Resumen

La identificación temprana del estrés en el ganado lechero constituye un desafío importante para la producción pecuaria, debido a que las alteraciones conductuales pueden afectar el bienestar animal y el rendimiento productivo. Frente a esta necesidad, la inteligencia artificial ofrece alternativas para analizar grandes volúmenes de información y reconocer patrones que podrían pasar inadvertidos mediante la observación tradicional. Este artículo presenta una adaptación divulgativa de una investigación que combina el análisis de ritmos circadianos con redes neuronales de memoria a largo y corto plazo (LSTM) para identificar y anticipar niveles de estrés en vacas lecheras. El estudio original monitoreó diez vacas Holstein durante 365 días mediante sensores de actividad, con los que se registraron comportamientos relacionados con la alimentación, el descanso y la rumia. A partir de estas señales se extrajeron características temporales utilizando técnicas de análisis de frecuencias y se entrenó un modelo de aprendizaje profundo. Los autores reportaron una exactitud del 82,3 % en la clasificación de los niveles de estrés y un área bajo la curva ROC de 0,847. Asimismo, informaron una capacidad de anticipación de aproximadamente una hora antes de determinados episodios. Estos resultados evidencian el potencial de integrar inteligencia artificial y monitoreo continuo para apoyar la toma de decisiones en las explotaciones ganaderas. No obstante, el uso práctico de estos sistemas requiere validación adicional en otros animales, granjas y condiciones ambientales, además de supervisión veterinaria.

Palabras clave: inteligencia artificial, estrés bovino, ritmos circadianos, redes neuronales LSTM, sensores inteligentes, ganadería de precisión.

1. Introducción

La transformación digital está modificando la forma en que se administran las explotaciones ganaderas. Los sensores inteligentes, el procesamiento automatizado de información y los modelos de inteligencia artificial permiten estudiar el comportamiento animal de manera continua, proporcionando datos que pueden complementar las evaluaciones realizadas por los productores y profesionales veterinarios.

Uno de los problemas que puede beneficiarse de estas tecnologías es la detección del estrés en el ganado lechero. Los cambios en las rutinas de manejo, determinadas condiciones ambientales y procedimientos como la vacunación pueden relacionarse con respuestas conductuales que afectan la alimentación, el descanso y la rumia. Cuando estas variaciones no se identifican oportunamente, resulta más difícil adoptar medidas preventivas.

Sin embargo, observar un comportamiento aislado no siempre permite determinar si un animal experimenta estrés. Para interpretar correctamente sus cambios es necesario considerar sus patrones habituales y las circunstancias en las que se producen.

En este contexto, los ritmos circadianos representan una fuente de información relevante. Estos ritmos describen patrones biológicos que se repiten aproximadamente cada 24 horas y permiten estudiar cómo varían determinadas actividades durante el día y la noche.

La investigación de Lascano Rivera y colaboradores propone combinar el análisis de estos patrones con técnicas de aprendizaje profundo para clasificar diferentes niveles de estrés y anticipar posibles episodios. Su planteamiento demuestra cómo la inteligencia artificial puede utilizar información conductual para contribuir al desarrollo de sistemas de monitoreo preventivo en la ganadería.

2. Los ritmos circadianos como indicadores del comportamiento animal

Los ritmos circadianos están relacionados con la organización temporal de diferentes funciones biológicas. En el ganado lechero, las actividades cotidianas presentan variaciones que pueden analizarse a lo largo de periodos prolongados.

Entre los comportamientos de interés se encuentran:

• Alimentación: permite estudiar los horarios y las variaciones en la actividad alimentaria.
• Descanso: ayuda a identificar cambios en los patrones habituales de reposo.
• Rumia: proporciona información sobre una actividad importante para la digestión de los rumiantes.
• Actividad general: permite observar modificaciones en el movimiento y en las rutinas diarias.

Cuando se dispone de registros continuos, es posible construir perfiles de comportamiento y compararlos con patrones previamente observados. Las diferencias pueden servir como señales que merecen una evaluación adicional.

No obstante, una desviación respecto al patrón habitual no confirma por sí misma la presencia de estrés. El comportamiento de una vaca puede modificarse por múltiples motivos, por lo que los resultados deben interpretarse considerando el contexto ambiental, las condiciones de manejo y la valoración veterinaria.

La contribución de la inteligencia artificial consiste en analizar sistemáticamente estas variaciones y reconocer relaciones temporales complejas que pueden resultar difíciles de identificar mediante una revisión manual de numerosos registros.

3. ¿Cómo se combinan los sensores con la inteligencia artificial?

