. In this context, Machine Learning (ML), a key

advancement within artificial intelligence, emerges as a transformative tool for managing animal health. This

technology enables the development of complex algorithms capable of analyzing large volumes of clinical and

environmental data, identifying early warning patterns in symptoms and behaviors associated with diseases. Through

predictive models, ML assesses risk factors and estimates the likelihood of disease occurrence, significantly enhancing

diagnostic accuracy and treatment effectiveness. This article provides a comprehensive review of ML's use in livestock

production, covering cutting-edge applications, models, and techniques for disease detection and management in

livestock. It also highlights the ethical and privacy challenges that accompany the implementation of these

technologies, aiming to pave the way for more efficient and responsible livestock management.

Keywords: Machine learning; prediction; livestock; data science.

Resumo. - A detecção e previsão precoce de doenças em animais de produção são essenciais para garantir o bem-

estar animal, otimizar a produtividade e minimizar as perdas econômicas no setor pecuário. Nesse contexto, o

Machine Learning (ML), um avanço importante dentro da inteligência artificial, surge como uma ferramenta

transformadora para a gestão da saúde animal. Esta tecnologia possibilita o desenvolvimento de algoritmos

complexos capazes de analisar grandes volumes de dados clínicos e ambientais, identificando padrões de alerta

precoce em sintomas e comportamentos associados a doenças. Através de modelos preditivos, o ML avalia fatores de

risco e estima a probabilidade de ocorrência de doenças, aumentando significativamente a precisão diagnóstica e a

eficácia dos tratamentos. Este artigo oferece uma revisão abrangente do uso do ML na produção pecuária, abordando

as aplicações, modelos e técnicas mais avançadas para a detecção e gestão de doenças no setor. Também discute os

desafios éticos e de privacidade inerentes à implementação dessas tecnologias, com o objetivo de abrir caminhos para

uma gestão pecuária mais eficiente e ética.

Palavras-chave: Aprendizado de máquina; previsão; pecuária; ciência de dados.

M. Vieto-Vega, Y. Moreno-Gonzalez

Memoria Investigaciones en Ingeniería, núm. 27 (2024). pp. 46-59

https://doi.org/10.36561/ING.27.4

ISSN 2301-1092 • ISSN (en línea) 2301-1106 – Universidad de Montevideo, Uruguay 48

1. Introducción. - La agricultura y ganadería representan sectores fundamentales de la economía global y lo seguirá

siendo a medida que la población mundial continue creciendo. Las enfermedades del ganado representan una

preocupación para la seguridad alimentaria mundial, las cuales impactan negativamente la producción y causan

pérdidas económicamente significativas. la detección de patógenos se basa en métodos convencionales, como

inspecciones visuales y análisis de laboratorio, que requieren tiempo y mano de obra intensiva, lo que retrasa el

diagnóstico y eleva los costos de producción [1,2].

En la ganadería moderna, el monitoreo continuo de la salud animal es esencial, y el uso de tecnologías avanzadas con

datos en tiempo real permite una gestión más proactiva. Al analizar estos datos mediante técnicas de ciencia de datos

y Machine Learning (ML), es posible identificar tempranamente signos de enfermedades, facilitando intervenciones

oportunas y reduciendo los costos asociados a diagnósticos tardíos [3].

El ML, una disciplina de la ciencia de datos que combina matemáticas, estadística y programación, desempeña un

papel crucial en la extracción de información valiosa de grandes volúmenes de datos [4]. En la ganadería, el ML ha

demostrado ser una herramienta poderosa, capaz de detectar patrones en los datos que son invisibles al ojo humano,

permitiendo la predicción de enfermedades antes de que los síntomas sean evidentes [5]. Año tras año, el ML encuentra

nuevas aplicaciones en campos científicos tan variados como la bioinformática [6,7], bioquímica [8,9], medicina

[10,11], meteorología [12]–[14], robótica [15], acuicultura [16,17], demostrando su versatilidad y potencial. Su

aplicación en la ganadería se suma a esta lista creciente, marcando un antes y un después en cómo se monitorean y

tratan las enfermedades en los animales.

Este documento explora los modelos de ML más efectivos para detectar y predecir enfermedades en el ganado,

destacando aplicaciones innovadoras y casos de estudio que evidencian el potencial de esta tecnología en el sector

ganadero.

2. Una visión general sobre el ML. - El concepto de ML, introducido por Arthur Samuel en 1959, inauguró una

era donde las computadoras pueden aprender de la experiencia, reduciendo la necesidad de programación específica

para cada tarea [18]. En ese sentido, como subcampo de la inteligencia artificial, el ML se centra en algoritmos

informáticos de autoaprendizaje, que mejoran a través de la experiencia, sin ser programados para ello [19]. Esto resulta

en modelos capaces de clasificar, predecir y agrupar datos basados en patrones que emergen de ejemplos previos

[20,21].

El rendimiento de los modelos de ML se mide mediante técnicas estadísticas y matemática, y tras el entrenamiento, se

utilizan para analizar nuevos datos basándose en el conocimiento adquirido [20]. Este proceso, ilustrado en la Figura

I, es fundamental para entender cómo el ML aplica la experiencia previa a nuevas situaciones. Una vez que se completa

el proceso de aprendizaje, el modelo entrenado se puede utilizar para clasificar, predecir o agrupar nuevos ejemplos

(datos de prueba) utilizando la experiencia adquirida durante el proceso de entrenamiento [20]. La Figura I representa

el proceso tradicional desde la perspectiva de ML.

Figura I. Flujo del trabajo del ML. Fuente: Elaboración propia

M. Vieto-Vega, Y. Moreno-Gonzalez

Memoria Investigaciones en Ingeniería, núm. 27 (2024). pp. 46-59

https://doi.org/10.36561/ING.27.4

ISSN 2301-1092 • ISSN (en línea) 2301-1106 – Universidad de Montevideo, Uruguay 49

2.1. Tipos de ML. - Existen tres categorías principales en ML, cada una con aplicaciones específicas en ganadería:

 Aprendizaje supervisado: se define como la tarea de ML empleada para inferir resultados a partir de datos

etiquetados. Se usan datos de entrenamiento compuestos por datos de ejemplos, y mediante un algoritmo de

aprendizaje supervisado, se analizan los datos obteniendo una función que permite inferir resultados a partir de

nuevos datos [22].

