Impacto do Mesomycoplasma Hyopneumoniae na Mortalidade Suína Utilizando Modelos de Machine Learning

Fabiana Carolina de Aguiar; Henrique Raymundo Gioia

DOI: 10.22167/2675-6528-202602883

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A suinocultura de alta produção enfrenta constantes desafios relacionados à viabilidade dos lotes, onde a interação entre patógenos e indicadores produtivos impacta diretamente a rentabilidade da indústria. Análises laboratoriais para identificação de agentes infecciosos como o Mesomycoplasma hyopneumoniae, causador da pneumonia enzoótica, são relevantes para o direcionamento de intervenções assertivas nas granjas. O objetivo deste estudo foi avaliar a importância da infecção por M. hyopneumoniae e de variáveis zootécnicas na mortalidade em granjas de crescimento e terminação, utilizando modelos de Machine Learning. A metodologia consistiu no processamento de uma base de dados real de uma agroindústria, integrando resultados laboratoriais, indicadores de produção e avaliações de biosseguridade. Os dados foram padronizados e a variável alvo transformada logaritmicamente, sendo analisados por algoritmos de Regressão Linear, Random Forest e XGBoost. Os resultados demonstraram que os modelos capturaram interações de forma semelhante, explicando aproximadamente 35% da variabilidade da mortalidade. A presença de M. hyopneumoniae e o limiar de ciclo invertido destacaram-se como importantes indicadores sanitários, enquanto a Conversão Alimentar Corrigida e a idade ao abate foram os principais indicadores de produção. O algoritmo XGBoost foi considerado o de melhor desempenho operacional devido à sua capacidade nativa de gerenciar dados faltantes. A modelagem preditiva atuou como ferramenta eficaz na avaliação dos riscos de mortalidade, reforçando a necessidade de diagnósticos laboratoriais rotineiros no ciclo produtivo.

Palavras-chave: Mortalidade; Modelo preditivo; Pneumonia enzoótica; Suinocultura.

1. Introdução

A suinocultura de alta produção global enfrenta desafios contínuos relacionados à viabilidade dos lotes, onde a interação entre patógenos e indicadores produtivos impacta diretamente a rentabilidade da indústria. O Brasil ocupa a quarta posição entre os maiores produtores e exportadores de carne suína no mundo, com o estado de Santa Catarina sendo o maior produtor nacional, responsável por 32,94% da produção. Em 2024, os estados da região Sul abateram 34,1 milhões de suínos (ABPA, 2025). Com a contínua expansão da produção e o aumento das exigências da cadeia produtiva, cresce a preocupação com a presença de enfermidades, que impactam diretamente a produtividade e elevam os custos de produção.

Neste cenário, o Mesomycoplasma hyopneumoniae, agente causador da pneumonia enzoótica suína, destaca-se como um patógeno respiratório altamente prevalente no rebanho suíno. Sua presença no trato respiratório dos animais é caracterizada por tosse seca e não produtiva, podendo resultar em perdas econômicas significativas devido à queda no desempenho zootécnico e ao aumento dos custos com medicamentos. Estudos indicam que a infecção por M. hyopneumoniae pode causar perdas de até 6,55 dólares por animal quando mais de 15% do pulmão está comprometido, além de uma redução na taxa de crescimento de sete por cento a vinte por cento, especialmente quando associada a outras enfermidades infecciosas (Barcellos e Guedes, 2022).

Em função dos impactos negativos de doenças infecciosas, é fundamental aprimorar a precisão dos diagnósticos e o conhecimento epidemiológico dos patógenos de relevância na suinocultura. Isso permitirá a implementação de medidas de prevenção, controle e erradicação mais eficazes nas granjas, contribuindo para a saúde do rebanho e a sustentabilidade da produção. O uso de dados para o controle de doenças infecciosas tem se mostrado essencial para a gestão eficaz das enfermidades nos rebanhos, uma vez que a tecnificação dos sistemas de produção propiciou a rastreabilidade das doenças, permitindo uma vigilância ativa nas granjas e possibilitando a detecção precoce de surtos (Batista et al., 2007; Merca et al., 2022).

