Bienestar continuo e individual en vacas lecheras: qué mide realmente un algoritmo de sensores

Detalles adicionales del estudio

Campo	Detalle
Título	Continuous welfare assessment of dairy cows at individual level: A farmer-oriented tool based on normal daily ranges of sensor-recorded traits
Autores	Gómez, Blasco-Andreo, Llabrés-Brustenga, Chow, Serra-Sagristà, Berteselli, Canali, Manteca, Llonch
Instituciones	Departamento de Ciencia Animal y de los Alimentos (Facultad de Veterinaria) y Departamento de Ingeniería de la Información y las Comunicaciones, Universidad Autónoma de Barcelona (España); Dipartimento di Medicina Veterinaria e Scienze Animali, Universidad de Milán (Italia)
Revista	Biosystems Engineering, volumen 262, artículo 104365, febrero de 2026. Acceso abierto, revisado por pares
Tipo de estudio	Desarrollo y aplicación de un algoritmo de evaluación de bienestar, con datos de campo en establos comerciales
Muestra	221 vacas Holstein Friesian, de paridad 1 a 8 y distintas etapas de lactancia, en 4 establos comerciales de estabulación libre en España e Italia, monitoreadas durante 92 días consecutivos
Financiamiento	No especificado en las fuentes consultadas
Conflictos de interés	No especificado en las fuentes consultadas
DOI	10.1016/j.biosystemseng.2025.104365

El problema que resuelve: una fotografía no es una película

La evaluación de bienestar animal en granjas lecheras se apoya, desde hace más de una década, en protocolos como Welfare Quality®, que combinan indicadores basados en el ambiente y en el propio animal para asignar puntajes al rebaño. Son herramientas rigurosas y ampliamente adoptadas, pero comparten una limitación estructural: un evaluador humano visita la finca, mide durante algunas horas, y ese registro representa la condición del grupo en ese momento puntual. Repetir la evaluación con la frecuencia necesaria para detectar cambios tempranos es costoso en tiempo y personal, y el resultado sigue siendo grupal, no individual.

La ganadería de precisión ofrece una alternativa distinta. Sensores que ya están presentes en muchos establos, como collares de actividad o bolos ruminales, recogen datos de forma continua para cada animal. El desafío no ha sido recolectar esos datos, sino traducirlos en algo equivalente a un puntaje de bienestar interpretable. Ese es el problema que aborda directamente este estudio.

El marco: los Cinco Dominios, aplicado a tres

El algoritmo se construyó sobre el modelo de los Cinco Dominios, propuesto originalmente en 1994 y actualizado varias veces desde entonces. El modelo distingue cuatro dominios físicos o funcionales (nutrición, ambiente físico, salud, e interacciones conductuales) y un quinto dominio de estado mental o afectivo, que resulta de la combinación de los otros cuatro. Es el marco conceptual más utilizado hoy para pensar el bienestar animal de forma estructurada y comprehensiva.

Corresponde precisar que este estudio en particular no mide los cinco dominios completos. El algoritmo agrega los datos de sensores y de registros de finca en tres puntajes: salud, nutrición y ambiente. Los dominios de interacción conductual y estado mental, que requieren observación de comportamiento social o evaluación cualitativa, quedan fuera del alcance de lo que un collar o un bolo ruminal puede captar directamente. Es una limitación reconocida por el propio diseño del estudio, no un defecto oculto, y vale la pena tenerla presente al leer los resultados.

Cómo funciona el algoritmo, en la práctica

El collar de acelerometría registra, en intervalos de 24 horas, el tiempo total que cada vaca pasa de pie, echada, caminando, rumiando y comiendo. El bolo ruminal mide pH y temperatura cada 10 minutos, promediados también a 24 horas. A eso se suman los registros que ya lleva la finca: paridad, tratamientos veterinarios aplicados, y conductividad eléctrica de la leche, un indicador indirecto de mastitis subclínica.

El sistema de puntaje es, en su base, sorprendentemente simple. Cada rasgo medido en un día se compara contra un rango considerado normal, establecido a partir de una revisión de literatura científica publicada entre 2000 y 2022. Si el valor cae dentro del rango, recibe una etiqueta de 1; si cae fuera, ya sea por encima o por debajo, recibe un 0. El propio estudio ilustra el mecanismo con la temperatura ruminal, usada como aproximación de la temperatura corporal: un valor entre 37,2°C y 40,2°C se etiqueta como normal, mientras que un valor fuera de ese rango puede señalar estrés calórico, fiebre, o acidosis ruminal subaguda.

