Step-by-Step vejledning til detailanalyse af forekomst af hændelser i en dynamisk kvægpopulation

Transkript

1 Step-by-Step vejledning til detailanalyse af forekomst af hændelser i en dynamisk kvægpopulation INDHOLD Hvad kan du læse i dette dokument?... 2 Hvad skal jeg vide om en besætning for at forstå udviklingen i nøgletal?... 2 Hvordan beskriver jeg besætningsdynamik - indgang og afgang hvornår og hvilke dyr?... 3 Kælvningsfordelingen... 3 Fordeling af afgange/udsætninger... 4 Hvornår i laktationen?... 5 Detaljer om afgang/udsætning... 7 Besætningens drivkraft er reproduktion hvordan beskriver jeg udviklingen i reproduktionseffektiviteten?... 9 At fremskaffe detaljeret viden om de foreliggende registreringer er et nødvendigt første trin... 9 Start med at få overblik over de seneste hændelser Hvilke nøgletal kan beskrive en besætnings kapacitet til at reproducere sig selv? Beskrivelse af reproduktion hos kvieopdræt Hvordan kan jeg beskrive registreringer fra klovbeskæring? Hvordan varierer goldperiodelængden? Fra ydelsestal til hændelser i en dynamisk population Hvordan kan jeg beskrive registreringer fra yverbehandlinger og dyrkninger? Fra celletal til hændelser i en dynamisk population Beslutningsgrundlag for valg af udsætterkøer samt vurdering af besætningens ydelseskapacitet 25 Hvordan beskriver jeg status blandt ungdyr? Hvordan kan jeg beskrive og kvalitetssikre de mange foreliggende registreringer? Hvordan kan jeg organisere analyser af de mange, mange data? Vil du vide mere? Principper for monitorering/benchmarking Beregningstekniske forhold vedr. analyser af reproduktion i en dynamisk besætning Manual til analyseprogrammet HerdView Installation af analyseprogrammet HerdView og krav til computer Start af HerdView Særligt ved redigering af data Særligt ved analyse af tværsnitsdata (fx klovbeskæringer) Overførsel af HerdView-analyser til Word Koder og definitioner i HerdView s definitionsfiler Diverse vedr. opsætning af program og output til print Vejledning i indstilling af redigeringsfaciliteter til DOS-program fx HerdView Indstilling af skærmopsætning i HerdView Andet om redigering af output

2 Hvad kan du læse i dette dokument? Det er en fundamental opgave for besætningsdyrlægen i malkekobesætningen at følge (overvåge) udviklingen over tid i besætningens præstationer mht. sundhed/velfærd, frugtbarhed, produktivitet og økonomi. Ved konstant at have fingeren på pulsen skal dyrlægen ideelt dags dato have viden om den aktuelle status (og forhistorien) som grundlag for at give det bedst mulige bud på udviklingen fremover ( forudsigelse, prognose, prædiktion, forecast, budget, målsætning, ) på kort, mellemlangt eller langt sigt. Denne overvågningsopgave er faktisk ikke frivillig for en besætningsdyrlæge med formel rådgivningsaftale den er pålagt gennem eksplicitte krav om overvågning formuleret i Fødevarestyrelsens bekendtgørelser om sundhedsrådgivning. Diverse EDB-systemer producerer et meget stort antal nøgletal ( indikatorer ) til overvågningsformål. Forudsætningen for at tolke givne nøgletal og ændringer i disse over tid samt anvende disse meningsfuldt til forudsigelser er at kende besætningens struktur; herunder især at forstå betydningen af at driftsleder, dyrlæge og andre aktører skal arbejde med dataopsamling i en dynamisk population. Dynamisk betyder her bl.a., at dyr konstant kommer ind og ud af besætningen. Yderligere komplicerende for overvågning vha. nøgletal er det, at dyrenes produktion, sygdomsrisiko og frugtbarhed varierer afhængig af alder, laktationsstadium og kalendertid (årstid). Endelig er der en række datatekniske forhold omkring periodeafgrænsning (fx start og slut af dataopsamling), der komplicerer tolkning af de nøgletal, der kan beregnes. I dette dokument viser jeg en række eksempler på, hvordan du kan beskrive besætningsdynamik, og hvordan du kan vurdere forekomst af og visse sammenhænge mellem de mest betydende hændelser (fx sygdomsbehandling eller insemination) vedr. sundhed/velfærd, frugtbarhed og mælkeydelse under behørig hensyntagen til malkekobesætningens dynamik. Der er et righoldigt udbud af EDBbaserede redskaber, der er mere eller mindre velegnede til at løse sådanne opgaver. Til at demonstrere principper og metoder anvender jeg i det følgende det frit tilgængelige (gratis) PCprogram, HerdView tekniske detaljer vedr. installation og anvendelse er beskrevet i sidste afsnit af nærværende dokument. Har du tidligere anvendt HerdView, kan du med fordel læse disse programtekniske afsnit først, da der er lavet nogle ændringer/uddybninger i forhold tidligere. For læsere uden forhåndskendskab til programmet er det mest hensigtsmæssigt at læse den følgende tekst uden at anvende programmet. Hvad skal jeg vide om en besætning for at forstå udviklingen i nøgletal? Omdrejningspunktet for den enkelte ko er kælvningen; kalve fødes (levende eller døde) og laktationen starter. Varigheden af laktationen (indtil goldningen) bestemmes af tidspunktet for en ny drægtighed eller udsætning fra besætningen. Mælkeydelse, sundhed og frugtbarhed er i betydelig grad påvirket af stadiet i laktationen samt kælvningsnummeret (paritet) fx forekommer nogle sygdomme især hos ældre køer, og ydelsesprofilen gennem laktationen ( laktationskurven ) er meget forskellig hos unge køer sammenlignet med gamle. Endelig kan fx foder- og mandskabsskift, ekstra arbejdsbyrde pga. markarbejde samt staldtemperatur betinge systematiske forskelle i sygdomsforekomst og ydelse på tværs af kælvningsnumre og laktationsstadier gennem året. Fundamentet for at give en retvisende og dækkende beskrivelse af udviklingen i forekomst af givne hændelser i en given besætning (overvåge) er derfor at forstå betydningen af og håndtere følgende tre tidsakser for enkeltkøer samt for besætningen som helhed: Laktationsstadium (dage efter kælvning, DEK) Kælvningsnummer (paritet) Kalendertid 2

