D-AWARE, avanzando hacia soluciones simples para la autoevaluación del bienestar en avicultura de carne

La carne de pollo es una de las principales fuentes de proteína animal por su precio, elevado valor nutricional y aceptación en todas las religiones.

• Según la FAO, en 2023 se produjeron 76.246 millones de pollos y 522 millones de pavos en el mundo (FAOSTAT, 2023).

Debido a su gran volumen productivo, las oportunidades de mejora de la producción son muchas. Entre éstas la del bienestar animal, y su repercusión sobre la salud y la productividad.

Una sociedad cada vez más exigente ha promovido la integración del bienestar en la gestión diaria de las granjas, siendo ya una dimensión inseparable del resto de variables productivas.

• Además, el bienestar se considera un aspecto clave para la sostenibilidad de los sistemas productivos (Broom, 2010), ya que su mejora contribuye a mejorar la salud, producción y eficiencia (Fernandes et al., 2021).

Los esquemas de certificación de bienestar animal dan respuesta a dicha necesidad de mercado, evaluando el bienestar animal y controlando sus riesgos.

• Dichos esquemas se basan en protocolos de evaluación que requieren de auditores formados y bien entrenados en campo, y conllevan tiempos de auditoría bastante prolongados.

Entre todos los protocolos existentes, los desarrollados en los proyectos europeos Welfare Quality® y AWIN se centran en la evaluación directa del animal.

• Los protocolos desarrollados en ambos proyectos cubren gran parte de las especies de producción, o han inspirado protocolos para otras especies o tipos de producción.

Las nuevas tecnologías han facilitado la toma de datos y evaluación del bienestar animal. Neiker ha sido pionera en el desarrollo de soluciones tecnológicas para evaluar el bienestar en granja, creando apps específicas para pollos (iWatchBroiler) y pavos (iWatchTurkey; Estevez, 2015), así como en la concepción de sistemas de apoyo a la toma de decisiones en avicultura de carne basados en herramientas de inteligencia artificial (IA).

En el proyecto Techwel investigadores de IRTA y Neiker colaboraron en el desarrollo de apps de gestión de datos en la certificación del bienestar en granja y en el sacrificio de pollos y cerdos.

En pollos de carne se combinaron los protocolos de los proyectos Welfare Quality® y AWIN, resultando en un protocolo híbrido que contempla la totalidad de principios y dimensiones del bienestar.

• Dicho protocolo se testó en granja, confirmándose su utilidad con fines científicos, así como su potencial para fines de certificación.

El objetivo del proyecto D-AWARE, financiado por la convocatoria “Pruebas de concepto” del Ministerio de Ciencia e Innovación, y en el que colaboran Neiker e IRTA, es desarrollar y ofrecer a la producción una tecnología digital (una app) que, basada en la IA, evalúe los riesgos sobre la salud y bienestar de pavos y pollos de carne.

Dicha app, específica para cada especie, permitirá a los productores autoevaluar sus lotes de manera simple, usando un número reducido de indicadores críticos para cada especie.

• En base a dicha información, la app proporcionará datos cuantitativos del bienestar de las aves, y predecirá indicadores relevantes para la productividad al sacrificio.

Para desarrollar los algoritmos de predicción que basan la app se tomaron datos de bienestar en lotes de pavos, producidos en condiciones intensivas, y de pollo campero.

1. Primero se realizó una evaluación completa del bienestar en granja utilizando los protocolos AWIN específicos. Las evaluaciones se realizaron en momentos críticos para cada sistema productivo (87 días de vida en hembras y 99 días de vida en machos para pavos, y 70 días de vida para pollo campero).

• › De cada lote evaluado se tomaron también datos de variables al sacrificio.
• › Con los datos de la evaluación, a cada lote se le asignó una nota final siguiendo el protocolo de auditoría AWIN específico.

Dado que el objetivo final del proyecto es que el productor disponga de una herramienta sencilla de evaluación de bienestar que no requiera de una excesiva inversión de tiempo, el siguiente paso fue aplicar un proceso de reducción de variables y técnicas de IA para determinar el número mínimo de indicadores críticos necesario para predecir de manera fiable el resultado de la evaluación en granja.

2. Los datos primero se analizaron de manera no supervisada (sin considerar la nota de evaluación), utilizando el análisis de componentes principales para encontrar agrupaciones entre lotes en base a los indicadores medidos.

3. Posteriormente se exploraron correlaciones entre indicadores, se identificaron variables cuya varianza fuera cercana a cero, y se entrenaron modelos predictivos para determinar la importancia relativa de cada variable sobre el resultado de la evaluación.

