Download PDF
CC BY-NC-ND 4.0 · Tierarztl Prax Ausg G Grosstiere Nutztiere 2023; 51(02): 77-83
DOI: 10.1055/a-2061-9990
Originalartikel

Zusammenhänge zwischen metabolischen Profilen und 4 Bestandsbetreuung-Scores bei Milchkühen: Statistische Analyse anhand eines additiven Bayesian Netzwerkes

Relationship between metabolic profiles in herd health and 4 scoring systems used in dairy herd health programs: Statistical analysis with an additive Bayesian network
Michael Hässig
1   Diagnostikzentrum Nutztiergesundheit, Vetsuisse-Fakultät, Universität Zürich, Schweiz
,
Annina Hanimann
1   Diagnostikzentrum Nutztiergesundheit, Vetsuisse-Fakultät, Universität Zürich, Schweiz
,
Frazer Lewis
2   Institut für Epidemiologie, Vetsuisse-Fakultät, Universität Zürich, Schweiz
,
Sonja Hartnack
2   Institut für Epidemiologie, Vetsuisse-Fakultät, Universität Zürich, Schweiz
› Author Affiliations
› Further Information
   Permissions and Reprints

Zusammenfassung

Gegenstand und Ziel Die vorliegende Arbeit hatte das Ziel, mit Hilfe eines Bayesian Netzwerkes den Zusammenhang zwischen metabolischen Profilen und verschiedenen, in der Bestandsbetreuung von Milchkühen üblicherweise gebrauchten Scores zu objektivieren. Es wurde untersucht, ob zwischen den metabolischen Blutprofilen und dem Body Condition Score (BCS), dem Rumen Filling Score (RFS), dem Faeces Condition Score (FCS) und dem Undigested Fraction Score (UFS) auf Herdenbasis ein Zusammenhang besteht und ob die Bestandsscores das metabolische Profil zu ersetzen vermögen.

Material und Methoden Mittels blutchemischer Untersuchungen wurden von jeweils mindestens 10 Milchkühen aus 10 Betrieben, insgesamt 106 Proben, ein metabolisches Profil in den verschiedenen Leistungssphasen erstellt. Diese wurden oben angeführten Scores bei denselben Kühen gegenübergestellt. Aus den Daten wurde ein additives Bayesian Netzwerk erstellt.

Ergebnisse Im additiven Bayesian Netzwerk war ersichtlich, dass die Glukosekonzentration im Blut direkt auf die Kotkonsistenz (FCS) einwirkte. Es bestand eine Einwirkung des β-Hydroxybutyrat (BHB) auf die freien Fettsäuren (FFS). Der Harnstoff beeinflusste Phosphor im Blut wie auch die Glutamat-Oxalacetat-Transaminase (GOT). Der Harnstoff beeinflusste auch Kalzium im Blut und dieses dann Magnesium im Blut. Ein Zusammenhang des RFS mit dem BCS und einer erhöhten Leberaktivität wurde festgestellt. Die Glutathionperoxidase (GSH-Px), welche als Parameter für die Selenversorgung des Rindes herangezogen wird, hatte keinen signifikanten Zusammenhang mit den anderen gemessenen Parametern. Die GSH-Px und UFS standen isoliert im Modell.

Schlussfolgerung Durch die Anwendung eines multidimensionalen Modells, speziell eines additiven Bayesian Netzwerks, konnten Zusammenhänge zwischen Parametern von metabolischen Profilen und 4 Scoring-Systemen der Bestandsbetreuung von Milchkühen offengelegt werden. Mit diesen Zusammenhängen können die untersuchten 4 Scoring-Systeme effektiver in der Bestandsbetreuung eingesetzt werden.

Klinische Relevanz Es bestehen Zusammenhänge zwischen metabolischen Profilen und Gesundheitsscores. Letztere sind schneller verfügbar und kostengünstiger. Bei Milchkühen mit metabolischen Erkrankungen oder Fruchtbarkeitsstörungen ersetzt das Scoring eine detaillierte Auswertung mittels metabolischer Profile nicht.

Abstract

Objective The aim of the present study was to describe the relationship between the biochemical variables used in metabolic profiles and various scores commonly used in herd health management of dairy cows. The Bayesian network was used to determine the relationship between metabolic blood profiles and the scores for body condition (BC), rumen fill (RF), faecal consistency (FC) and undigested fraction (UF) on a herd basis.