3 Dokumentets afsnit giver eksempler på, hvordan forekomst af hændelser hos enkeltdyr kan beskrives grafisk i relation til disse tre tidsakser. Eksemplerne demonstrerer også hjælperedskaber til at fremskaffe detaljeret viden om, hvordan data fra besætninger fremkommer, og hvordan de skal tolkes, når de anvendes til beregning af nøgletal. For at skaffe den fornødne viden om de foreliggende data/informationer, så skal du frembringe dækkende svar på følgende spørgsmål: For hvilke(t) formål blev data indsamlet? Hvem indsamlede/observerede data? Hvordan, hvornår og hvor blev data indsamlet? Hvad repræsenterer evt. anvendte skalatrin (fx sygdomsdiagnose, huld-værdi eller metritisscore)? Såfremt beregninger er foretaget (fx dannelse af en celletalsværdi ), hvordan blev de oprindelige registreringer omdannet? Er der sket ændringer i registreringer/beregninger i det betragtede tidsrum og i så fald, hvilke? Det er en kompliceret opgave at besvare disse spørgsmål; specielt i store besætninger med et større personale, hvor adskillige personer er involveret i flere stadier. En dyrlæge, der besøger besætningen hyppigt (fx ved ugebesøg ) og er involveret i dataopsamling og tolkning af nøgletal, har imidlertid de allerbedste muligheder for at skaffe svarene og dermed bringe sig selv i en nøglerolle omkring anvendelsen af de frembragte informationer i driften af besætningen. Hvordan beskriver jeg besætningsdynamik - indgang og afgang hvornår og hvilke dyr? Kælvningsfordelingen Nedenfor ser du som diagram #1 to skærmbilleder ved siden af hinanden. Begge er fra samme malkekobesætning. Venstre side viser førstekalvskøer og højre side viser tredjekalvs og ældre. Princippet i den viste præsentationsform er at vise enkeltkøers livstid ( livslinjer ) som vandrette stiplede linjer i skærmvinduet. Hvert tegn/symbol (fx bindestreger) repræsenterer en uges levetid. Diverse symboler bruger vi til at vise givne hændelser nedenfor er med rødt markeret hændelsen kælvning (markeret med * ). Forneden, ovenover søjlediagrammet, kan du se tid på året for hændelsen. Køerne er sorteret efter kælvningsdatoer, således at de seneste kælvninger er placeret nederst. Medmindre du arbejder med en lille besætning, så skal du bladre ned i skærmvinduet for at se de køer, der har kælvet sidst. Med dette koncept kan du nu se forekomsten af givne hændelser i relation til årstid og tid efter kælvning ( laktationsstadium ). Yderst til højre i skærmen er for hver livslinje angivet forskellige oplysninger om de enkelte køer (bl.a. kælvningsnummer); detaljer herom senere i dokumentet. Skærmene viser kun et udsnit af køerne i de to aldersgrupper, men med programmet kan man bladre gennem listerne og derved finde alle køer, der har været i besætningen de seneste 60 uger forud for datoen for udtræk af data fra besætningens databaser (her ultimo juli 2014). Søjlediagrammerne nederst viser fordelinger af kælvninger i det valgte 60-ugers vindue. Programmet har for hver uge optalt antal kælvninger og vist disse antal som søjlediagrammer. Mønstret i de to søjlediagrammer indikerer, at der har været flere kælvninger blandt førstekalvs det seneste halvår sammenlignet med tredjekalvs og senere. En sådan forskel i fordeling kan påvirke evt. opgørelser af nøgletal beregnet for hele besætningen (på tværs af kælvningsnumre), hvor alder og laktationsstadium har betydning (fx mælkeydelse og en stofskiftelidelse som ketose). For at kunne tolke nøgletal beregnet for besætningen som helhed (fx årsydelse ), skal du derfor kende til fejlkilder, der kan være forårsaget af fx kælvningsnummer og laktationsstadium. Og for at håndtere 3