Modelos preditivos, que utilizam dados históricos e algoritmos matemáticos, são ferramentas poderosas para prever eventos futuros e comportamentos, transformando dados em previsões úteis para a tomada de decisões. Embora modelos tradicionais de estatística, como os de regressão linear, sejam amplamente utilizados, a aplicação de Machine Learning (ML) tem se tornado cada vez mais relevante, principalmente devido à sua capacidade de lidar com grandes volumes de dados e relações não lineares (van Milgen et al., 2008; Madhuri e Deshpande, 2024). O Machine Learning, um subconjunto da inteligência artificial, permite que sistemas aprendam e melhorem suas previsões de maneira autônoma, utilizando técnicas como redes neurais e aprendizado profundo, sem a necessidade de programação explícita (Google Cloud, 2024; Madhuri e Deshpande, 2024).

Na epidemiologia veterinária, o uso de Machine Learning, embora ainda em estágio inicial, tem demonstrado grande potencial para melhorar a previsão de surtos e a gestão de doenças nas populações suínas. Modelos de ML, como Random Forest e Extreme Gradient Boosting (XGBoost), têm se mostrado eficazes na previsão de surtos de doenças suínas, como a Peste Suína Africana (Liang et al., 2020) e a Síndrome Reprodutiva e Respiratória Suína (Shamsabardeh et al., 2022). O XGBoost, em particular, é considerado uma das tecnologias mais importantes em aprendizado de máquina, sendo eficaz em conjuntos de dados de grandes dimensões onde a precisão de classificação supera métodos tradicionais (Liu et al., 2022; Xu et al., 2023; Paploski et al., 2021). Além disso, o ML pode ser expandido para a análise de bem-estar animal, um indicador crescente de qualidade na produção suína, auxiliando na previsão de riscos (Zimpel et al., 2021).

Apesar dos avanços, a complexidade multifatorial da mortalidade na fase de terminação sugere que a integração de diagnósticos laboratoriais com índices produtivos, como observado neste estudo, fortalece a robustez dos modelos de aprendizado de máquina na antecipação de perdas sanitárias na suinocultura (Halev et al., 2023). Assim, este estudo justifica-se pela necessidade de aprimorar a compreensão dos fatores que influenciam a mortalidade em rebanhos suínos, utilizando abordagens de Machine Learning para identificar padrões e otimizar as estratégias de manejo e biosseguridade. O objetivo deste estudo foi avaliar, através de regressão linear e modelos de Machine Learning, a importância da presença do Mesomycoplasma hyopneumoniae nas granjas de suínos de fase de crescimento/terminação de uma grande agroindústria no oeste de Santa Catarina, com a construção dos modelos tendo como alvo identificar padrões de produção e biosseguridade que contribuam para a ocorrência de mortalidade.

2. Material e Métodos

Este trabalho caracterizou-se como um estudo observacional retrospectivo, focado na análise de dados produtivos e de biosseguridade em granjas de suínos. A unidade de análise compreendeu a mortalidade, o ganho de peso diário, a conversão alimentar corrigida e a idade ao abate, além da nota média de biosseguridade. Os dados foram coletados em produções integradas de suínos, especificamente nas fases de crescimento e terminação, pertencentes a uma grande agroindústria localizada no oeste de Santa Catarina, durante os anos de 2024 e 2025. A avaliação da biosseguridade das granjas foi realizada por meio de um “checklist” interno, que consistia em 41 perguntas.

Para complementar os dados produtivos e de biosseguridade, foram incorporados resultados de diagnóstico laboratorial. A infecção por Mesomycoplasma hyopneumoniae foi detectada utilizando a técnica de qPCR (quantitative polymerase chain reaction) em amostras coletadas nas granjas durante o mesmo período. Adicionalmente, foram incluídas análises microbiológicas da água fornecida aos animais, com resultados qualitativos indicando a presença ou ausência de coliformes totais e Escherichia coli. A detecção do patógeno por qPCR foi determinada pelo valor de “Cycle Threshold” (CT), onde valores mais baixos indicam maior quantidade de material genético. Para facilitar a interpretação, trabalhou-se com valores de CT “invertidos” (40 – CT), de modo que valores mais elevados representassem maior carga do agente.