 Aprendizaje no supervisado: se refiere a la tarea de ML encargada de obtener una función que represente

el comportamiento o patrón oculto a partir de datos sin etiquetar. Como los datos no tienen etiquetas, no hay

una evaluación de la precisión de los resultados del algoritmo [22].

 Aprendizaje por refuerzo: es similar al aprendizaje supervisado, pero no utiliza datos de entrenamiento. El

algoritmo intenta aprender por ensayo y error, donde una secuencia de resultados satisfactorios refuerza

(señalan) los resultados previstos correctamente [21].

La figura II muestra el flujo de los métodos de ML mencionados en esta sección.

2.2. Algoritmos de ML en ganadería. - A continuación, se describen algunos algoritmos clave de ML, destacando

sus aplicaciones para la detección y monitoreo de enfermedades en el ganado.

Modelos bayesianos. Son un tipo de modelo estadístico que utiliza el teorema de Bayes y reglas matemáticas para

mejorar nuestras predicciones a medida que obtenemos nueva información. Son útiles para tanto para clasificar como

para predecir datos, y un ejemplo común es el Naive Bayes para el aprendizaje supervisado [24]. El Naive Bayes, una

versión simplificada, es popular para clasificación y predicción, especialmente cuando se cuenta con múltiples

indicadores de salud. En ganadería, ha sido empleado para clasificar condiciones de salud como mastitis y predecir

riesgos futuros al detectar patrones específicos en datos de historial de salud y actividad.

Árboles de decisión. Son un tipo de algoritmo de clasificación y regresión que construyen un árbol de decisiones para

llegar a una clasificación final. Se construyen en una estructura similar a un árbol [25], en la que cada nodo representa

una decisión o punto de división y cada rama representa un posible resultado de esta división. Las hojas del árbol

representan la predicción o clasificación final [26]. Son útiles para la detección de enfermedades, ya que permiten

identificar fácilmente factores de riesgo en datos de salud animal, como indicadores de inflamación en análisis de

leche. Además, los árboles de decisión brindan transparencia en los resultados, lo cual es importante para interpretar

cómo cada factor influye en el diagnóstico final [46].

Redes neuronales (NN). Inspiradas en el cerebro humano, estas redes son sistemas de puntos interconectados que

pueden aprender y tomar decisiones, imitando funciones como el reconocimiento de patrones [27]. Se dividen en dos

categorías: NN tradicionales y NN profundas. Se usan tanto en aprendizaje supervisado como no supervisado y varían

desde estructuras simples hasta redes profundas y complejas. En ganadería, las NN profundas se han utilizado para

analizar imágenes termográficas y detectar anomalías en la temperatura corporal de los animales, ayudando en la

Figura II. Representación de los modelos de ML. Adaptado de [23]

M. Vieto-Vega, Y. Moreno-Gonzalez

Memoria Investigaciones en Ingeniería, núm. 27 (2024). pp. 46-59

https://doi.org/10.36561/ING.27.4

ISSN 2301-1092 • ISSN (en línea) 2301-1106 – Universidad de Montevideo, Uruguay 50

identificación temprana de infecciones. Las redes neuronales también se aplican para monitorear actividad y patrones

de movimiento, detectando cambios en el comportamiento que podrían indicar estrés o enfermedades [45-48].

K-means clustering. Este algoritmo de agrupamiento, perteneciente al aprendizaje no supervisado, clasifica datos en

grupos según la cercanía de los puntos entre sí. Se usan en tareas como agrupamiento de documentos y la segmentación

y la compresión de imágenes [28]. Es particularmente útil para monitorear el comportamiento en grandes grupos de

animales, agrupando patrones de actividad. En ganadería, K-means ayuda a identificar animales con comportamientos

atípicos (por ejemplo, menor actividad o aislamiento), lo cual puede señalar problemas de salud tempranos [38,39].

Support Vector machines (SVM). Las máquinas de soporte vectorial son algoritmos de clasificación y regresión que

maximizan la distancia entre clases de datos. Las SVM se introdujeron por primera vez en 1995 [29], sobre la base de

la teoría del aprendizaje estadístico. Las SVM funcionan encontrando un hiperplano que separa dos clases de puntos

de datos con el mayor margen posible [30], [31]. Los algoritmos SVM son empleados en el aprendizaje supervisado y

los más utilizados incluyen la regresión de vectores de soporte [32], máquina de vectores de soporte de algoritmo de

proyección sucesiva [33], entre otros. En la ganadería, se aplican para distinguir entre animales sanos y aquellos en

riesgo de desarrollar enfermedades. Por ejemplo, en estudios de comportamiento, las SVM pueden separar animales

con patrones de movimiento normales de aquellos que muestran signos de cojera o estrés, optimizando la intervención

temprana.

Bosques aleatorios. Un bosque aleatorio combina múltiples árboles de decisión para mejorar la precisión y reducir el

sobreajuste. Al utilizar un conjunto de árboles, este método aprende tendencias generales en los datos sin ser

excesivamente sensible a variaciones específicas [34]. Los bosques aleatorios son efectivos para el análisis de datos

complejos de salud animal, como registros de temperatura, producción de leche y frecuencia de visitas al bebedero.

Esta técnica permite identificar patrones en grandes volúmenes de datos sin perder precisión en cada decisión

individual, ayudando a detectar anomalías como variaciones en el consumo de agua o alimentación que indican

posibles problemas de salud [45-48].

2.3. Ejemplos de aplicación del ML en la ganadería. - La implementación de ML en ganadería permite un monitoreo

constante de la salud animal y la detección temprana de enfermedades, mejorando así la producción [36,37]. La Figura

III muestra el flujo de trabajo para aplicar ML en ganadería de precisión, desde la recopilación y procesamiento de

datos hasta el desarrollo y uso de modelos para monitoreo de salud y gestión eficiente de recursos.

2.3.1 Bienestar Animal. - Existe una preocupación constante por el bienestar de los animales ya que está

estrechamente relacionado con la calidad del producto, la salud del consumidor y la eficiencia económica [38]. Para la

evaluación del bienestar animal, existen varios índices, incluidos los indicadores de estrés fisiológico y

Figura III. Proceso de Implementación de ML en Ganadería de Precisión.

Fuente: Elaboración propia

M. Vieto-Vega, Y. Moreno-Gonzalez

Memoria Investigaciones en Ingeniería, núm. 27 (2024). pp. 46-59

https://doi.org/10.36561/ING.27.4

ISSN 2301-1092 • ISSN (en línea) 2301-1106 – Universidad de Montevideo, Uruguay 51

comportamiento.