4 sådanne fejlkilder korrekt, så skal du kende besætningens struktur, hvilket dette diagram bidrager til. Hos førstekalvskøer starter livslinjen ved kælvning, selvom de pågældende køer i dette tilfælde var født og opvokset i besætningen. Livstid forud for første kælvning (hos ungdyr/opdræt) kan vises med en anden opsætning, som jeg viser senere i dette dokument. Hos ældre køer (højre side af skærmudklippet) ser du også livslinjer forud for kælvningen; altså i foregående laktation. På denne livslinje før kælvningen kan du se bogstavet a, der angiver den kalenderuge, hvor den pågældende ko blev goldet forud for den efterfølgende kælvning. For nogle køer kan du også se markeringen for foregående kælvning. Rent visuelt kan du nu vurdere, om antal uger fra goldning til kælvning var nogenlunde konstant, og hvor lang goldperioden var. Mere herom senere. Efter kælvning forløber livslinjer indtil datoen for udtræk af data (højre side af vinduet) eller koens afgang fra besætningen, hvilket er markeret med. Diagram #1. Besætningsdynamik beskrivelse af kælvningsfordeling Fordeling af afgange/udsætninger Diagram #2 beskriver fordeling af afgange fra besætningen. Du kan hos førstekalvs (venstre side) se et tydeligt mønster i afgange (nu markeret med rødt), idet grupper af førstekalvs køer forlader besætningen i korte periode i august 2013 og marts-april 2014 en del af disse ganske kort tid efter kælvning. Du får hermed beskrevet grafisk, at udsætningerne sker uafhængigt af laktationsstadium. Det ser du ved, at symbolerne står lodret i diagrammet, mens symbolerne for kælvning følger en nogenlunde ret linje, der løber skråt til højre, hvilket er reglen ved en nogenlunde jævn fordeling af kælvninger gennem året. Desuden ser du, at et tilsvarende mønster i udsætninger ikke forekommer blandt de ældre køer. Du kan altså konkludere alene fra en visuel vurdering af disse data, at udsætninger (hos førstekalvs) følger en systematik (sandsynligvis en driftsledelsesbeslutning), mens kælvninger forekommer spredt (tilfældigt) gennem perioden. Ved sammenligning af 4

5 søjlehøjder i diagrammer, skal du være meget opmærksom på de anvendte skalatrin på Y-aksen! I diagram #2 er max-værdien 30 hos førstekalvs og 10 hos ældre køer. Diagram #2. Besætningsdynamik fordeling af afgange systematik (driftsledelse) eller tilfældigheder? Hvornår i laktationen? Støder du på et påfaldende (atypisk) mønster i dine data, som fx ovennævnte mønster i afgange hos førstekalvs, så er det relevant at beskrive dette mønster i detaljer på en entydig måde ved beregning af et nøgletal. Fx er det for førstekalvsgruppen i diagram #2 nødvendigt at beregne % udsatte på forskellige stadier af laktationen for at fange dette mønster du mister værdifuld information ved blot at beregne % udsatte for hele laktationen. I diagram #3 har jeg demonstreret, hvordan de grafiske mønstre kan omsættes til relevante talstørrelser. Udover søjlediagrammerne med fordeling af afgange (de samme som i diagram #2) er der nu også nederst søjlediagrammer med fordeling af kælvninger. Var der en meget tydelig sammenhæng mellem kælvninger og afgange, så ville den sammenhæng vise sig i et mønster. Det øverste af de tre søjlediagrammer for hver af de to paritetsgrupper er en sammenfatning af information fra de to nederste. Grafen for førstekalvs viser sandsynligheden for, at førstekalvs køer var blevet udsat, efterhånden som tiden gik gennem laktationen. Fx var ca. 25% af kælvningerne fulgt af udsætning ca. 6-7 uger efter kælvning hos førstekalvs. Dette tal kunne være værdien for et nøgletal benævnt som % udsatte 7 uger efter kælvning. Ca. 30 uger efter kælvning kan du aflæse, at ca. 45% af kælvninger var fulgt af udsætning. Øverst i det udklippede skærmbillede kan du se et lille udsnit af livslinjer for de køer, der indgik i dannelsen af de tre diagrammer. Der er nu en rød markering af livslinjer indtil de pågældende køer blev udsat eller indtil ophør af analyseperioden (ugen for dataudtræk). Betragt nu skærmbilledet til højre for tredjekalvs, og du vil se, at kurveforløbet er markant anderledes. Fx er kun ca. 15% af kælvninger fulgt af udsætning ved ca. 30 uger efter kælvningen. Der var altså udsat ca. 3 gange flere førstekalvs end ældre køer 5