4. En base a estos análisis y la interpretación de su relevancia biológica, se realizó el proceso de eliminación recursiva para seleccionar los indicadores a incluir en el modelo final de predicción del bienestar en granja. Se seleccionó un subset de siete indicadores por especie, con los que se entrenaron los modelos mediante técnicas de machine learning.

• √ Los modelos se validaron, escogiéndose el modelo de predicción más preciso.

5. La predicción de resultados al sacrificio se basó en los indicadores tomados en granja. De manera similar a lo descrito, se determinaron las correlaciones entre indicadores de granja y variables al sacrificio, y en base a dichas correlaciones se aplicaron técnicas de machine learning para predecir los resultados al sacrificio mediante los indicadores en granja más adecuados.

Paralelamente a este trabajo se desarrollaron dos apps de toma de datos y de predicción del bienestar en granja y al sacrificio, una por especie. Se plantearon herramientas visuales para la toma de datos, estructuradas en tres grandes bloques:

• Definición que incluye el dimensionamiento de las naves y lotes a evaluar
• Evaluación y predicción del bienestar en granja y de resultados al sacrificio
• Visualización de resultados, con posibilidad de acceso a datos históricos de evaluaciones anteriores para cada explotación.

6. El dimensionamiento de las naves y lotes a evaluar se realiza en base a una pantalla general donde se introducen los datos iniciales de los lotes y la mortalidad acumulada hasta el momento de la evaluación.

• Dado que la evaluación del bienestar está basada en el método de los transectos (Marchewka et al., 2013), deben introducirse las medidas de la nave y la anchura de los transectos a evaluar.

7. Posteriormente se toman dentro de la nave, en base a los transectos, datos relativos a la ocurrencia de los indicadores críticos de bienestar medidos sobre el animal (pollos; cojeras, problemas de emplume total y baños de arena; y pavos; cojeras, lesiones en la cabeza, enfermos, sucios, pequeños e inmóviles), y del entorno de cría (calidad de la cama, y concentraciones ambientales de CO₂ y NH₃ en el caso de los pollos).

8. Posteriormente en el caso de los pollos, dada la posibilidad de acceso al exterior, se evalúa también la ocurrencia de los mismos indicadores de bienestar sobre los animales presentes en el parque.

Una vez introducida esta información, la app ofrece información cuantitativa acerca de los indicadores evaluados, una predicción del nivel de bienestar en granja en base al protocolo AWIN, y una predicción de los parámetros productivos relevantes al sacrificio (índice de conversión y mortalidad total en matadero en el caso de los pollos y ganancia media diaria (GMD) y rendimiento de la canal para pavos).

Tabla 1. Indicadores evaluados en granja y parámetros productivos de matadero incluídos en cada app.

Figura 1. Pantalla ejemplo de visualización de resultados de la app de pollos B-AWARE.

Figura 2. Pantalla ejemplo de visualización de resultados de la app de pavos T-AWARE.

Las apps permiten realizar todas las evaluaciones del bienestar en granja que se deseen, así como las predicciones de las variables de matadero que se obtendrán con ese lote tras el sacrificio.

• Así mismo, también ofrecen la posibilidad de visualizar resultados históricos, ya sea individualmente o como la media de las evaluaciones realizadas en un rango de fechas determinado por el usuario.

√ En resumen, en base a un trabajo científico sistemático, basado a su vez en protocolos sólidos de evaluación del bienestar, se han desarrollado apps que permiten a la producción disponer de resultados cuantitativos acerca del bienestar de sus lotes en granja, y predecir resultados relevantes al sacrificio.

√ Esta herramienta permitirá, de manera simple e invirtiendo poco tiempo, identificar aquellos parámetros críticos para el bienestar de los lotes evaluados, y proponer alternativas de manejo que aseguren un mayor bienestar y una mejor productividad.

Los resultados obtenidos hasta el momento son prometedores, ya que un mejor control y manejo del bienestar va ligado a una mejor salud y eficiencia productiva.

• Por tanto, el uso frecuente de estas apps podría suponer una mejora relevante en la mejor gestión de los lotes, basándose en datos cuantitativos para la toma de decisiones, y ayudando a la mejora del bienestar, la salud y la productividad.

Agradecimientos:

Los autores agradecen la colaboración y ayuda de los técnicos y productores de las empresas durante las tomas de datos, así como la financiación del proyecto D-AWARE, Sub-Proyectos PDC2022-133081-C21 y PDC2022-133081-C22 financiados por MICIU/AEI /10.13039/501100011033 y por la Unión Europea Next Generation EU/ PRTR.

---