O processamento dos dados e a implementação dos modelos de Machine Learning foram realizados utilizando a linguagem de programação Python, com o auxílio de bibliotecas especializadas para análise, conforme detalhado no Apêndice A do trabalho original. A variável dependente dos modelos foi a porcentagem de mortalidade total do lote de suínos. Para reduzir a assimetria e estabilizar a variância dessa variável, aplicou-se uma transformação logarítmica (log1p).

A qualidade dos dados foi assegurada por meio de procedimentos de correção de erros de digitação em campos textuais e verificação da consistência e tipo dos dados. Para as variáveis explicativas que apresentavam valores faltantes, optou-se pela imputação constante, utilizando o SimpleImputer com fill_value = -1. Este procedimento foi aplicado somente para os modelos de Regressão Linear e Random Forest, uma vez que o algoritmo XGBoost possui capacidade nativa para gerenciar dados inexistentes.

A sazonalidade, representada pelos meses, foi transformada em componentes de seno (mes_sen) e cosseno (mes_cos) para capturar a natureza contínua do tempo. A variável sexo foi tratada por meio do “One-Hot Encoding”, utilizando a função “get_dummies” da biblioteca pandas. O lote sexo_misto foi definido como categoria de referência implícita, e as variáveis sexo_femea e sexo_macho foram criadas como variáveis “dummy”.

Para a análise e modelagem, foram selecionados três algoritmos com arquiteturas distintas. A Regressão Linear (RL) foi empregada como modelo de referência estatística clássica. Para os modelos de Ensemble, Random Forest (RF) e XGBoost, a base de dados foi dividida em um conjunto de treinamento (70%) e um conjunto de teste (30%), visando assegurar a capacidade de generalização e evitar o sobreajuste dos dados.

O algoritmo Random Forest, baseado em “Bagging”, foi configurado com 500 árvores de decisão, uma profundidade máxima de 10 e a quantidade de variáveis vistas por cada árvore definida em 0,7. O XGBoost, um algoritmo de “Boosting”, foi configurado com 1000 árvores e uma “learning rate” de 0,05, sendo ajustado para minimizar o erro residual de forma sequencial.

A validade das premissas de linearidade para o modelo de Regressão Linear foi avaliada por meio da análise dos resíduos, utilizando-se o gráfico “Quantile-Quantile Plot” (Q-Q) e o gráfico de distribuição, com o objetivo de verificar a normalidade dos erros. O desempenho preditivo dos modelos foi mensurado pelo Coeficiente de Determinação (R²) e pelo Erro Absoluto Médio (MAE), complementados pela avaliação da significância estatística global via Estatística F e respectivo p-valor. Para a Regressão Linear, essas métricas foram calculadas sobre o conjunto global de dados, enquanto para os modelos de Machine Learning, foram calculadas sobre a base de teste.

3. Resultados e Discussão

A análise dos dados iniciou-se com uma base robusta, compreendendo 2.744 observações de caráter produtivo, oriundas de 500 granjas. Foram incluídos 910 registros de análises da qualidade da água, abrangendo 424 propriedades, e 286 análises de Mesomycoplasma hyopneumoniae, realizadas em 188 granjas. Adicionalmente, 2.056 avaliações de biosseguridade, correspondentes a 431 granjas, foram incorporadas. Em média, cada produtor alojou 5,48 lotes durante o período de estudo, resultando em 2,74 lotes de suínos abatidos por ano, o que demonstra a amplitude e a relevância do conjunto de dados para a compreensão dos fatores que influenciam a mortalidade na suinocultura.

As variáveis produtivas analisadas revelaram uma mortalidade média de 2,49%, uma conversão alimentar corrigida de 2,30 kg/kg e um ganho de peso diário de 1,05 kg/dia. A idade média ao abate foi de 98,11 dias. Em relação à composição dos lotes, 103 foram identificados como lotes de fêmeas, 72 como lotes de machos e 2.569 como lotes mistos. A nota média do checklist de biosseguridade foi de 89,61, indicando um bom nível geral de conformidade com as práticas sanitárias. Os resultados laboratoriais da água mostraram que 719 amostras foram positivas para coliformes totais e 88 para Escherichia coli, enquanto 191 e 822 foram negativas, respectivamente. Para Mesomycoplasma hyopneumoniae, 240 resultados foram positivos e 46 negativos, com um valor médio de Cycle Threshold (CT) invertido de 26,98, refletindo a carga bacteriana do patógeno.