6 omkring de 30 uger henne i laktationen. Det er sigende, at denne type af graf har betegnelser som tid til hændelse eller laktationstidsanalyse (dækkende for lakterende køer). Bemærk her, at du ikke kan relatere disse søjlediagrammer med tid til hændelse til kalendertiden vist nederst i skærmvinduet, fordi kælvningstidspunktet for alle køer billedligt talt er rykket ud til venstre side. Du skal kigge i diagrammet med de enkelte køers livslinjer for at se kalendertid for hændelserne. Diagrammet for tid til udsætning for tredjekalvs og ældre illustrerer desuden et generelt teknisk problem omkring beregning af mange nøgletal for dynamiske populationer. Yderst til højre ser du en meget høj søjle, der kunne tolkes således, at ca. 70% af kælvninger skulle være fulgt af udsætning 60 uger efter kælvning. Dette tal kan imidlertid være stærkt misvisende. Hvorfor det? Jo, skærmbilledet og opgørelsen er baseret på kælvninger i en 60 ugers periode forud for udtræk af data. Derfor vil der sandsynligvis kun være meget få kælvninger, hvor vi kan vide, om de pågældende køer var blevet udsat 60 uger efter kælvning de køer, der kælvede forud for udtræksdatoen minus 60 uger, indgår simpelthen ikke. Søjlehøjde for diagrammerne med tid til hændelse bør derfor ikke aflæses og tolkes senere end ca. 40 uger fra kælvning, hvilket sikrer, at der et passende antal kælvninger at regne på. Analysen skulle ideelt blokere for sådanne tekniske problemer. I kurver for inseminerings- og drægtighedsprocenter, jeg beskriver senere, er der lagt begrænsninger ind til at undgå problemet. Skulle du ønske dig at beregne et retvisende udtryk for sandsynlighed for udsætning ved 60 uger efter kælvning, så skulle du vente yderligere adskillige uger og derved få adgang til data ( livslinjer ) op til måske uger efter kælvning. Dette kan du ikke gøre med HerdView-programmet. Det tekniske problem med beregning af nøgletal baseret på en hel laktation (ca. 1 år efter kælvning eller mere) er dermed, at tallet vil repræsentere hændelser fra langt tilbage i tiden, hvilket i øvrigt også kan være uinteressant for vurdering af den aktuelle status for sundhed, frugtbarhed mv. i en besætning. Diagram #3. Besætningsdynamik tid hændelse fra hændelser til et nøgletal. 6

7 Detaljer om afgang/udsætning Men afgang kan være et vidt begreb. Diagram #4 demonstrerer de betegnelser, der blev anvendt hos førstekalvs i den besætning, der dannede baggrund for diagrammerne 1-3. Symbolet repræsenter hændelsen Afgang, og tallet 91 angiver antallet af køer, der afgik (blev udsat) fra den pågældende gruppe af køer (førstekalvs) i de betragtede 60 uger. For hver afgang er der nu suppleret med angivelse af yderligere detaljer. Symbolet z repræsenterer afgang til slagtning (30 køer), > repræsenterer Salg levebrug (60 køer), og Aflivning/Aflivet (1 ko) er repræsenteret med 2 forskellige symboler. Sidstnævnte brug af to koder for samme hændelse repræsenterer et (af mange) eksempler på tekniske problemer med data fra flere kilder. Meningsfuld vurdering af diagrammer og deraf afledte nøgletal forudsætter, at brugeren finder ud af, hvordan koder er anvendt, og hvorfra data kommer. Diagrammet viser også, at der er et symbol for Afgang, ufriv. (22 køer i dette dokument). Dette er et eksempel på en hændelse, der er konstrueret ud fra flere datakilder. Her er der tale om at udsætningen var forbundet med et ydelsesfald af en given størrelse (se senere afsnit) i dette dokument eller aflivning/dødsfald. Ved tolkning af en sådan konstrueret hændelse er det afgørende, at brugeren (fx dyrlægen) af hændelsen og evt. deraf afledte nøgletal forstår OG accepterer de valgte definitioner, kan redegøre overordnet for de anvendte beregningsprincipper og formidle disse emner i lægmandssprog. HerdView-programmet giver mulighed for, at den enkelte bruger selv kan sammensætte hændelser, så de bliver dækkende for vedkommende brugers opfattelse af situationen (teorier). 7