La investigación original utilizó el sistema Nedap CowControl y dispositivos inteligentes SmartTag para recopilar información sobre la actividad de los animales. Los registros obtenidos permitieron estudiar variaciones conductuales durante un periodo de doce meses.

El procedimiento general puede comprenderse mediante cuatro etapas.

3.1. Captura continua de información

Los sensores registran datos relacionados con la actividad de cada animal. La continuidad de las mediciones permite observar tanto las variaciones inmediatas como los patrones que se repiten durante el día y la noche.

3.2. Extracción de características temporales

Los investigadores aplicaron técnicas de procesamiento de señales, entre ellas la Transformada Rápida de Fourier (FFT), para identificar componentes periódicos del comportamiento.

También emplearon la Transformada de Fourier de Tiempo Corto (STFT) para obtener características circadianas a partir de ventanas temporales. Entre las características consideradas se encuentran la amplitud, la fase y la coherencia de los patrones.

Además, se utilizaron distancias euclidianas para cuantificar diferencias entre perfiles circadianos consecutivos. Esto permitió caracterizar desviaciones respecto a los patrones esperados.

3.3. Entrenamiento de una red neuronal LSTM

Las características obtenidas se incorporaron a una red neuronal de memoria a largo y corto plazo, conocida como LSTM por sus siglas en inglés (Long Short-Term Memory).

Este tipo de arquitectura está diseñado para analizar secuencias y aprender dependencias temporales. En este caso, su función consistió en utilizar información conductual para clasificar el estrés en tres categorías: normal, leve y alto.

3.4. Evaluación de las predicciones

Los resultados del modelo se evaluaron mediante indicadores estadísticos y se contrastaron con observaciones veterinarias y registros ambientales utilizados para validar las etiquetas de estrés.

El índice de temperatura y humedad se empleó como referencia de validación y contextualización, no como variable de entrada principal de la red LSTM.

Esta separación es relevante porque permite examinar si las predicciones se apoyan en las características conductuales analizadas y no únicamente en una variable ambiental.

4. Resultados: detectar cambios antes de que se agraven

El estudio monitoreó diez vacas Holstein en lactación durante 365 días, entre enero y diciembre de 2024. Los autores informaron un conjunto de 87.600 horas de datos brutos y 3.650 unidades vaca-día, considerando cada día de observación de cada animal como unidad analítica.

Los principales resultados reportados fueron los siguientes:

Indicador	Resultado
Animales monitoreados	10 vacas Holstein
Duración del seguimiento	365 días
Exactitud de clasificación	82,3 %
Área bajo la curva ROC (AUC)	0,847
Exactitud del modelo de regresión logística de referencia	65 %
Horizonte de anticipación evaluado	60 minutos

La exactitud del 82,3 % indica que el modelo clasificó correctamente una proporción importante de los casos evaluados. El AUC de 0,847 aporta otra medida de su capacidad para distinguir las categorías de estrés analizadas.

Además de identificar niveles de estrés, el trabajo estudió la posibilidad de anticipar episodios con aproximadamente una hora de antelación. Esta característica es especialmente interesante porque puede proporcionar tiempo para revisar las condiciones de los animales y valorar posibles medidas preventivas.

Los resultados, sin embargo, deben interpretarse dentro del alcance de la investigación. El desempeño observado en diez vacas de un centro experimental no garantiza que el sistema alcance la misma exactitud en explotaciones con otras razas, sistemas de producción, condiciones climáticas o prácticas de manejo.

5. Aplicaciones potenciales en la ganadería de precisión

La integración de sensores e inteligencia artificial puede contribuir a que las explotaciones ganaderas pasen de una vigilancia exclusivamente reactiva a un monitoreo más sistemático y preventivo.

Entre sus posibles aplicaciones se encuentran las siguientes.

5.1. Sistemas de alerta temprana

Una plataforma podría identificar cambios relevantes en la actividad de una vaca y generar una alerta para que el personal compruebe su estado. Estas notificaciones permitirían priorizar inspecciones, sin asumir que cada alerta corresponde necesariamente a un episodio de estrés.

5.2. Mejora de las condiciones de manejo

Cuando se identifica una posible alteración conductual, los responsables de la explotación pueden revisar factores como la disponibilidad de agua, el acceso a sombra, la ventilación, las rutinas de manejo y las condiciones del entorno.

Las medidas específicas deben seleccionarse según la situación observada y la orientación profesional correspondiente.

5.3. Seguimiento individual de los animales

El análisis de series temporales puede ayudar a establecer perfiles individuales de actividad. Esto permitiría comparar los registros recientes con los patrones habituales de cada animal y detectar cambios que merezcan atención.