Monitorear el comportamiento de los animales es clave para su bienestar, ya que enfermedades o estrés pueden alterar

sus patrones de actividad. Algoritmos de ML, como K-means, permiten identificar cambios en el comportamiento,

como la reducción de la actividad o el letargo, que pueden señalar problemas de salud inminentes [38]. Un estudio

utilizó K-means para clasificar el comportamiento de aves de corral y detectar signos tempranos de enfermedad [39].

Igualmente, diversos modelos de ML han sido implementados en la producción animal para identificar enfermedades

en el ganado, los cuales se detallarán a continuación.

2.3.2 Detección de Mastitis. - La mastitis bovina es la enfermedad con mayor impacto económico en las lecherías a

nivel mundial [40], provocada por bacterias, virus y lesiones [41]. Tradicionalmente, esta enfermedad se diagnostica

mediante métodos como el conteo de células somáticas y la prueba de mastitis de California; sin embargo, estas

técnicas suelen ser subjetivas y requieren personal capacitado, lo cual limita su aplicabilidad a gran escala [42-44].

Modelos como redes neuronales y bosques aleatorios han demostrado eficacia en la detección temprana de mastitis,

alcanzando una sensibilidad de hasta el 81% en estudios recientes [45-48]. Asimismo, la combinación de termografía

infrarroja con redes neuronales ha logrado una precisión del 90% en la detección de áreas inflamadas, un indicio

temprano de infección [49-50].

Además de la detección directa, el ML permite monitorear la salud del hato e identificar vacas en riesgo de desarrollar

mastitis, facilitando la toma de medidas preventivas. Por ejemplo, se ha reportado que redes neuronales pueden predecir

correctamente el riesgo de mastitis con una sensibilidad del 75% [49]. Otros enfoques en el diagnóstico de mastitis

incluyen modelos bayesianos, árboles de decisión y modelos mixtos lineales generalizados, ampliando las opciones y

aplicabilidad de los modelos de ML para su detección [46, 51, 52].

2.3.3 Detección de cojeras. - La cojera es una condición dolorosa en animales de producción, caracterizada por

anomalías en la marcha debido a lesiones en las extremidades, que puede ser causada por lesiones, enfermedades o

deficiencias nutricionales [53,54]. Esta afección provoca pérdidas económicas significativas, afectando la producción

de leche, la fertilidad, y generando mayores costos de tratamiento, además de reducir el peso de los animales al

sacrificio [55,56].

Para su detección, se han empleado algoritmos de ML como bosques aleatorios, árboles de decisión y el clasificador

Naive Bayes, logrando identificar patrones asociados a la cojera de manera efectiva [57-59].

2.3.4. Detección de anemia en cabras y ovejas. - La infección por nematodos gastrointestinales es un problema

significativo en la producción de carne de ovejas y cabras, causando impactos económicos directos e indirectos debido

a la salud comprometida de los animales. Los animales infectados pueden presentar pérdida de peso subclínica, anemia,

reducción de proteínas y disminución en el consumo de alimento debido a la anorexia; en casos graves, estas

infecciones pueden llevar a tasas altas de mortalidad [60,61].

Tradicionalmente, se ha utilizado pruebas de sangre y heces para detectar estas infecciones, aunque resultan costosas

y conllevan el riesgo de propagación de enfermedades. Esto ha impulsado la creación de métodos más eficaces y menos

invasivos. Un ejemplo es el sistema FAMACHA, que evalúa el color de la membrana ocular para identificar animales

en riesgo de anemia, facilitando un tratamiento adecuado sin procedimientos invasivos.

Un estudio reciente desarrolló un clasificador de ML basado en SVM para predecir qué animales necesitan tratamiento

según su puntuación FAMACHA, alcanzando un 80% de precisión [62]. Este clasificador optimiza la detección

temprana y el tratamiento de anemia en ovejas y cabras, contribuyendo a la mejora de su salud y productividad.

3. Estudios de casos en la detección de enfermedades en ganadería con ML. - Un estudio demuestra el uso de ML

para detectar enfermedades en vacas lecheras mediante la espectrometría de infrarrojo medio (MIR) [64], en el cual

M. Vieto-Vega, Y. Moreno-Gonzalez

Memoria Investigaciones en Ingeniería, núm. 27 (2024). pp. 46-59

https://doi.org/10.36561/ING.27.4

ISSN 2301-1092 • ISSN (en línea) 2301-1106 – Universidad de Montevideo, Uruguay 52

recolectaron y analizaron 1909 muestras de leche de 467 vacas en dos granjas de Nueva Zelanda. El espectrómetro

MIR, una herramienta no invasiva que mide la absorción de luz en varias longitudes de onda, generó perfiles químicos

de la leche, permitiendo la detección temprana de condiciones como la mastitis y la cojera sin necesidad de pruebas

adicionales. Los datos espectrales fueron preprocesados mediante filtrado y normalización para reducir ruido y mejorar

la consistencia. En el análisis se utilizaron algoritmos de ML como Random Forest, SVM y NN, evaluados mediante

métricas como sensibilidad, especificidad y el coeficiente de correlación de Matthews (MCC). El modelo de NN fue

el más efectivo, logrando una sensibilidad del 62%, una especificidad del 97%, un MCC de 0.57 y un AUC de 79%,

destacándose por su balance entre precisión y capacidad de detección.

Otro estudio realizado en Francia investigó el uso de ML para identificar cambios de comportamiento en vacas lecheras

con acidosis ruminal subaguda (SARA) [70]. Durante nueve semanas, monitorearon a 28 vacas Holstein con un sistema

de posicionamiento en tiempo real para registrar su actividad. De las vacas, 14 fueron inducidas a SARA mediante un

cambio dietético, mientras las otras mantuvieron una dieta controlada. Se probaron varios algoritmos de ML, como K-

Nearest Neighbors para regresión (KNNR) y árboles de decisión. El KNNR detectó el 83% de episodios de SARA,

aunque generó un 66% de falsos positivos. Esto sugiere la necesidad de datos más amplios y modelados individuales

para mejorar la precisión en granjas comerciales.

Un estudio desarrollado en 2022 implementó un sistema prototipo de diagnóstico de enfermedades bovinas usando un

sistema experto y procesamiento de imágenes con redes neuronales convolucionales (CNN) [71]. Este sistema, dirigido

a enfermedades visibles como la enfermedad de la piel y el gusano anular, empleó teléfonos móviles para capturar

imágenes y registrar síntomas visuales, además de datos textuales para síntomas detectables solo mediante palpación.