Sobre esa base binaria, el algoritmo incorpora además aprendizaje automático no supervisado, lo que le permite detectar desviaciones respecto del patrón habitual de cada vaca en particular, y no solamente respecto del rango poblacional general. Es una distinción importante: dos vacas pueden tener rangos de referencia poblacional idénticos y, sin embargo, un mismo valor puede representar una desviación relevante para una y no para la otra, según su propio comportamiento habitual.

Los puntajes diarios se agregan en los tres dominios ya mencionados, generando un índice de bienestar individual que varía día a día y que permite identificar en qué dominio específico se origina una caída, cuando ocurre.

El caso que valida el enfoque: una mastitis capturada sin intervención humana

La prueba de concepto más concreta que ofrece el estudio es el seguimiento del puntaje de salud de una vaca que fue diagnosticada clínicamente con mastitis durante el período de estudio. El algoritmo, sin que nadie le indicara cuándo comenzaba o terminaba el episodio, mostró una caída visible en el puntaje de salud coincidente con el período de la enfermedad, seguida de una recuperación hacia los valores habituales una vez superado el cuadro.

Este tipo de validación importa más de lo que parece a primera vista. No se trata de que el algoritmo haya sido entrenado para reconocer mastitis específicamente; se trata de que el sistema, diseñado de forma genérica para detectar desviaciones de los rangos normales de comportamiento y fisiología, capturó de forma indirecta un evento clínico real a través de sus efectos sobre el comportamiento y los parámetros fisiológicos de la vaca. Es evidencia de que el enfoque general funciona, más que evidencia de que el sistema diagnostica mastitis de forma específica.

Corresponde ser preciso sobre el alcance de esta validación: es un caso documentado, no una serie de casos con estadísticas de sensibilidad o especificidad diagnóstica. Establecer con qué frecuencia el algoritmo detecta eventos clínicos reales, y con qué tasa de falsos positivos o negativos, requeriría un análisis sistemático sobre el conjunto completo de tratamientos veterinarios registrados durante el estudio, información que no estaba disponible en las fuentes consultadas para este artículo.

Qué tan madura está la tecnología de fondo

Un algoritmo de este tipo depende enteramente de la calidad y validez de los sensores que alimenta. Aquí conviene traer una pieza de contexto que antecede a este estudio: una revisión sistemática publicada en 2021, que examinó 1.111 publicaciones y 129 tecnologías de sensores disponibles comercialmente para evaluación de bienestar en vacas lecheras, encontró que solo 18 de esas 129 tecnologías, un 14%, contaban con validación externa publicada.

Esa cifra no invalida el enfoque del algoritmo aquí descrito, pero sí acota su alcance actual. Los collares de acelerometría y los bolos ruminales están entre las tecnologías de ganadería de precisión con mayor trayectoria y validación relativa dentro del panorama general, lo que hace razonable su elección para este estudio. Aun así, la brecha entre tecnología disponible en el mercado y tecnología externamente validada sigue siendo amplia para el conjunto del sector, y es un antecedente necesario para calibrar expectativas sobre cualquier herramienta de este tipo, incluida la descrita aquí.

El propio estudio se integra a una plataforma orientada a productores, llamada ClearFarm, lo que le da un carácter de aplicación real y no solo de ejercicio académico. Ese es, probablemente, el elemento que más distingue a este trabajo de otros esfuerzos similares: no propone el algoritmo como una prueba de concepto aislada, sino como un componente ya integrado a una herramienta pensada para uso en finca.

Interpretación Evidencia Vet

El aporte central de este estudio no es la sofisticación matemática del algoritmo, que en su núcleo es un sistema de comparación contra rangos normales relativamente sencillo de entender. El aporte es haber demostrado, con un caso real y documentado, que ese sistema simple puede capturar un evento clínico verdadero sin que nadie se lo indique. Eso es lo que separa una promesa tecnológica de una prueba de concepto funcionando.

Corresponde ser cuidadosos con dos límites. El primero es que el estudio evalúa tres de los cinco dominios del modelo que dice adoptar como marco; los dominios de interacción conductual y estado afectivo, que son los que más se acercan a una noción de bienestar positivo y no solo de ausencia de problemas, quedan fuera de lo que estos sensores en particular pueden captar. El segundo es que la validación mostrada es un caso, no una serie sistemática con métricas de sensibilidad y especificidad diagnóstica sobre el conjunto de eventos clínicos registrados durante el estudio.

Ninguno de esos dos límites resta valor al hallazgo central, pero sí deberían frenar la tentación de leer este trabajo como una herramienta de diagnóstico ya validada y lista para reemplazar la evaluación humana. Es, con mayor precisión, evidencia de que la vigilancia continua e individual basada en sensores puede complementar la evaluación humana periódica, detectando señales de alerta entre una visita y la siguiente, en un dominio (salud) donde el caso documentado es convincente, y con menor desarrollo demostrado todavía en los dominios que definen el bienestar más allá de la ausencia de enfermedad.