Materials and methods In each of 10 dairy herds, blood was collected from a minimum of ten lactating cows for biochemical analysis and generation of metabolic profiles. This yielded a total of 106 blood samples. The biochemical results in the metabolic profiles were stratified by days in milk and compared with the scores of BC, RF, FC and UF using an additive Bayesian network.

Results The blood glucose concentration directly affected the FC score. The was an effect of beta-hydroxybutyrate (BHB) on free fatty acids (FFS). An additional effect of BHB on the concentration of urea was detected. The concentration of urea affected the concentration of phosphorus and GOT activity. Urea concentration also affected the blood concentrations of calcium and subsequently magnesium. Rumen fill had an effect on BC score and liver enzyme activity. Glutathione peroxidase, which is used to assess the levels of selenium in cattle, had no significant relationship with the other variables and was therefore isolated in the model.

Conclusion The use of a multidimensional model, which in this study was an additive Bayesian network, showed the relationships between the biochemical variables in the metabolic profiles and the scoring systems commonly used for the management of dairy cow herds. The relationships between the biochemical variables and the four scoring systems can be used to manage dairy herds more effectively.

Clinical relevance The biochemical variables used in metabolic profiles were correlated with health scoring systems commonly used in dairy herds. The latter can be carried out more rapidly and at a lower cost than metabolic profiles. In dairy cows with metabolic diseases or fertility disorders, scoring systems do not replace detailed evaluations that include metabolic profiles.

Schlüsselwörter

Bestandsmedizin - Scoring - blutchemische Profile - Milchvieh

Key words

herd health - scoring - biochemical profiles - dairy cattle


Publication History

Article published online:
25 May 2023

© 2023. The Author(s). This is an open access article published by Thieme under the terms of the Creative Commons Attribution-NonDerivative-NonCommercial-License, permitting copying and reproduction so long as the original work is given appropriate credit. Contents may not be used for commercial purposes, or adapted, remixed, transformed or built upon. (https://creativecommons.org/licenses/by-nc-nd/4.0/).

Georg Thieme Verlag KG
Rüdigerstraße 14, 70469 Stuttgart, Germany

 