Las imágenes fueron procesadas y clasificadas por un modelo CNN que logró un 95% de precisión. Aunque el sistema

mostró efectividad en diagnósticos rápidos, tuvo limitaciones en diferenciar enfermedades con síntomas similares,

como el gusano anular y el virus de la piel verrugosa. Este sistema tiene un alto potencial para mejorar el diagnóstico

en áreas rurales con acceso limitado a veterinarios, especialmente en economías en desarrollo.

En Irlanda, se desarrolló un sistema IoT que combina fog computing y ML para la detección temprana de cojera en

vacas lecheras [69]. En el ámbito de la ganadería de precisión, el fog computing permitió procesar los datos de sensores

de actividad, posición y signos vitales en un servidor local cercano a la granja, lo que redujo la latencia y evitó la

transmisión masiva de datos a un centro remoto. Este sistema monitoreó continuamente a 150 vacas mediante

podómetros y sensores para capturar datos sobre pasos, tiempo de descanso y cambios de postura. Gracias al fog

computing, el volumen de datos enviados a la nube disminuyó en un 84%, crucial en zonas con conectividad limitada.

El modelo de ML, que usó algoritmos de agrupamiento y clasificación, detectó la cojera con un 87% de precisión,

hasta tres días antes de su detección visual, superando métodos tradicionales en un 8%. Además, su diseño en

microservicios facilita la integración con otros sistemas, ofreciendo una solución adaptable y escalable para distintos

entornos agrícolas.

3.1. Limitaciones metodológicas. - Los estudios revisados sobre ML en la ganadería de precisión en la Sección 3,

presentan limitaciones metodológicas que afectan la generalización de los resultados. Por ejemplo, un estudio con solo

5.4% de observaciones de vacas enfermas muestra un desbalance de clases, limitando la capacidad del modelo para

aplicarse en otros sistemas de producción [64]. Futuras investigaciones con muestras balanceadas mejorarían su

precisión y aplicabilidad en la industria ganadera.

Asimismo, la tecnología MIR combinada con ML es una herramienta eficaz y no invasiva para monitorear la salud del

ganado, aunque su precisión depende de la calidad y consistencia de los datos. Variaciones en la recolección de

muestras pueden afectar los resultados, destacando la necesidad de estudios adicionales para adaptar el modelo a

distintos entornos ganaderos.

Otra limitación es la alta tasa de falsos positivos en algunos modelos, como en el caso de la detección de acidosis

ruminal, lo cual puede reducir la confianza en estos sistemas [70]. Mejorar la especificidad de los modelos es clave

para su adopción en granjas a gran escala.

M. Vieto-Vega, Y. Moreno-Gonzalez

Memoria Investigaciones en Ingeniería, núm. 27 (2024). pp. 46-59

https://doi.org/10.36561/ING.27.4

ISSN 2301-1092 • ISSN (en línea) 2301-1106 – Universidad de Montevideo, Uruguay 53

Por último, el sistema basado en fog computing del estudio [69] requiere configuraciones específicas de cada granja,

lo que limita su precisión en lugares sin calibración previa. Además, su implementación enfrenta desafíos en áreas con

conectividad limitada, afectando su escalabilidad en regiones rurales.

Estas limitaciones resaltan la importancia de estudios futuros que utilicen metodologías más robustas y muestras

representativas para mejorar la aplicabilidad de los modelos en contextos diversos de ganadería.

4. Comparativa del ML en ganadería y otros sectores. - En el desarrollo de aplicaciones de ML en ganadería y

medicina humana, existen importantes paralelismos y diferencias. Ambos sectores buscan optimizar la salud y

eficiencia, pero enfrentan desafíos específicos relacionados con los datos disponibles, el contexto de aplicación y las

implicaciones éticas y de privacidad. Esta sección compara sus aplicaciones y explora posibles oportunidades de

transferencia de conocimiento.

En detección de enfermedades y diagnóstico, el ML ha avanzado en medicina para identificar patologías complejas,

como el cáncer y enfermedades cardiovasculares, mediante el análisis de imágenes y registros electrónicos [68]. Estos

algoritmos destacan en mejorar la rapidez y precisión de los diagnósticos. En ganadería, aunque los datos provienen

de sensores de salud y comportamiento animal, el objetivo es igualmente identificar problemas de salud en etapas

tempranas para mejorar la productividad y el bienestar animal [64]. Ambos sectores buscan reducir la dependencia de

métodos manuales, pero en ganadería la implementación debe adaptarse a entornos rurales y operar con menor

supervisión directa.

Respecto a la personalización del tratamiento, el ML en medicina permite diseñar tratamientos individualizados

analizando variaciones genéticas y respuestas específicas a medicamentos [66]. En ganadería, el ML puede

personalizar el manejo de cada animal, adaptando la alimentación y los tratamientos para optimizar la salud del rebaño

y reducir costos, aunque con menos datos clínicos. En ambos casos, la personalización mediante ML permite un manejo

más eficiente y reduce el riesgo de complicaciones a largo plazo.

En optimización de recursos y eficiencia, el ML permite en medicina mejorar la administración de registros y flujos

de trabajo hospitalarios, reduciendo la carga de los profesionales y mejorando la eficiencia [67]. En ganadería, los

sistemas ML facilitan el monitoreo automático del ganado, minimizando la necesidad de inspecciones manuales. Este

ahorro de tiempo y recursos es esencial en granjas de gran escala, optimizando la asignación de personal y permitiendo

que los ganaderos se enfoquen en actividades de mayor valor añadido.

5. Impacto económico y perspectivas a futuro. - La implementación de ML en la ganadería de precisión tiene un

gran potencial económico, aunque se requieren estudios a largo plazo en escenarios comerciales reales para evaluar

sus beneficios completos. En general, el ML reduce costos de diagnóstico y tratamiento al permitir una detección

temprana de enfermedades, disminuyendo así el uso de antibióticos y tratamientos en granjas de gran escala. También

aumenta la productividad con decisiones de manejo basadas en datos, optimizando el uso de recursos del hato. Al

automatizar el monitoreo y reducir la necesidad de inspecciones manuales, el ML ahorra mano de obra y mitiga riesgos

económicos al prever brotes de enfermedades, protegiendo la estabilidad financiera de las granjas y reduciendo la

mortalidad del ganado.