Conclusión

El estudio de Gómez et al. aporta algo poco frecuente en la literatura de ganadería de precisión aplicada a bienestar: no solo una arquitectura tecnológica bien descrita, sino un caso concreto que demuestra que esa arquitectura funciona sobre un evento clínico real. La caída y recuperación del puntaje de salud durante un episodio de mastitis, capturada sin intervención humana, es el tipo de evidencia que separa una idea prometedora de una herramienta con aplicación demostrada. Al mismo tiempo, el propio diseño del estudio delimita con claridad hasta dónde llega esa evidencia hoy: cubre tres de cinco dominios de bienestar, se apoya en tecnología de sensores donde la validación externa sigue siendo la excepción más que la norma, y su validación de campo hasta ahora es un caso documentado, no una serie sistemática. Reconocer esos límites con la misma claridad que el hallazgo central es parte de leer correctamente lo que este tipo de herramientas puede aportar en el corto plazo.

Puntos clave

• Un algoritmo desarrollado por equipos de la Universidad Autónoma de Barcelona y la Universidad de Milán genera un puntaje de bienestar diario e individual para vacas lecheras, a partir de collares de acelerometría, bolos ruminales y registros de finca.
• El estudio siguió a 221 vacas Holstein Friesian en 4 establos comerciales de España e Italia durante 92 días consecutivos.
• El sistema compara cada rasgo medido contra rangos normales establecidos por revisión de literatura 2000-2022, y usa además aprendizaje automático no supervisado para detectar desviaciones del patrón propio de cada animal.
• El algoritmo agrega los datos en tres dominios (salud, nutrición, ambiente), no en los cinco del modelo de referencia que adopta como marco conceptual.
• El caso más demostrativo del estudio es el de una vaca con mastitis diagnosticada clínicamente, cuyo puntaje de salud calculado por el algoritmo cayó durante la enfermedad y se recuperó después, sin intervención humana.
• Una revisión sistemática de 2021 encontró que solo 14% de las tecnologías de sensores disponibles comercialmente para bienestar en vacas lecheras cuentan con validación externa publicada.
• El algoritmo se integra a la plataforma ClearFarm, orientada a productores, lo que le da aplicación real más allá del ámbito académico.
• La validación mostrada corresponde a un caso documentado, no a una serie sistemática con métricas de sensibilidad y especificidad sobre el total de eventos clínicos del estudio.

Referencias

1. Gómez Y, Blasco-Andreo N, Llabrés-Brustenga A, Chow K, Serra-Sagristà J, Berteselli GV, Canali E, Manteca X, Llonch P. Continuous welfare assessment of dairy cows at individual level: A farmer-oriented tool based on normal daily ranges of sensor-recorded traits. Biosystems Engineering. 2026;262:104365. https://doi.org/10.1016/j.biosystemseng.2025.104365

2. Stygar AH, Gómez Y, Berteselli GV, Dalla Costa E, Canali E, Niemi JK, Llonch P, Pastell M. A systematic review on commercially available and validated sensor technologies for welfare assessment of dairy cattle. Frontiers in Veterinary Science. 2021;8:634338. https://doi.org/10.3389/fvets.2021.634338

3. Mellor DJ. Operational details of the five domains model and its key applications to the assessment and management of animal welfare. Animals. 2017;7(8):60. https://doi.org/10.3390/ani7080060

4. Winckler C, et al. Welfare Quality® Assessment Protocol for Cattle. Welfare Quality Consortium, Lelystad, 2009.

¿Qué significa esto en terreno?

• Al evaluar sistemas comerciales de monitoreo de bienestar, distinguir entre tecnologías con validación externa publicada y tecnologías que solo cuentan con validación interna del fabricante, dado que menos de uno de cada seis productos disponibles en el mercado cumple ese estándar según la revisión sistemática de referencia.
• Entender que un puntaje de bienestar basado en sensores complementa, pero no reemplaza, la inspección clínica y la evaluación conductual directa, especialmente para los aspectos de bienestar que no se expresan en variables fisiológicas o de actividad medibles por acelerómetro o bolo ruminal.
• Considerar que la utilidad de este tipo de sistema depende de contar con rangos de referencia bien establecidos para las condiciones productivas locales, ya que los umbrales usados en el estudio se derivaron de literatura mayoritariamente europea.
• Valorar los sistemas que, como el descrito aquí, comparan al animal contra su propio patrón habitual además de contra un rango poblacional general, porque reducen el riesgo de pasar por alto una desviación relevante en un animal con línea base atípica.
• Ante una caída de puntaje en el dominio de salud detectada por un sistema de este tipo, tratarla como una alerta que amerita revisión clínica, no como un diagnóstico en sí misma.