A detecção da presença ou ausência de Mesomycoplasma hyopneumoniae foi realizada por meio da técnica de qPCR, onde o valor de Cycle Threshold (CT) indica o número de ciclos necessários para que o material genético alvo se torne detectável. Valores mais baixos de CT correspondem a uma maior quantidade de material genético do agente na amostra. Para facilitar a interpretação dos resultados, trabalhou-se com valores de CT “invertidos” (40 – CT), de modo que valores mais elevados representassem uma maior carga do agente, alinhando-se com a expectativa de que uma maior presença do patógeno estaria associada a um risco elevado de mortalidade.

O modelo de Regressão Linear, ajustado sobre a totalidade da base de dados, demonstrou uma capacidade explicativa de aproximadamente 38,59% da variabilidade da mortalidade, conforme indicado pelo coeficiente de determinação (R²). Embora essa capacidade seja considerada limitada para dados biológicos complexos, a significância estatística global do modelo foi altamente expressiva (p < 0,001), confirmando que as variáveis selecionadas estabelecem uma relação matematicamente sólida com a taxa de mortalidade. A validade estatística do modelo foi corroborada pela análise dos resíduos, que apresentaram uma distribuição aproximadamente normal na maior parte da amostragem, com desvios nas extremidades superiores associados a casos de alta mortalidade, e um histograma unimodal e simétrico, centralizado no zero, indicando aderência às premissas de normalidade (Fávero e Belfiore, 2017).

A análise dos coeficientes obtidos pelo modelo de Regressão Linear revelou a força e a direção da influência de cada variável sobre a mortalidade. Coeficientes positivos indicaram variáveis que elevam a mortalidade, enquanto coeficientes negativos apontaram fatores associados à sua redução. A Conversão Alimentar Corrigida destacou-se com o maior coeficiente positivo, seguida pela presença de Mesomycoplasma hyopneumoniae, idade ao abate e carga bacteriana (CT invertido). Esses achados corroboram a literatura, que associa a ocorrência do patógeno, cargas bacterianas elevadas e o prolongamento do ciclo de criação a um maior risco de óbito dos lotes (Barcellos e Guedes, 2022; Halev et al., 2023).

Por outro lado, variáveis como lotes compostos exclusivamente por fêmeas e a sazonalidade (meses) exibiram coeficientes negativos, sugerindo menor mortalidade. A menor mortalidade em fêmeas pode estar associada à sua origem genética, que confere maior uniformidade sanitária e imunológica ao rebanho. O mapeamento temporal revelou um padrão sazonal contínuo, com o impacto sobre a mortalidade atingindo seu ponto mais baixo entre janeiro e março, elevando-se no outono e atingindo o ápice no inverno (julho a agosto), para então declinar ao final do ano. Este padrão reflete a maior vulnerabilidade dos animais nos meses mais frios, conforme também descrito por Barcellos e Guedes (2022).

Considerando a complexidade multifatorial da mortalidade suína e a natureza observacional do estudo, o modelo Random Forest (RF) foi empregado para a construção do modelo preditivo. O RF, baseado na agregação de múltiplas árvores de decisão, é reconhecido por sua capacidade de lidar com a variabilidade e as relações complexas presentes em dados observacionais (Zimpel et al., 2021; Magalhães et al., 2023). A otimização via GridSearch, com restrição da profundidade máxima das árvores e elevação do número mínimo de amostras por folha, foi crucial para mitigar o fenômeno de “overfitting” e melhorar a generalização do modelo para dados externos não observados previamente (Halev et al., 2023).