Para alcanzar estos beneficios, es clave la colaboración entre especialistas en ciencias de datos y ML, veterinarios,

ingenieros zootecnistas, ingenieros de computación y productores. Cada grupo aporta conocimientos esenciales: los

expertos en ML desarrollan algoritmos avanzados; los veterinarios y zootecnistas, comprensión de la salud y

comportamiento animal; los ingenieros de computación, la implementación y optimización de sistemas; y los

productores, experiencia directa en la gestión del ganado. Esta colaboración permite adaptar las soluciones de ML a

las condiciones específicas de cada granja, logrando sistemas más confiables y efectivos.

6. Ética y privacidad. - El uso de ML en la ganadería de precisión plantea consideraciones éticas y de privacidad que

son clave para una adopción responsable y equitativa. La recolección de grandes volúmenes de datos sobre la salud y

el comportamiento animal requiere medidas de seguridad, como cifrado y almacenamiento seguro, para prevenir

M. Vieto-Vega, Y. Moreno-Gonzalez

Memoria Investigaciones en Ingeniería, núm. 27 (2024). pp. 46-59

https://doi.org/10.36561/ING.27.4

ISSN 2301-1092 • ISSN (en línea) 2301-1106 – Universidad de Montevideo, Uruguay 54

accesos no autorizados y el mal uso de la información. La transparencia en el acceso y uso de datos permite a los

productores mantener control sobre cómo se emplea la información generada en sus granjas, lo cual es fundamental

para construir confianza y seguridad en estas tecnologías [65].

Además, es crucial que las decisiones automatizadas del ML, como alertas de salud o ajustes de manejo, sean

comprensibles y permitan la intervención humana cuando sea necesario. Esto asegura que los sistemas complementen

el juicio y la experiencia del productor en lugar de reemplazarlos, preservando el enfoque en el bienestar integral de

los animales y evitando tratarlos solo como datos.

Finalmente, es importante que el acceso a estas tecnologías sea equitativo, ya que los costos y la complejidad pueden

crear una brecha entre grandes y pequeñas operaciones. Para mitigar este desafío, es esencial desarrollar modelos

escalables y accesibles, acompañados de políticas de apoyo y programas de capacitación que permitan a todos los

productores beneficiarse del ML. Al abordar estos aspectos de seguridad, equidad y transparencia, el ML puede

integrarse de manera ética en la ganadería, promoviendo la productividad y el bienestar animal sin comprometer la

privacidad de los datos.

7. Conclusión. - La incorporación de ML en la ganadería de precisión muestra un gran potencial para transformar el

diagnóstico y la prevención de enfermedades, optimizando tanto la salud animal como la rentabilidad de las granjas.

Los algoritmos de ML analizan de forma automatizada y rápida grandes volúmenes de datos provenientes de sensores,

registros médicos y patrones de comportamiento, permitiendo identificar correlaciones y señales tempranas de

enfermedades que de otro modo serían difíciles de detectar. Esto no solo posibilita intervenciones rápidas y menos

costosas, sino que también reduce la dependencia de tratamientos extensivos, mejorando la eficiencia operativa.

8. Perspectivas para investigaciones futuras

Para maximizar estos beneficios, es fundamental profundizar en áreas clave que permitan la implementación eficiente

y confiable de ML en la ganadería:

1. Desarrollo de modelos más interpretables y específicos: Los modelos deben ser más comprensibles y

adaptables a las particularidades de la producción animal. Esto permitirá que veterinarios y productores confíen

y apliquen los resultados de ML en su manejo diario, logrando intervenciones oportunas y ajustadas a cada

caso.

2. Integración de datos heterogéneos: La integración de diversas fuentes de datos, desde biometría y

comportamiento hasta variables ambientales, ampliará la capacidad predictiva del ML, proporcionando una

visión holística del estado de salud animal.

3. Aplicación de aprendizaje activo y continuo: La incorporación de técnicas de aprendizaje activo permitirá

que los modelos se adapten constantemente a nuevos datos y escenarios, como cambios estacionales o de

manejo, mejorando su precisión y relevancia en tiempo real.

4. Evaluación económica a largo plazo: Estudios futuros deberán abordar de forma integral los costos y

beneficios de implementar ML en escenarios de producción real, evaluando el retorno de inversión y el impacto

en la sostenibilidad de las granjas. Esta información facilitará una adopción más fundamentada y generalizada

del ML en el sector ganadero.

En conjunto, el ML promete una ganadería de precisión más eficiente y sostenible. Su éxito dependerá de la

colaboración entre científicos de datos, veterinarios y productores, quienes, al compartir conocimientos y experiencia,

podrán adaptar estas tecnologías a las necesidades específicas del sector ganadero.

M. Vieto-Vega, Y. Moreno-Gonzalez

Memoria Investigaciones en Ingeniería, núm. 27 (2024). pp. 46-59

https://doi.org/10.36561/ING.27.4

ISSN 2301-1092 • ISSN (en línea) 2301-1106 – Universidad de Montevideo, Uruguay 55

Referencias

[1] J. Chen et al., "Retrospect and Risk Analysis of Foot-and-Mouth Disease in China Based on Integrated Surveillance

and Spatial Analysis Tools," Frontiers in Veterinary Science, vol. 6, 2020. [Online]. Available:

https://www.frontiersin.org/articles/10.3389/fvets.2019.00511. [Accessed April 24, 2023].

[2] K. Džermeikaitė, D. Bačėninaitė, and R. Antanaitis, "Innovations in Cattle Farming: Application of Innovative

Technologies and Sensors in the Diagnosis of Diseases," Animals, vol. 13, no. 5, Art. no. 5, Jan. 2023, doi:

10.3390/ani13050780.

[3] S. Neethirajan, "The role of sensors, big data and machine learning in modern animal farming," Sensors and

Actuators B: Chemical, vol. 29, p. 100367, Aug. 2020, doi: 10.1016/j.sbsr.2020.100367.

[4] X. Kang, S. Li, Q. Li, and G. Liu, "Dimension-reduced spatiotemporal network for lameness detection in dairy

cows," Computers and Electronics in Agriculture, vol. 197, p. 106922, Jun. 2022, doi: 10.1016/j.compag.2022.106922.

[5] M. Marimuthu, M. Abinaya, K. S. Hariesh, K. Madhankumar, and V. Pavithra, "A Review on Heart Disease

Prediction using Machine Learning and Data Analytics Approach," International Journal of Computer Applications,

vol. 181, no. 18, pp. 20–25, Sep. 2018.