  • Literatur

  • 1 Hulsen J. Kuh-Signale: Krankheiten und Störungen früher erkennen. Landwirtschaftsverlag Münster. 2016 ISBN 978-90-75280-54-8
    PubMedGoogle Scholar
  • 2 Studer E. A veterinary perspective of on-farm evaluation of nutrition and reproduction. J. Dairy Sci 1998; 81: 872-876
    CrossrefPubMedGoogle Scholar
  • 3 Domecq JJ, Skidmore AL, Lloyd JW. et al. Relationship between body condition scores and milk yield in a large dairy herd of high yielding Holstein cows. J. Dairy Sci 1997; 80: 101-112
    CrossrefPubMedGoogle Scholar
  • 4 Edmonson AJ, Lean IJ, Weaver LD. et al. A body condition scoring chart of Holstein dairy cows. J. Dairy Sci. 1989; 72: 68-78
    CrossrefPubMedGoogle Scholar
  • 5 Hady PJ, Domecq JJ, Kaneene JB. Frequency and precision of body condition scoring in dairy cattle. J. Dairy Sci 1994; 77: 1543-1547
    CrossrefPubMedGoogle Scholar
  • 6 Waltner SS, McNamara JP, Hillers JK. Relationship of body condition score to production variables in high producing Holstein dairy cattle. J. Dairy Sci 1993; 76: 3410-3419
    CrossrefPubMedGoogle Scholar
  • 7 Zaaijer D, Noordhuizen JP. A novel scoring system for monitoring the relationship between nutritional efficiency and fertility in dairy cows. Ir. Vet. J. 2003; 56: 145-151
    PubMedGoogle Scholar
  • 8 Burfeind O, Sepulveda P, von Keyserlingk MAG, Weary DM, Veira DM, Heuwieser W. Evaluation of a scoring system for rumen fill in dairy cows. J. Dairy Sci. 2010, 93: 3635−3640. Butler, W. R., Everett R. W., Coppock, C. E.: The relationships between energy balance, milk production and ovulation in post partum Holstein cows. J. Anim. Sci. 1981; 53: 742-748
    PubMedGoogle Scholar
  • 9 Roche JR, Berry DP, Kolver ES. Holstein-Friesian strain and feed effects on milk production, body weight and body condition score profiles in grazing dairy cows. J. Dairy Sci 2006; 89: 3532-3543
    CrossrefPubMedGoogle Scholar
  • 10 Steffen O. Bayessche Netzwerke. Proseminar: Machine Learning, SS 27. Juni 2006, Comp. Sci. Dept., Computer Architecture, Prof. Dr. Zell, Universität Tübingen. 2006 www.ra.cs.uni-tuebingen.de/lehre/ss06/pro_learning. htm (16.07.14)
    PubMedGoogle Scholar
  • 11 Lewis FI, Brülisauer F, Gunn GJ. Structure discovery in Bayesian Netzwerks: An analytical tool for analysing complex animal health data. Prev. Vet. Med. 2011; 100: 109-115
    CrossrefPubMedGoogle Scholar
  • 12 Lutz B, Portmann A. Frühwarnsystem zur Erkennung von Fruchtbarkeits- und Stoffwechselstörungen bei Milchkühen. Vet. Med. Diss. Universität Zürich. 1998
    PubMedGoogle Scholar
  • 13 Lutz B, Portmann A, Wanner M. et al. Aussagekraft von metabolischen Blutprofilen zur Abklärung von Fruchtbarkeits-, und Stoffwechselstörungen auf Herdenbasis. Tagung der Fachgruppe „Epidemiologie und Dokumentation“, Gesundheitsmonitoring bei Tierpopulationen, München. 1997
    PubMedGoogle Scholar
  • 14 Lutz B, Portmann A, Wanner M. et al. Relationship between fertility an metabolic profile in dairy cows. XX. World Buiatric Congress, Sidney. 1998
    PubMedGoogle Scholar
  • 15 Altman DG. Practical Statistics for Medical Research. Chapman & Hall/CRC; London: 1990
    CrossrefGoogle Scholar
  • 16 Koivisto M, Sood K. Exact Bayesian Structure Discovery in Bayesian Netzwerks. J. Mach. Learn. Res. 2004; 5: 549-573
    PubMedGoogle Scholar
  • 17 Loker S, Miglior F, Koeck A. et al. Relationship between body condition score and health traits in first-lactation Canadian Holsteins. J. Dairy Sci 2012; 95: 6770-6780
    CrossrefPubMedGoogle Scholar
  • 18 Hässig M, Lutz B, Portmann A. et al. Regional differences in metabolic profiles for fertility status in dairy cows. XIX. World Buiatric Congress, Edinburgh, UK 1996; 3: 90
    PubMedGoogle Scholar
  • 19 Hässig M, Portman A, Lutz B. et al. Regional differences in metabolic profiles for fertility status in dairy cows. International Congress on Vet. Technology in Reproduction, Cairo, Aegypt. 1996
    PubMedGoogle Scholar
  • 20 Hässig M. Vorgehen in Betrieben mit gehäuftem Verwerfen beim Rind. Habilitationsschrift, Vetsuisse-Fakultät Zürich, Universität Zürich, Schweiz. 2000
    PubMedGoogle Scholar
  • 21 Roche JR, Friggens NC, Kay JK. et al. Invited review: Body condition score and its association with dairy cow productivity, health and welfare. J. Dairy Sci 2009; 92: 5769-5801
    CrossrefPubMedGoogle Scholar
  • 22 Hanimann A. Vergleich der metabolischen Profile und der Bestandesscores sowie deren Aussagefähigkeit in Bezug auf die Fütterung und Fruchtbarkeit in Schweizer Milchviehbetrieben. Vet. Med. Diss. Universität Zürich, Schweiz. 2019 (kann beim Erstautor bezogen werden)
    PubMedGoogle Scholar
  • 23 Iwersen M, Falkenberg U, Voigtsberger R, Forderung D, Heuwieser WJ. Evaluation of an electronic cowside test to detect subclinical ketosis in dairy cows. Dairy Sci 2009; 92: 2618-2624
    CrossrefPubMedGoogle Scholar