No modelo Random Forest, a Conversão Alimentar Corrigida também se destacou como a variável de maior impacto, contribuindo com aproximadamente 36,6% da importância preditiva. A carga bacteriana (CT invertido) e o Ganho de Peso Diário assumiram papéis de destaque, representando cerca de 19,4% e 11,5% da importância, respectivamente. A presença de Mesomycoplasma hyopneumoniae e a idade ao abate também foram relevantes, com 10,8% e 8,5% de importância. Variáveis de qualidade microbiológica da água e os componentes de sazonalidade apresentaram contribuições individuais inferiores a 5%, reforçando a priorização de indicadores contínuos de desempenho zootécnico e pressão sanitária direta na explicação da variabilidade da mortalidade.

Apesar do bom desempenho do Random Forest, a redução observada no coeficiente de determinação (R²) entre os conjuntos de treino (0,6439) e teste (0,3430) sugeriu a ocorrência de “overfitting” ou disparidades na distribuição dos dados. Essa limitação indica que, embora o modelo tenha aprendido bem os padrões nos dados de treinamento, sua capacidade de generalização para novos dados pode ser comprometida. A divergência na hierarquia de importância entre o RF e a Regressão Linear reflete a natureza não linear da mortalidade, onde o RF, ao modelar interações complexas, aloca a conversão alimentar no topo de seu ranking preditivo, indicando que desvios na conversão podem ser críticos em lotes mais velhos ou desafiados por patógenos (Atias et al., 2025).

O modelo XGBoost apresentou um desempenho preditivo similar ao Random Forest, explicando aproximadamente 31,10% da variabilidade da mortalidade na base de teste (R² = 0,3110). Contudo, o XGBoost demonstrou uma melhoria na precisão das estimativas ao reduzir a distância em relação à base de treino (R² = 0,4684). Isso se deve ao seu mecanismo de regularização L1/L2 e à taxa de aprendizado reduzida (0,05), que penalizaram sequencialmente a complexidade das árvores, contendo a propagação de erros residuais e assegurando maior estabilidade na transição para dados não observados (Madhuri e Deshpande, 2024).

Uma vantagem operacional significativa do XGBoost é sua capacidade nativa de gerenciar dados faltantes, eliminando a necessidade de imputação artificial e preservando a integridade das informações observadas. A detecção de Mesomycoplasma hyopneumoniae assumiu o topo da importância no XGBoost, respondendo por 27,3% do ganho de pureza do algoritmo, seguida pela carga bacteriana (CT invertido, 24,0%) e pela Conversão Alimentar Corrigida (21,8%). A relevância da variável resultado_mycoplasma, mesmo com um volume considerável de dados faltantes, sugere que tanto a presença do patógeno quanto um possível viés de seleção em seu monitoramento podem estar associados às variações na mortalidade.

A análise comparativa da mortalidade acumulada em lotes positivos e negativos para Mesomycoplasma hyopneumoniae, em relação à média geral do plantel, revelou que os lotes positivos mantiveram-se sistematicamente acima da média histórica. Este achado sublinha o impacto direto do patógeno na viabilidade do plantel e sugere que a estratégia de monitoramento pode estar direcionada a lotes que já manifestam sinais clínicos, justificando a alta relevância desta variável nos modelos preditivos. Em contrapartida, a curva de lotes negativos oscilou predominantemente próxima ou abaixo da média geral, validando a amostragem e demonstrando que o monitoramento não se restringiu apenas a lotes problemáticos, mas também incluiu lotes saudáveis, conferindo maior credibilidade às inferências dos modelos.

A consistência dos resultados entre os três modelos, apesar de suas diferenças estruturais, reforça a confiabilidade das variáveis identificadas. A Regressão Linear, o Random Forest e o XGBoost apresentaram desempenhos preditivos e estatísticos similares em suas métricas de validação, com a proximidade do R², do MAE e a significância da Estatística F em todas as abordagens. Essa convergência de resultados, especialmente a proeminência da Conversão Alimentar Corrigida, da presença de Mesomycoplasma hyopneumoniae e do CT invertido, consolida esses fatores como indicadores cruciais de risco para a mortalidade na suinocultura.