[6] S. D. Mackowiak et al., "Extensive identification and analysis of conserved small ORFs in animals," Genome

Biology, vol. 16, p. 179, Sep. 2015, doi: 10.1186/s13059-015-0742-x.

[7] L. Kong et al., "CPC: assess the protein-coding potential of transcripts using sequence features and support vector

machine," Nucleic Acids Research, vol. 35, no. Web Server issue, pp. W345-W349, Jul. 2007, doi:

10.1093/nar/gkm391.

[8] A. Richardson, B. M. Signor, B. A. Lidbury, and T. Badrick, "Clinical chemistry in higher dimensions: Machine-

learning and enhanced prediction from routine clinical chemistry data," Clinical Biochemistry, vol. 49, no. 16, pp.

1213–1220, Nov. 2016, doi: 10.1016/j.clinbiochem.2016.07.013.

[9] J. Wildenhain et al., "Prediction of Synergism from Chemical-Genetic Interactions by Machine Learning," Cell

Systems, vol. 1, no. 6, pp. 383–395, Dec. 2015, doi: 10.1016/j.cels.2015.12.003.

[10] J. Kang, R. Schwartz, J. Flickinger, and S. Beriwal, "Machine Learning Approaches for Predicting Radiation

Therapy Outcomes: A Clinician’s Perspective," International Journal of Radiation Oncology, Biology, Physics, vol.

93, no. 5, pp. 1127–1135, Dec. 2015, doi: 10.1016/j.ijrobp.2015.07.2286.

[11] H. Asadi, R. Dowling, B. Yan, and P. Mitchell, "Machine Learning for Outcome Prediction of Acute Ischemic

Stroke Post Intra-Arterial Therapy," PLOS ONE, vol. 9, no. 2, p. e88225, Feb. 2014, doi:

10.1371/journal.pone.0088225.

[12] A. Aybar-Ruiz et al., "A novel Grouping Genetic Algorithm–Extreme Learning Machine approach for global solar

radiation prediction from numerical weather models inputs," Solar Energy, vol. 132, pp. 129–142, Jul. 2016, doi:

10.1016/j.solener.2016.03.015.

[13] J. Rhee and J. Im, "Meteorological drought forecasting for ungauged areas based on machine learning: Using

long-range climate forecast and remote sensing data," Agricultural and Forest Meteorology, vol. 237–238, pp. 105–

122, May 2017, doi: 10.1016/j.agrformet.2017.02.011.

[14] S. Cramer, M. Kampouridis, A. A. Freitas, and A. K. Alexandridis, "An extensive evaluation of seven machine

learning methods for rainfall prediction in weather derivatives," Expert Systems with Applications, vol. 85, pp. 169–

181, Nov. 2017, doi: 10.1016/j.eswa.2017.05.029.

[15] K. Takahashi, K. Kim, T. Ogata, and S. Sugano, "Tool-body assimilation model considering grasping motion

through deep learning," Robotics and Autonomous Systems, vol. 91, pp. 115–127, May 2017, doi:

10.1016/j.robot.2017.01.002.

[16] C. Zhou et al., "Near infrared computer vision and neuro-fuzzy model-based feeding decision system for fish in

aquaculture," Computers and Electronics in Agriculture, vol. 146, pp. 114–124, Mar. 2018, doi:

10.1016/j.compag.2018.02.006.

[17] X. A. López-Cortés et al., "Fast detection of pathogens in salmon farming industry," Aquaculture, vol. 470, pp.

17–24, Mar. 2017, doi: 10.1016/j.aquaculture.2016.12.008.

[18] A. L. Samuel, "Some Studies in Machine Learning Using the Game of Checkers," IBM Journal of Research and

Development, vol. 3, no. 3, pp. 210–229, Jul. 1959, doi: 10.1147/rd.33.0210.

[19] T. M. Mitchell, Machine Learning, New York: McGraw-Hill, 1997, in McGraw-Hill Series in Computer Science.

[20] K. Liakos, P. Busato, D. Moshou, S. Pearson, and D. Bochtis, "Machine Learning in Agriculture: A Review,"

M. Vieto-Vega, Y. Moreno-Gonzalez

Memoria Investigaciones en Ingeniería, núm. 27 (2024). pp. 46-59

https://doi.org/10.36561/ING.27.4

ISSN 2301-1092 • ISSN (en línea) 2301-1106 – Universidad de Montevideo, Uruguay 56

Sensors, vol. 18, no. 8, p. 2674, Aug. 2018, doi: 10.3390/s18082674.

[21] "What is Machine Learning?" IBM. [Online]. Available: https://www.ibm.com/topics/machine-learning.

[Accessed March 5, 2024].

[22] D. Sharma and N. Kumar, "A Review on Machine Learning Algorithms, Tasks and Applications," 2017, vol. 6,

pp. 2278–1323, Oct. 2017.

[23] M. T. J. P., "Models for machine learning," IBM Developer, Dec. 5, 2017. [Online]. Available:

https://developer.ibm.com/articles/cc-models-machine-learning/#reinforcement-learning. [Accessed December 20,

2023].

[24] S. N. Peter Russell, Artificial Intelligence: A Modern Approach, Englewood Cliffs, N.J, 1995.

[25] W. A. Belson, "Matching and Prediction on the Principle of Biological Classification," Journal of the Royal

Statistical Society. Series C (Applied Statistics), vol. 8, no. 2, pp. 65–75, 1959, doi: 10.2307/2985543.

[26] L. Breiman, Classification and Regression Trees, Routledge, 2017.

[27] J. R. Quinlan, C4.5: Programs for Machine Learning, Morgan Kaufmann, 1993.

[28] "What is Unsupervised Learning?" IBM. [Online]. Available: https://www.ibm.com/topics/unsupervised-

learning. [Accessed November 29, 2023].

[29] C. Cortes and V. Vapnik, "Support-vector networks," Machine Learning, vol. 20, no. 3, pp. 273–297, Sep. 1995,

doi: 10.1007/BF00994018.

[30] C.-C. Chang and C.-J. Lin, "LIBSVM: A library for support vector machines," ACM Transactions on Intelligent

Systems and Technology, vol. 2, no. 3, p. 27:1-27:27, May 2011, doi: 10.1145/1961189.1961199.

[31] J. A. K. Suykens and J. Vandewalle, "Least Squares Support Vector Machine Classifiers," Neural Processing

Letters, vol. 9, no. 3, pp. 293–300, Jun. 1999, doi: 10.1023/A:1018628609742.

