Background: To seek appropriate veterinary attention for horses with colic, owners must recognise early signs. Direct observation of horse behaviour has several drawbacks: it is time-consuming, hard to see subtle and common behavioural signs, and is based on intuition and subjective decisions. Due to recent advances in wearables and artificial intelligence, it may be possible to develop diagnostic software that can automatically detect colic signs.
Objectives: To develop a software algorithm to aid in the detection of colic signs and levels of pain.
Study design: In vivo experiments.
Methods: Transient colic was induced in eight experimental mares with luteolytic doses of prostaglandin. Veterinarians observed the horses before and throughout the interventions and assigned pain scores which were used to separate colic episodes into none (pain score ≤5), level 1 (pain score 6-10) or level 2 (pain score ≥11). Accelerometric data and videos were collected throughout the experiments and using accelerometric data, the horse's behaviour was classified into normal and 10 pain-related behaviours and an activity index was calculated. Models were designed that utilised behaviour and activity index characteristics both detecting the presence of colic and assessing its severity. To determine the accuracy of the model, the ground truth, that is the veterinarians' observation of colic signs and assessment of pain level, was compared with the automatic detection system.
Results: The cross-validation analysis demonstrated an accuracy of 91.2% for detecting colic and an accuracy of 93.8% in differentiating between level 1 colic and level 2 colic. The model was able to accurately classify 10 pain-related behaviours and distinguish them from normal behaviour with a high accuracy.
Main limitations: We included a limited number of horses with severe pain related behaviours in the dataset. This constraint affects the accuracy of categorising colic severity rather than limiting the algorithms' capacity to identify early colic signs.
Conclusions: Our system for early detection of colic in horses is unique and innovative, and it can distinguish between colic of varying severity.
Hintergrund: Um Pferde mit Koliken angemessen tierärztlich behandeln zu lassen, müssen Tierbesitzer frühe Anzeichen erkennen. Die direkte Beobachtung des Pferdeverhaltens birgt einige Nachteile: sie ist zeitaufwendig, es ist schwierig, subtile Verhaltenssymptome zu erkennen, und oftmals basiert die Beurteilung auf Intuition und subjektiven Entscheidungen. Durch jüngste Fortschritte in Wearables (miniaturisierte Chips und Computer) und künstlicher Intelligenz könnte es möglich werden, diagnostische Software für die automatische Erkennung von Koliksymptomen zu entwickeln.
Ziel der studie: Entwicklung eines Software-Algorithmus zur Hilfe in der Erkennung von Koliksymptomen und Schmerzlevel.
Studiendesign: In vivo Experiment.
Methodik: Transiente Kolik wurde in 8 Versuchsstuten mit luteolytischen Dosen von Prostaglandin induziert. Tierärzte und Tierärztinnen beobachteten die Pferde vor und während den Interventionen und ermittelten Schmerz-Scores, welche zur Einteilung der Kolikepisoden in keine (Schmerz-Score ≤5), Stufe 1, (Schmerz-Score 6-10) oder Stufe 2 (Schmerz-Score ≥11) genutzt wurden. Daten der Beschleunigungsmesser und Videos wurden im Verlauf des Experiments gesammelt und, unter Verwendung der Daten der Beschleunigungsmesser, das Pferdeverhalten klassifiziert in normal und zehn schmerzbedingte Verhalten. Ein Aktivitätsindex wurde berechnet. Sowohl das Verhalten als auch die Charakteristika der Aktivitäsindizes wurden für die Entwicklung von Modellen verwendet, welche das Vorhandensein von Kolik und den Ausprägungsgrad ermittelten. Um die Genauigkeit des Modells zu bestimmen, wurden die von Tierärzten und Tierärztinnen beobachteten Koliksymptome und deren Beurteilung des Schmerzlevels mit dem automatischen Erkennungssystem verglichen.
Ergebnisse: Die Keuzvalidierungsanalyse ergab eine Genauigkeit von 91.2% bei der Erkennung von Koliken und eine Genauigkeit von 93.8% bei der Unterscheidung zwischen Koliken der Stufe 1 und der Stufe 2. Das Modell war in der Lage, zehn schmerzbedingte Verhaltensweisen genau zu klassifizieren und sie mit hoher Genauigkeit von normalem Verhalten zu unterscheiden. HAUPTEINSCHRÄNKUNGEN: Eine begrenzte Anzahl von Pferden mit schwerem schmerzbedingtem Verhalten wurde in den Datensatz aufgenommen. Diese Einschränkung wirkt sich eher auf die Genauigkeit der Kategorisierung des Kolikschweregrads aus als auf die Fähigkeit der Algorithmen, frühe Kolikanzeichen zu erkennen.
Schlussfolgerung: Unser System zur Früherkennung von Koliken bei Pferden ist einzigartig und innovativ, und es kann zwischen Koliken unterschiedlichen Schweregrads unterscheiden.
Keywords: accelerometric data analysis; artificial intelligence in veterinary medicine; behavioural monitoring in equines; equine colic detection; pain assessment in horses; veterinary diagnostic software.
© 2024 EVJ Ltd.