Embora os modelos desenvolvidos tenham apresentado resultados promissores na identificação de padrões de produção e biosseguridade que contribuem para a ocorrência de mortalidade, a complexidade multifatorial da mortalidade na fase de terminação sugere que a inclusão de variáveis sanitárias e de manejo adicionais poderia elevar ainda mais o desempenho preditivo. A integração de diagnósticos para outros patógenos do complexo respiratório suíno, como o vírus da Influenza suína, Pasteurella multocida e Actinobacillus pleuropneumoniae, poderia capturar interações sinérgicas que agravam o quadro clínico. Além disso, o monitoramento de agentes sistêmicos e entéricos, juntamente com variáveis de manejo e ambiência como vacinação, consumo de água, temperatura, densidade populacional e qualidade do ar, poderiam refinar a sensibilidade dos modelos na detecção precoce de desvios.

Em síntese, a modelagem preditiva, com destaque para o algoritmo XGBoost devido à sua capacidade de gerenciar dados faltantes, mostrou-se uma ferramenta eficaz na avaliação dos riscos de mortalidade em granjas de suínos. Os resultados confirmaram a importância da infecção por Mesomycoplasma hyopneumoniae e de indicadores zootécnicos como a Conversão Alimentar Corrigida e a idade ao abate na explicação da variabilidade da mortalidade, reforçando a necessidade de diagnósticos laboratoriais rotineiros e uma gestão de riscos multifatorial para otimizar as estratégias de manejo e biosseguridade no ciclo produtivo.

4. Conclusão

O presente estudo avaliou a importância da infecção por Mesomycoplasma hyopneumoniae e de variáveis zootécnicas na mortalidade em granjas de crescimento e terminação, utilizando modelos de Machine Learning. Verificou-se que os algoritmos de Regressão Linear, Random Forest e XGBoost apresentaram capacidade explicativa similar, respondendo por aproximadamente 35% da variabilidade da mortalidade. A presença de M. hyopneumoniae e o limiar de ciclo invertido destacaram-se como importantes indicadores sanitários, enquanto a Conversão Alimentar Corrigida e a idade ao abate foram identificados como os principais indicadores de produção. Observou-se que lotes positivos para M. hyopneumoniae mantiveram-se sistematicamente acima da média histórica de mortalidade, evidenciando o impacto direto do patógeno na viabilidade do plantel. A consistência dos resultados entre os modelos reforça a confiabilidade das variáveis identificadas, consolidando-as como fatores cruciais de risco. A modelagem preditiva, com o algoritmo XGBoost demonstrando melhor desempenho operacional devido à sua capacidade nativa de gerenciar dados faltantes, atua como uma ferramenta eficaz na avaliação dos riscos de mortalidade, oferecendo suporte à decisão e priorizando intervenções preventivas na suinocultura.

Apesar dos avanços, a capacidade explicativa dos modelos foi considerada limitada para a complexidade dos dados biológicos, e o modelo Random Forest apresentou indícios de overfitting. A complexidade multifatorial da mortalidade na fase de terminação sugere que a inclusão de variáveis sanitárias e de manejo adicionais poderia elevar o desempenho preditivo. Para estudos futuros, recomenda-se a integração de diagnósticos para outros patógenos do complexo respiratório suíno, como o vírus da Influenza suína, Pasteurella multocida e Actinobacillus pleuropneumoniae, a fim de capturar interações sinérgicas. Sugere-se também o monitoramento de agentes sistêmicos e entéricos, bem como variáveis de manejo e ambiência, incluindo vacinação, consumo de água, temperatura, densidade populacional e qualidade do ar. Tais inclusões poderiam refinar a sensibilidade dos modelos na detecção precoce de desvios que elevam a mortalidade dos lotes, reforçando a necessidade de diagnósticos laboratoriais rotineiros e uma gestão de riscos multifatorial para otimizar as estratégias de manejo e biosseguridade no ciclo produtivo.

Referências Bibliográficas

ABPA. 2025. Relatório Anual 2025. Associação Brasileira de Proteína Animal, São Paulo, SP, Brasil. Disponível em: https://abpa-br.org/wp-content/uploads/2025/04/ABPA.-Relatorio-Anual-2025.pdf. Acesso em: 05 nov. 2025.