[32] A. Smola et al., "Regression Estimation with Support Vector Learning Machines," 1996.

[33] R. K. H. Galvão et al., "A variable elimination method to improve the parsimony of MLR models using the

successive projections algorithm," Chemometrics and Intelligent Laboratory Systems, vol. 92, no. 1, pp. 83–91, May

2008, doi: 10.1016/j.chemolab.2007.12.004.

[34] B. Liu, M. Ma, and J. Chang, Eds., Information Computing and Applications, Lecture Notes in Computer Science,

vol. 7473, Berlin, Heidelberg: Springer Berlin Heidelberg, 2012, doi: 10.1007/978-3-642-34062-8.

[35] R. García, J. Aguilar, M. Toro, A. Pinto, and P. Rodríguez, "A systematic literature review on the use of machine

learning in precision livestock farming," Computers and Electronics in Agriculture, vol. 179, p. 105826, Dec. 2020,

doi: 10.1016/j.compag.2020.105826.

[36] L. Benos, A. C. Tagarakis, G. Dolias, R. Berruto, D. Kateris, and D. Bochtis, "Machine Learning in Agriculture:

A Comprehensive Updated Review," Sensors, vol. 21, no. 11, p. 3758, May 2021, doi: 10.3390/s21113758.

[37] A. I. Awad, "From classical methods to animal biometrics: A review on cattle identification and tracking,"

Computers and Electronics in Agriculture, vol. 123, pp. 423–435, Apr. 2016, doi: 10.1016/j.compag.2016.03.014.

[38] D. Berckmans and M. Guarino, "From the Editors: Precision livestock farming for the global livestock sector,"

Animal Frontiers, vol. 7, no. 1, pp. 4–5, Jan. 2017,

[39] Z. Feiyang, H. Yueming, C. Liancheng, G. Lihong, D. Wenjie, and W. Lu, "Monitoring behavior of poultry based

on RFID radio frequency network," International Journal of Agricultural and Biological Engineering, vol. 9, no. 6,

Dec. 2016, doi: 10.25165/ijabe.v9i6.1568.

[40] H. Hogeveen, W. Steeneveld, and C. A. Wolf, "Production Diseases Reduce the Efficiency of Dairy Production:

A Review of the Results, Methods, and Approaches Regarding the Economics of Mastitis," Annual Review of Resource

Economics, vol. 11, pp. 289–312, 2019, doi: 10.1146/annurev-resource-100518-093954.

[41] S. De Vliegher, L. K. Fox, S. Piepers, S. McDougall, and H. W. Barkema, "Invited review: Mastitis in dairy

heifers: Nature of the disease, potential impact, prevention, and control," Journal of Dairy Science, vol. 95, no. 3, pp.

1025–1040, Mar. 2012, doi: 10.3168/jds.2010-4074.

[42] Y. Wang, Q. Li, M. Chu, X. Kang, and G. Liu, "Application of infrared thermography and machine learning

techniques in cattle health assessments: A review," Biosystems Engineering, vol. 230, pp. 361–387, Jun. 2023, doi:

10.1016/j.biosystemseng.2023.05.002.

[43] C. J. Sanford et al., "Test characteristics from latent-class models of the California Mastitis Test," Preventive

Veterinary Medicine, vol. 77, no. 1, pp. 96–108, Nov. 2006, doi: 10.1016/j.prevetmed.2006.06.006.

[44] P. L. Ruegg, "A 100-Year Review: Mastitis detection, management, and prevention," Journal of Dairy Science,

vol. 100, no. 12, pp. 10381–10397, Dec. 2017, doi: 10.3168/jds.2017-13023.

M. Vieto-Vega, Y. Moreno-Gonzalez

Memoria Investigaciones en Ingeniería, núm. 27 (2024). pp. 46-59

https://doi.org/10.36561/ING.27.4

ISSN 2301-1092 • ISSN (en línea) 2301-1106 – Universidad de Montevideo, Uruguay 57

[45] D. Cavero, K.-H. Tölle, C. Henze, C. Buxadé, and J. Krieter, "Mastitis detection in dairy cows by application of

neural networks," Livestock Science, vol. 114, no. 2, pp. 280–286, Apr. 2008, doi: 10.1016/j.livsci.2007.05.012.

[46] C. Kamphuis, H. Mollenhorst, J. A. P. Heesterbeek, and H. Hogeveen, "Detection of clinical mastitis with sensor

data from automatic milking systems is improved by using decision-tree induction," Journal of Dairy Science, vol. 93,

no. 8, pp. 3616–3627, Aug. 2010, doi: 10.3168/jds.2010-3228.

[47] S. A. Naqvi, M. T. M. King, R. D. Matson, T. J. DeVries, R. Deardon, and H. W. Barkema, "Mastitis detection

with recurrent neural networks in farms using automated milking systems," Computers and Electronics in Agriculture,

vol. 192, p. 106618, Jan. 2022, doi: 10.1016/j.compag.2021.106618.

[48] H. Motohashi, H. Ohwada, and C. Kubota, "Early Detection Method for Subclinical Mastitis in Auto Milking

Systems Using Machine Learning," in 2020 IEEE 19th International Conference on Cognitive Informatics & Cognitive

Computing (ICCICC), Sep. 2020, pp. 76–83, doi: 10.1109/ICCICC50026.2020.9450258.

[49] S. Ankinakatte, E. Norberg, P. Løvendahl, D. Edwards, and S. Højsgaard, "Predicting mastitis in dairy cows using

neural networks and generalized additive models: A comparison," Computers and Electronics in Agriculture, vol. 99,

pp. 1–6, Nov. 2013, doi: 10.1016/j.compag.2013.08.024.

[50] Y. Wang, X. Kang, Z. He, Y. Feng, and G. Liu, "Accurate detection of dairy cow mastitis with deep learning

technology: a new and comprehensive detection method based on infrared thermal images," animal, vol. 16, no. 10, p.

100646, Oct. 2022, doi: 10.1016/j.animal.2022.100646.

[51] L. Fadul-Pacheco, H. Delgado, and V. E. Cabrera, "Exploring machine learning algorithms for early prediction of

clinical mastitis," *International Dairy Journal*, vol. 119, p. 105051, Aug. 2021, doi: 10.1016/j.idairyj.2021.105051.

[52] M. Khatun et al., "Development of a new clinical mastitis detection method for automatic milking systems,"

Journal of Dairy Science, vol. 101, no. 10, pp. 9385–9395, Oct. 2018, doi: 10.3168/jds.2017-14310.