5.4. Apoyo a la toma de decisiones

Los datos recopilados podrían incorporarse a paneles de monitoreo para organizar inspecciones, documentar alteraciones conductuales y evaluar la evolución de los animales.

La utilidad de estas aplicaciones dependerá de la calidad de los sensores, la confiabilidad del modelo y la capacidad de los responsables para interpretar adecuadamente sus resultados.

6. Beneficios y limitaciones de la propuesta

6.1. Principales beneficios

La propuesta presenta varios aportes relevantes para el desarrollo de sistemas inteligentes aplicados a la producción pecuaria:

• Monitoreo continuo: permite estudiar patrones conductuales durante periodos prolongados.
• Análisis temporal: considera la organización diaria de la actividad y no solamente mediciones aisladas.
• Predicción preventiva: explora la posibilidad de anticipar determinados episodios antes de su inicio.
• Automatización del análisis: facilita el procesamiento de registros que serían difíciles de revisar manualmente en grandes cantidades.
• Apoyo al bienestar animal: puede contribuir a priorizar evaluaciones e intervenciones cuando aparecen señales que requieren atención.

6.2. Limitaciones que deben considerarse

Aunque los resultados son prometedores, existen aspectos que deben analizarse antes de implementar este tipo de sistemas de forma generalizada.

En primer lugar, el tamaño de la muestra fue reducido. El seguimiento de diez vacas durante un año proporciona información longitudinal valiosa, pero no sustituye la necesidad de realizar pruebas con un número mayor de animales y en distintas explotaciones.

En segundo lugar, los patrones de actividad pueden variar por múltiples causas. Una modificación en la alimentación, el descanso o la rumia no constituye por sí sola un diagnóstico de estrés.

También es necesario evaluar el comportamiento del modelo frente a falsos positivos y falsos negativos, así como comprobar si mantiene su rendimiento cuando se aplica a condiciones diferentes de aquellas en las que fue desarrollado.

Finalmente, la predicción computacional no reemplaza la observación directa ni el criterio veterinario. Su función debe ser complementar la evaluación profesional y proporcionar información adicional para tomar decisiones fundamentadas.

7. Perspectivas futuras

El desarrollo de sistemas de detección temprana podría avanzar mediante la validación de los modelos en rebaños de diferentes tamaños y condiciones de producción.

Otra línea de trabajo consiste en estudiar la integración de señales conductuales con otras fuentes de información, siempre que se evalúe rigurosamente su aporte al desempeño predictivo. La combinación de datos debe evitar introducir variables redundantes o producir conclusiones que los resultados experimentales no respalden.

Asimismo, sería importante evaluar la confiabilidad de las alertas en condiciones reales, determinar cómo responde el sistema ante cambios estacionales y establecer procedimientos claros para que los responsables interpreten las predicciones.

Desde la perspectiva de la ingeniería informática, esta investigación ilustra una aplicación interdisciplinaria de sensores, procesamiento de señales, aprendizaje profundo y análisis de datos. Su desarrollo puede servir como referencia para futuros sistemas de agricultura inteligente orientados al monitoreo de animales.

8. Conclusión

La integración de inteligencia artificial y análisis de ritmos circadianos representa una alternativa prometedora para estudiar el comportamiento del ganado lechero y apoyar la detección temprana de posibles episodios de estrés.

La investigación analizada combinó datos conductuales obtenidos mediante sensores, técnicas de análisis de frecuencias y una red neuronal LSTM. Los autores reportaron una exactitud de clasificación del 82,3 %, un AUC de 0,847 y la posibilidad de anticipar determinados episodios con aproximadamente una hora de antelación.

Estos resultados muestran que el análisis de patrones temporales puede aportar información útil para el monitoreo preventivo. Sin embargo, su aplicación práctica requiere ampliar la validación experimental, evaluar los errores de predicción y mantener la participación de profesionales veterinarios en la interpretación de las alertas.

En definitiva, la inteligencia artificial no debe entenderse como un reemplazo de la atención animal, sino como una herramienta que puede fortalecerla mediante información continua y análisis sistemático. Su incorporación responsable podría contribuir a una ganadería más tecnológica, preventiva y orientada al bienestar.

Referencia bibliográfica

Lascano Rivera, S., Rivera, L., Benavides, H., & Fernández, Y. (2025). Artificial intelligence and circadian thresholds for stress detection in dairy cattle. Sensors, 25(21), 6544. https://doi.org/10.3390/s25216544