Atias, D.; Ashri, S.; Goldbourt, U.; Benyamini, Y.; Gilad-Bachrach, R.; Hasin, T.; Gerber, Y.; Obolski, U. 2025. Machine learning in epidemiology: An introduction, comparison with traditional methods, and a case study of predicting extreme longevity. Annals of Epidemiology 110: 23-33.

Barcellos, D.E.S.N.; Guedes, R.M.C. 2022. Doença dos Suínos. 3ed. Edição dos autores, Porto Alegre, RS, Brasil.

Batista, L.; Pijoan, C.; Ruiz, A.; Utreta, V.; Dee, S. 2007. Assessment of transmission of Mycoplasma hyopneumoniae by personnel. Journal of Swine Health and Production 12: 75-77.

Fávero, L.P.L.; Belfiore, P.P. 2017. Manual de análise de dados: estatística e modelagem multivariada com excel, SPSS e stata. 1ed. Elsevier, Rio de Janeiro, RJ, Brasil.

Google Cloud. 2024. O que é análise preditiva e como ela funciona? Disponível em: https://cloud.google.com/learn/what-is-predictive-analytics?hl=pt-BR. Acesso em: 02 nov. 2025.

Halev, A.; Martínez-López, B.; Clavijo, M.; et al. 2023. Infection prediction in swine populations with machine learning. Scientific Reports 13: 17738.

Liang, R.; Lu, Y.; Qu, X.; et al. 2020. Prediction for global African swine fever outbreaks based on a combination of random forest algorithms and meteorological data. Transboundary and Emerging Diseases 67: 935-946.

Liu, Y.; Zhuang, Y.; Ji, B.; Zhang, G.; Rong, L.; Teng, G.; Wang, C. 2022. Prediction of laying hen house odor concentrations using machine learning models based on small sample data. Computers and Electronics in Agriculture 195: 106849.

Madhuri, S.D.; Deshpande, P.S. 2024. A review of predictive analytics: Techniques, advantages, related works and applications. Journal of Advanced Artificial Intelligence 1(3): 1-6.

Magalhães, E.S.; Zhang, D.; Wang, C.; Thomas, P.; Moura, C.A.A.; Trevisan, G.; Holtkamp, D.J.; Rademacher, C.; Silva, G.S.; Linhares, D.C.L. 2023. Comparing forecasting models for predicting nursery mortality under field conditions using regression and machine learning algorithms. Smart Agricultural Technology 5: 100280.

Merca, C.; Clemensson Lindell, I.; Ernholm, L.; Eliasson Selling, L.; Nunes, T.P.; Sjölund, M.; Dórea, F.C. 2022. Veterinary syndromic surveillance using swine production data for farm health management and early disease detection. Preventive Veterinary Medicine 205: 105659.

Paploski, I.A.D.; Bhojwani, R.K.; Sanhueza, J.M.; Corzo, C.A.; VanderWaal, K. 2021. Forecasting viral disease outbreaks at the farm-level for commercial sow farms in the U.S. Preventive Veterinary Medicine 196: 105449.

Shamsabardeh, M.; Martínez-López, B.; O’Hara, K.C. 2022. Machine Learning Framework for Porcine Reproductive and Respiratory Syndrome Outbreak Forecasting. Research Square (PREPRINT Version 1). DOI: 10.21203/rs.3.rs-1785633/v1.

Van Milgen, J.; Valancogne, A.; Dubois, S.; Dourmad, J.Y.; Sève, B.; Noblet, J. 2008. InraPorc: a model and decision support tool for the nutrition of growing pigs. Animal Feed Science and Technology 143(1-4): 387–405.

Xu, J.; Ye, J.; Zhou, S.; Xu, A. 2023. Automatic quantification and assessment of grouped pig movement using the XGBoost and YOLOv5s models. Biosystems Engineering 230: 145-158.

Zimpel, T.; Riekert, M.; Klein, A.; Hoffmann, C. 2021. Machine learning for predicting animal welfare risks in pig farming. Agricultural Engineering 76(1): [páginas não fornecidas].

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy