Mastitis ist die wirtschaftlich bedeutendste Erkrankung der Milchkuh. Bei der Mastitis des Rindes handelt es sich um eine Faktorenkrankheit. Eine Vielzahl von Einflüssen trägt zu ihrer Entstehung bei und ihre klinische Ausprägung kann divers sein. Mit dem Einzug der Digitalisierung in den Kuhstall wird in precision dairy farming die Möglichkeit gesehen, als Frühwarnsystem (Syndromic Surveillance System) zu dienen. Die Erkennung einer beginnenden Mastitis durch Veränderungen in Milchproduktion bzw. im Verhalten des Rindes kann eine frühzeitige Reaktion und einen Behandlungsvorsprung mit sich bringen, der wiederum eine Relevanz für Tierschutz und Herdengesundheit hat. In der vorliegenden Arbeit wurden individuelle Milchmengen und Aktivitätsvariablen von Kühen in Boxenlaufstallhaltung der Rasse Holstein Friesian aus zwei Milchviehbetrieben (Betrieb 1 mit 1100 und Betrieb 2 mit 400 melkenden Kühen) verwendet und auf Abweichungen in diesen Variablen an den Tagen vor der Diagnose einer klinischen Mastitis untersucht. Dokumentierte Mastitiden in der Herdensoftware DairyComp305 dienten dazu, Mastitisphasen zu erkennen. Die Kühe waren mit dem Aktivitätssensor IceQube von IceRobotics Ltd., South Queensferry, UK, ausgestattet. Nach der Sichtung der absoluten Werte der täglichen Milchmengen und der Aktivitätswerte (Liegezeit, Stehzeit, Schritte, Motion Index, Wechsel von Stehen zu Liegen) an den zehn Tagen vor einer dokumentierten Mastitis wurde für jedes Mastitis-Ereignis eine individuelle prozentuale Abweichung an den fünf Tagen vor dem Mastitis-Ereignis für die genannten Variablen berechnet. Zum einen reduzierten sich die Variablen auf die prozentualen Abweichungen in Milchmenge, Liegezeit und Motion Index, da die Stehzeit umgekehrt proportional zur Liegezeit ist und die Wechsel von Stehen zu Liegen keinen signifikanten Hinweis gaben, mit dem das spätere Auftreten von Mastitis erklärt werden könnte. Zum anderen erwiesen sich die prozentualen Abweichungen dieser Variablen am Tag 2 vor der dokumentierten Mastitis als signifikant verschieden im Vergleich zur Kontrollphase. Die Nutzung der prozentualen Abweichung der Variablen Milchmenge, Liegezeit und Motion Index zur Abgrenzung der Mastitisphasen von Kontrollphasen ergab mit dem hier genutzten Datensatz in Betrieb 1 eine Sensitivität von 70 % und eine Spezifität von 40 %. Für den Datensatz des Betriebes 2 ergab sich bei einer für diesen Betrieb formulierten Grenzwertkombination bei gleicher Sensitivität von 70 % eine Spezifität von 63,6 %. Die Berücksichtigung des Laktationsstadiums auf die Milchmengenabweichung und der Bezug der Einzeltieraktivität zur Gruppenaktivität ergab keinen bedeutsamen Vorteil in der Abgrenzung von Mastitisphasen zu Kontrollphasen. Nach unserem Kenntnisstand wurde bisher keine vergleichbare Anzahl an Tieren mit Euterentzündungen für Analysen über solch einen langen Zeitraum zu diesem Thema herangezogen. Letztendlich bleibt jedoch anzumerken, dass weiterführende Untersuchungen mit detaillierten Informationen (Diagnoseschlüssel) zur Ausprägung der klinischen Mastitis nötig sind. In einem weiteren Schritt wäre ebenfalls zu prüfen, wie sich die hier gewonnenen Erkenntnisse auf die tägliche Arbeit im Kuhstall anwenden lassen.
Mastitis is the disease with the highest economic impact in dairy production. As it is a multifactorial disease, different factors influence the emergence of mastitis and the clinical occurrence can be divers. Digitalization in the dairy barn, known as precision dairy farming, has the potential to serve as a syndromic surveillance system. The detection of a beginning clinical mastitis by changes in milk yield and behavior may allow early recognition and treatment of the cow at risk. In this study, individual milk yields and activity variables of holstein frisian dairy cows housed in freestall barns in two dairy farms (farm 1 hold 1100 and farm 2 hold 400 milking cows) were investigated for deviations of this variables in the days, before clinical mastitis was diagnosed. Documented mastitis events in the herd management software Dairy Comp305 were used to identify mastitis periods. The cows were equipped with activity sensors (IceQubes of IceRobotics LtD, South Queensferry, UK). First, the absolute values of daily milk yields and activity values (lying time, standing time, steps, motion index and changes of standing to lying) were examined ten days before the documented mastitis event. After that, the individual relative deviation five days before mastitis was calculated for all listed variables. Due to the indirect proportional relationship of standing time and lying time and the lack of statistical significance of changes between standing and lying concerning the development of mastitis, the number of variables were reduced to the relative deviation in milk yield, lying time and motion index. On day two before the documented mastitis, the chosen variables were significant compared to the control periods. The relative deviations of milk yield, lying time and motion index were used to distinguish between animals with mastitis and a control group. In farm 1, a combination of cut-off points led to a sensitivity of 70 % and a specificity of 40 %. In farm 2, the sensitivity of 70 % and specificity of 63.6 % was reached. When the effect of the lactation phase on the deviation in milk yield and the individual activity to the group activity was taken into account, it became evident that this was no meaningful advantage in distinguishing mastitis periods from a control periods by relative deviations. So far, no comparable number of mastitis events over such a long period was used for analysing this topic. It has to be noted however, that further analyses may be necessary, which could utilize more detailed information about clinical mastitis. It will also be important to check the insights of this thesis during the daily work in dairy farms.