[53] C. Foditsch et al., "Lameness Prevalence and Risk Factors in Large Dairy Farms in Upstate New York. Model

Development for the Prediction of Claw Horn Disruption Lesions," PLOS ONE, vol. 11, no. 1, p. e0146718, Jan. 2016,

doi: 10.1371/journal.pone.0146718.

[54] F. C. Flower and D. M. Weary, "Gait assessment in dairy cattle," Animal, vol. 3, no. 1, pp. 87–95, Jan. 2009, doi:

10.1017/S1751731108003194.

[55] L. Ózsvári, "Economic Cost of Lameness in Dairy Cattle Herds," Journal of Dairy, Veterinary & Animal

Research, vol. 6, p. 00176, Dec. 2017, doi: 10.15406/jdvar.2017.06.00176.

[56] E. Cha, J. A. Hertl, D. Bar, and Y. T. Gröhn, "The cost of different types of lameness in dairy cows calculated by

dynamic programming," Preventive Veterinary Medicine, vol. 97, no. 1, pp. 1–8, Oct. 2010, doi:

10.1016/j.prevetmed.2010.07.011.

[57] N. Volkmann, B. Kulig, S. Hoppe, J. Stracke, O. Hensel, and N. Kemper, "On-farm detection of claw lesions in

dairy cows based on acoustic analyses and machine learning," Journal of Dairy Science, vol. 104, no. 5, pp. 5921–

5931, May 2021, doi: 10.3168/jds.2020-19206.

[58] S. Shahinfar, M. Khansefid, M. Haile-Mariam, and J. E. Pryce, "Machine learning approaches for the prediction

of lameness in dairy cows," Animal, vol. 15, no. 11, p. 100391, Nov. 2021, doi: 10.1016/j.animal.2021.100391.

[59] D. Warner, E. Vasseur, D. M. Lefebvre, and R. Lacroix, "A machine learning based decision aid for lameness in

dairy herds using farm-based records," Computers and Electronics in Agriculture, vol. 169, p. 105193, Feb. 2020, doi:

10.1016/j.compag.2019.105193.

[60] F. Mavrot, H. Hertzberg, and P. Torgerson, "Effect of gastro-intestinal nematode infection on sheep performance:

A systematic review and meta-analysis," Parasites & Vectors, vol. 8, no. 1, p. 557, Dec. 2015, doi: 10.1186/s13071-

015-1164-z.

[61] A. C. de S. Chagas, O. Tupy, I. B. dos Santos, and S. N. Esteves, "Economic impact of gastrointestinal nematodes

in Morada Nova sheep in Brazil," Revista Brasileira de Parasitologia Veterinária, vol. 31, p. e008722, Aug. 2022,

doi: https://doi.org/10.1590/S1984-29612022044.

[62] Montout, A. X., Bamber, R. S., Lange, D. S., Ndlovu, D. Z., Morgan, E. R., Ioannou, C. C.,

[63] Dowsey, A. W., "Accurate and interpretable prediction of poor health in small ruminants with accelerometers and

machine learning," bioRxiv, Aug 2020, doi: https://doi.org/10.1101/2020.08.03.234203.

[64] Contla Hernández, B., Lopez-Villalobos, N., & Vignes, M. (2021). "Identifying health status in grazing dairy

cows from milk mid-infrared spectroscopy by using machine learning methods." Animals, 11(8), 2154.

[65] Neethirajan, S. (2023). "The significance and ethics of digital livestock farming." AgriEngineering, 5(1), 488-

505.

M. Vieto-Vega, Y. Moreno-Gonzalez

Memoria Investigaciones en Ingeniería, núm. 27 (2024). pp. 46-59

https://doi.org/10.36561/ING.27.4

ISSN 2301-1092 • ISSN (en línea) 2301-1106 – Universidad de Montevideo, Uruguay 58

[66] Zhang, Y., Wu, M., Tian, G. Y., Zhang, G., & Lu, J. (2021). "Ethics and privacy of artificial intelligence:

Understandings from bibliometrics." Knowledge-Based Systems, 222, 106994.

[67] Secinaro, S., Calandra, D., Secinaro, A., Muthurangu, V., & Biancone, P. (2021). "The role of artificial

intelligence in healthcare: a structured literature review." BMC Medical Informatics and Decision Making, 21, 1-23.

[68] Kumar, Y., Koul, A., Singla, R., & Ijaz, M. F. (2023). "Artificial intelligence in disease diagnosis: a systematic

literature review, synthesizing framework and future research agenda." Journal of Ambient Intelligence and

Humanized Computing, 14(7), 8459-8486.

[69] Taneja, M., Byabazaire, J., Jalodia, N., Davy, A., Olariu, C., & Malone, P. (2020). "Machine learning based fog

computing assisted data-driven approach for early lameness detection in dairy cattle." Computers and Electronics in

Agriculture, 171, 105286. doi: https://doi.org/10.1016/j.compag.2020.105286.

[70] Wagner, N., Antoine, V., Mialon, M.-M., Lardy, R., Silberberg, M., et al. (2020). "Machine learning to detect

behavioural anomalies in dairy cows under subacute ruminal acidosis." Computers and Electronics in Agriculture, 170,

105233. doi: 10.1016/j.compag.2020.105233.

[71] Lake, B., Getahun, F., & Teshome, F. T. (2022). "Application of artificial intelligence algorithm in image

processing for cattle disease diagnosis." Journal of Intelligent Learning Systems and Applications, 14(4), 71-88.

M. Vieto-Vega, Y. Moreno-Gonzalez

Memoria Investigaciones en Ingeniería, núm. 27 (2024). pp. 46-59

https://doi.org/10.36561/ING.27.4

ISSN 2301-1092 • ISSN (en línea) 2301-1106 – Universidad de Montevideo, Uruguay 59

Nota contribución de los autores:

1. Concepción y diseño del estudio

2. Adquisición de datos

3. Análisis de datos

4. Discusión de los resultados

5. Redacción del manuscrito

6. Aprobación de la versión final del manuscrito

MVV ha contribuido en: 1, 2, 3, 4, 5 y 6.

YMG ha contribuido en: 1, 2, 3, 4, 5 y 6.

Nota de aceptación: Este artículo fue aprobado por los editores de la revista Dr. Rafael Sotelo y Mag. Ing. Fernando

A. Hernández Gobertti.