8 Diagram #4. Afgang (udsætning) til hvilken skæbne? 8

9 Besætningens drivkraft er reproduktion hvordan beskriver jeg udviklingen i reproduktionseffektiviteten? Opsamling af data vedr. reproduktion samt analyse og tolkning af disse kan virke helt overvældende for nybegynderen. Og det er der god grund til. Vurdering af reproduktion er en meget kompliceret opgave, som er beskrevet i talrige bøger, artikler og vejledninger. Til støtte for arbejdet med reproduktion er der også et stort antal EDB-programmer, der producerer et meget stort antal nøgletal/indikatorer. Nærværende afsnit er et forsøg på at gennemgå de fundamentale principper og metoder. Forstår du disse, så kan du gennemskue de fleste af de metoder, du støder på. I et senere afsnit i dette dokument er der oplysninger om mere avancerede aspekter vedr. beregninger og tolkning herunder er der henvisning til relevant litteratur. At fremskaffe detaljeret viden om de foreliggende registreringer er et nødvendigt første trin Informationerne om reproduktion kommer fra mange kilder dette forhold er en meget væsentlig grund til, at det er meget kompliceret at beskrive reproduktion i en malkekobesætning. Det er derfor afgørende at få overblik over datagrundlaget. Derfor gentager jeg nu spørgsmålene fra indledningen: For hvilke(t) formål blev data indsamlet? Hvem indsamlede/observerede data? Hvordan, hvornår og hvor blev data indsamlet? Hvad repræsenterer de anvendte skalatrin (fx sygdomsdiagnose eller metritisscore)? Såfremt beregninger foretaget (fx dannelse af en værdi for start af ikælvning), hvordan blev de oprindelige registreringer omdannet? Er der sket ændringer i registreringer/beregninger i det betragtede tidsrum og i så fald, hvilke? Diagram #5 er analog til diagram #4, blot ser du nu i stedet et udsnit af de mange mulige reproduktionsrelaterede hændelser, der kan fremkomme fra en besætning. For nogle registreringer kan det være enkelt at få fornødent overblik. Registrering af kælvningsdato er underlagt strikt lovgivning, hvilket vil sikre korrekte data i langt de fleste tilfælde. Og ved du fx, at alle insemineringer foretages af en professionel inseminør, så vil du ret nemt kunne få kendskab til de derved forbundne standardiserede arbejdsgange og dataflow. For at tolke en hændelse som Svaer fødsel, så er du derimod nødt til at diskutere brugen af den foreliggende skala grundigt med driftsleder/personale. Den diskussion er imidlertid meget nyttig rådgivningsmæssigt, da den bør kunne føre til en kalibrering af jeres vurderinger samt en diskussion af procedurer for fødselsovervågning og hjælp. Af data vedr. ungdyr (se senere) vil du endvidere kunne aflæse, hvorvidt fødselsforløbet er blevet vurderet for alle kælvninger, hvilket vil muliggøre en overvågning. For at vurdere data fra drægtighedsundersøgelser skal du skaffe oplysninger om de anvendte metoder (rektalundersøgelser, skanning, aktivitetsmålere mv.). Der kan forekomme en blanding af metoder, hvilket komplicerer din tolkning. Tolkning af hændelsen Stop ikælvning (i teknisk sprog kaldet kode 60 ) kræver ligeledes en grundig diskussion med driftsleder/personale for at afdække de anvendte kriterier og evt. ændringer i disse, men igen er dette en meget vigtig komponent i rådgivningsarbejde omkring reproduktion. Betegnelsen Reproduktion, andet er én af de mange mulige diagnoser angivet ved behandling af sygdomme. Endvidere kan forskellige dyrlæger bruge diagnosekoder meget forskelligt. Fx kan nogle bruge diagnosen brunstmangel som betegnelse for brunstinduktion, selvom der faktisk findes en kode specifikt til brunstinduktion, og brunstinduktion jo ikke behøver at være forbundet med brunstmangel ( stille brunst, ikke-observeret brunst, ). Det er også afgørende at vide, hvilke undersøgelser, der fx ligger til grund for diagnosen Inaktive ovarier. Er der to 9

10 undersøgelser med ca. 12 dages interval eller er det et fagligt set ukvalificeret gæt baseret på en enkelt undersøgelse? Med den seneste liberalisering af medicinlovgivning, er det blevet endnu vigtigere at grave dybt i kriterier for behandling af fx metritis. Hændelsen benævnt Start ikælvning er en særlig type, idet det er en beregnet dato ikke en faktisk hændelse - der vises med et symbol for alle køer. I eksemplet er hændelsen fremkommet ved at identificere det antal dage efter kælvning, hvor 5% af de foreliggende førstegangs-inseminationer er foretaget i løbet af de seneste 60 uger i den aktuelle besætning. I andre analyseprogrammer kan der være anvendt andre definitioner. Ovennævnte eksempler fra diagram #5 skulle illustrere, at det er en kompliceret men nødvendig opgave at forstå alle de foreliggende informationer til bunds. Det er yderligere komplicerende, at der kan forekomme ret hyppige ændringer i metoder/kriterier, og at der kan anvendes forskellige kriterier for forskellige grupper af dyr (fx senere start af ikælvning hos højtydende). Igen, afdækning af sådanne komplicerede aspekter er en vigtig platform for rådgivning om konkrete forbedringsmuligheder. 10

11 Diagram #5. Udsnit af de mange reproduktionsrelaterede hændelser/definitioner Start med at få overblik over de seneste hændelser Når du forstår datagrundlaget til bunds er det tid at vurdere status på reproduktionsområdet og lede efter udviklingstendenser. For driftsledelsen er det den allerseneste status, der er mest relevant for at tage beslutning om evt. interventioner på kort og på langt sigt. Det er derfor relevant at starte med en detaljeret vurdering af enkelthændelser hos enkeltdyr. Jeg viser med diagram #6 et eksempel på en metode hertil. Diagram #6 viser et skærmbillede med førstekalvs ved siden af et skærmbillede for tredjekalvs og ældre. Det er nu hændelsen insemination (markeret med 'o'), der er fremhævet med rødt. Du kan skabe dig et ganske dækkende indtryk af besætningens reproduktionsstatus alene ved at betragte fordelingen af de røde markeringer af inseminationer de seneste 2-3 mdr. i forhold til kælvning, afstande mellem inseminationer hos enkeltkøer samt antal hos enkelte køer. 11

12 Du kan rent visuelt se, hvornår insemination tidligst foregår efter kælvning. Se her bort fra de 2-3 korteste afstande fra kælvning, fordi de kan være baseret på helt særlige forhold eller evt. registreringsfejl. Såfremt langt hovedparten af de kælvede bliver insemineret, og afstanden fra kælvning til første insemination er nogenlunde konstant, så vil et karakteristisk mønster rent visuelt fremstå som et næsten ubrudt bånd forløbende stort set parallelt med kælvningssymbolerne. Du har nu uden at regne fået et nogenlunde dækkende kendskab til den aktuelle politik for at starte insemination (som beskrives ved nøgletallet Start ikælvning, markeret med og et godt udtryk for evnen til at finde brunstige køer og få dem insemineret (brunstovervågning jo kortere afstand fra til første o, des mere intens brunstovervågning). Er der markante forskelle mellem pariteter, så vil de fremstå tydeligt alene ved mønstrene i de røde symboler. Alene ved at kigge på afstande mellem insemineringer hos nogle få køer med gentagne insemineringer (omløbninger), vil du få et yderligere indblik i evnen til at observere brunst. Du kan fx finde ko nummer 1847 (nummeret ser du i talkolonnen yderst til højre i højre skærmbillede). Hos denne ko er der mere end 2 måneder mellem 2 inseminationer. Dvs. det er meget sandsynligt, at personalet har overset mindst to brunster hos denne ko. Omløbningsanalyse er en vigtig komponent af reproduktionsanalysen. Kan du kun finde ganske få omløbninger med langt interval som i det nævnte eksempel, så er brunstovervågningen ret intens. Du kan også rent visuelt vurdere nogenlunde præcist, hvor stor en andel af køer med insemination der bliver drægtige efter en enkelt insemination, markeret med symbolet '+', hhv. '-' for ikkedrægtig. Du får derved et groft skøn over drægtighedschancen bliver ca. halvdelen drægtige med blot en enkelt insemination, så kan du uden egentlige beregninger konkludere, at aktuel status på nøgletallet drægtighedschance er ca. 50%. Politikken vedr. afstand fra insemination til drægtighedsundersøgelse kan også skønnes ved at identificere negative resultater for drægtighedsundersøgelse hos 2-3 køer, eller konstatere at der mangler drægtighedsundersøgelse af en del køer. Herunder også om der helt mangler drægtighedsundersøgelser gennem flere måneder. Med lidt (nogen) rutine vil du med disse rent visuelle (ingen beregninger!) bedømmelser af enkeltdyrsforløb på ganske kort tid (1-2 minutter) kunne afgøre, om den helt aktuelle reproduktionsstatus i det mindste er dårlig, nogenlunde eller fremragende mht. start af ikælvning, evne til at finde brunst samt drægtighedschance. Du vil samtidigt have tilvejebragt nogle eksempler på enkeltkøer/hændelser, der illustrerer dine bedømmelser. Fx kan du notere dig numre på køer, hvor der er et insemineringsinterval på over 2 normalcykluslængder (7 uger og derover). Med denne detaljerede basisviden om konkrete og aktuelle hændelser har du nu fingeren på pulsen og har et righoldigt grundlag for at diskutere status med driftsleder/personale på et jordnært niveau. Du vil måske også have identificeret mystiske hændelser som ukendte diagnosekoder, eller du kan se, at data ikke er opdaterede. Disse forhold kan skyldes fejl, der skal rettes, inden du går videre med mere avancerede analyser, dybsindig tolkning og deraf afledt avanceret rådgivning. Er du nået frem til opdaterede og korrekte data, så har du et solidt grundlag for at definere eller finde mere konkrete beregninger af nøgletal samt beskrive udviklingstendenser i besætningen. Dette vil jeg behandle i det følgende afsnit. 12

13 Diagram #6. Fordeling af inseminationer i forhold til paritet, kalendertid og laktationsstadium Teknisk fejl: Højre skærmbillede dækker over paritet i venstre skærmbillede modsat tidligere skærmdumps. Hvilke nøgletal kan beskrive en besætnings kapacitet til at reproducere sig selv? Som skitseret i foregående afsnit, så er der behov for at vide følgende om besætningens reproduktion (centrale nøgletal): Hvad er politikken mht. at starte ikælvningen? Hvor effektive er man mht. at finde brunstige dyr og få dem løbet? Hvor stor er chancen for, at en løbning (insemination) fører til drægtighed? Da du kan forvente (biologiske og driftsledelsesmæssige grunde), at der er forskelle mellem pariteter, og dit formål med analysen er at vurdere, om der forekommer udviklingstendenser (nøgletallet bevæger sig opad, nedad eller udviser et cyklisk forløb ) gennem kalendertid (fx pga. varmestress), så skal du beskrive disse tal fordelt på pariteter. Diagram #7 viser et eksempel på en analyse, der kan give væsentlige bidrag til svar på disse tre spørgsmål (NB: Ikke samme besætning som anvendt ovenfor). Diagrammet viser skærmbilleder fra førstekalvs, andenkalvs samt ældre køer fra venstre mod højre. Allerøverst ser du livslinjer for et lille udsnit af de køer, der indgår i analysen. Nedenfor ser du tre (3) søjlediagrammer. Det midterste viser for hver uge sandsynligheden for, at en brunst bliver fundet, og der bliver foretaget en insemination. De tekniske detaljer bag beregningen er angivet i et separat afsnit nedenfor. Søjlerne siden ca. marts 2013 er angivet med lysere farve end foregående søjler. Den lyse farve angiver, at der mangler drægtighedserklæringer i besætningen for den pågældende periode, hvilket vil bevirke, at der er større usikkerhed på tallene, fordi vi ikke kender det mulige antal brunster (nævneren), når drægtighedsstatus er ukendt. Med visningen i diagram #6 ville du allerede have set fra enkeltdyrenes livslinjer, at der manglede oplysninger om drægtighedsstatus, så denne information er nu også vist i diagrammet. 13

14 Søjlediagrammet i bunden viser for hver uge sandsynligheden for, at en insemination fører til en drægtighed (se tekniske detaljer bag beregningen i et separat afsnit nedenfor). Den lyse farve angiver igen, at der mangler drægtighedserklæringer i besætningen for den pågældende periode, hvilket vil bevirke, at der er større usikkerhed på tallene. Fra visningen i diagram #6 ved du allerede, at der manglede oplysninger om drægtighedsstatus. Den overordnede tolkning af søjler vedr. drægtighedschance i de tre paritetsgrupper er, at forløbet har været stort set ens siden årsskiftet. Som nævnt ovenfor bestemmes det tidspunkt efter kælvning (antal dage/uger), hvor en ko kan forventes at være drægtig (den fundamentale information, du ønsker), af følgende (nøgletal): Start ikælvning, insemineringsprocent og drægtighedschance. Af diagram #6 kunne vi se, at start ikælvning var stort set ens i den betragtede periode, og af diagram #7 kunne vi se, at drægtighedschancen også var nogenlunde konstant. Derfor vil laktationsstadiet, hvor drægtighed kan forventes, bestemmes af insemineringsprocenten. Kurveforløbene for insemineringsrate for de tre paritetsgrupper er forskellige (her skelnes ikke mellem procent og rate). Generelt gælder dog, at der er tegn på et fald i insemineringsrate fra foråret 2014 og frem mest udtalt hos førstekalvs, der dog også startede fra det højeste niveau. Endvidere er niveauet faldende med stigende kælvningsnummer. De øverste søjlediagrammer er igen analyser af tid-til-hændelse, som eksemplificeret i diagram #3 ovenfor. Her er det uger fra kælvning til drægtighed, der er defineret som den insemination, hvor der efterfølgende foreligger en positiv drægtighedserklæring. Bemærk her, at max-værdier på Y- aksen er forskellige. Af kurveformen kan du aflæse værdier for mange af de nøgletal, der anvendes verden over til at beskrive reproduktion. Du kan se, hvornår efter kælvning der tidligst opnås drægtighed. Her er det for alle pariteter ca. 9 uger efter kælvning. Den maksimale højde af kurverne udtrykker, hvor stor en andel af kælvningerne der efterfølges af en positiv drægtighedserklæring. Den højeste værdi er 60%, som du ser hos andenkalvs. Du kan også aflæse, hvornår efter kælvning de sidste køer opnår drægtighed - hos førstekalvs og ældre er det ca. 20 uger efter kælvning. Du kan også aflæse %- drægtige på forskellige faste tidspunkter efter kælvning. Ofte anvendes % drægtige ved 90 dage og ved 150 dage efter kælvning som nøgletal. Især i økonomiske analyser er det nyttigt at have et udtryk for tomdage, der skal give et retvisende udtryk for afstand fra kælvning til ny drægtighed er opnået for en typisk ko. Et robust tal herfor kan du få ved på X-aksen at aflæse det antal uger efter kælvning, hvor 50% er blevet drægtige på ny. Hos andenkalvs vil dette nøgletal have værdien ca. 18 uger. Hos førstekalvs og ældre kan du ikke aflæse dette nøgletal, fordi mindre en 50% er blevet erklæret drægtige. Isoleret set, så er et så lavt tal er imidlertid stærkt alarmerende, fordi en besætning så ikke kan reproducere sig selv. Grunden til, at mindre end 50% er blevet drægtige behøver ikke at være direkte relateret til frugtbarhed det kan fx være sygdom men resultatet bliver, at besætningen at besætningen ikke kan reproducere sig selv. Mere tekniske aspekter omkring begrebet tomdage behandler jeg i et senere afsnit sammen med en mere detaljeret beskrivelse af metoder til at danne de her anvendte laktationstidsanalyser. En sidste meget væsentlig information fra kurveformen er følgende. Du vil næsten altid se, at den stejleste del af kurven i en kortere eller længere periode følger en ret linje. Hældningen af denne rette linje kan du sagtens skønne visuelt for en 3-ugers periode. Dermed vil du have et helt centralt nøgletal for reproduktionseffektiviteten for den pågældende ko-gruppe. Du kan fx for andenkalvs i diagram #7 aflæse ca. 10% ved 12 uger og ca. 50% ved 18 uger. Dette betyder, at der for en 3-14

15 ugers periode er en ændring på ca. 20 procentenheder. Dette tal kan du tolke som 20% chance (hver femte) for, at en brunst (som vil forekomme hver tredje uge) bliver opdaget, bliver anvendt til insemination, som så fører til en positiv drægtighedsdiagnose. Når kurveforløbet er retlinjet, er det overvejende sandsynligt, at der ikke er andre konkurrerende faktorer (fx avls- eller ydelseshensyn) i spil i den pågældende tidsperiode (nøgletallet er sandsynligvis unbiased ). Der er andre metoder til at frembringe en værdi for dette nøgletal, hvilket jeg behandler og diskuterer i afsnit om avancerede emner. Nu en advarsel vedr. opgørelse af nøgletal for en længere periode. Laktationstidsanalyserne er en opgørelse for hele den valgte periode. De udtrykker en art gennemsnit. I eksemplet i diagram #7 er det imidlertid tydeligt, at der var betydelige udsving i såvel inseminerings- som drægtighedsprocent i perioden. Derfor er det i princippet ikke retvisende at beregne nøgletal ud fra hele perioden. Driftslederen vil i sagens natur være mest optaget af den helt aktuelle status. Og vel specielt da, såfremt situationen er blevet tydelig ringere de seneste måneder, som eksemplet her indikerer. Når der er tale om markante ændringer gennem perioden, så er det helt afgørende, at evt. nøgletal beregnet for hele perioden kombineres med bedste skøn over status for de allerseneste uger. Sådanne skøn kan du frembringe alene fra en visuel vurdering som beskrevet ovenfor. I store besætninger kan/bør intervaller for beregning af nøgletal være så korte, som data tillader. Kurverne for inseminerings- og drægtighedsprocenter er et redskab hertil. Reelt er opgørelsesperioden i disse nedbragt til en (1) uge. Så lidt om præcision i nøgletal. Du vil måske studse over, at jeg angiver tal som cirkatal; ofte aflæst af grove kurveforløb. Dette i kontrast til mange standardopgørelser, hvor du kan finde meget præcise tal; sågar med decimaler. Derfor nu en lille taløvelse. Du kan beregne et 95%- konfidensinterval for en drægtighedschance, som du har aflæst til 50% ud fra 100 inseminationer, ved at bruge følgende formel: 50%+2*100* 0,5*(1-0,5)/100 = 50%+10%. Resultatet kan du tolkes således: Alene som resultat af rene tilfældigheder, så vil den sande værdi for drægtighedschance ligge mellem 40% og 60%, når du har regnet på 100 inseminationer. Prøv selv at erstatte 100 med 20! Med andre ord, du arbejder med store tilfældige udsving i typiske besætningssituationer. Det betyder igen, at du skal være varsom med at tolke på små forskelle. Vigtigst er, at du leder efter mønstre i data, som falder helt tydeligt i øjnene, og at du er bevidst om betydningen af tilfældige udsving. 15

16 Diagram #7. Grafisk beskrivelse af nøgletal for reproduktion i en malkekobesætning visualisering for paritet (førstekalvs, andenkalvs og senere fra venstre mod højre), kalendertid og laktationsstadium. Beskrivelse af reproduktion hos kvieopdræt Vurdering af reproduktionen hos kvieopdrættet kan håndteres efter de samme principper som hos køer. Brug af tyr kan komplicere analysen (også hos køer), men i det følgende eksempel er der anvendt insemination til alle kvier. Diagram #8 viser yderst til venstre fordelinger af inseminationer blandt kvierne i en besætning. Princippet i opsætning af data er som hos køerne. Nu er kvierne opstillet efter fødselsdato, således at de ældste kvier er øverst. På livslinjerne er etårsalderen markeret med,, Start ikælvning er markeret og 15-måneders alder er markeret med.. Du kan nu visuelt vurdere den allerseneste status mht. insemination. Fra slutningen af juni 2014 og frem ser du en lodret søjle af røde markeringer, der markerer, at en større gruppe kvier er insemineret i alderen lidt før til lidt efter de 15 mdr. Dette mønster adskiller sig fra inseminationer i maj 2014 og tidligere, hvor første insemination lå meget tæt på 13-måneders alderen (alder for Start ikælvning ). Med andre ord, der forekom næsten ingen inseminationer i nogle uger i forsommeren 2014, selvom der var adskillige kvier i den alder, hvor de tidligere ville være blevet insemineret. En klassisk forklaring på et sådant mønster er travlhed med markarbejde. Afdækning af denne type mønster i hændelser er vanskelig ved præsentation af data i tabeller (fx opdelt på kvartaler), mens HerdViewkonceptet uden arbitrære opdelinger i perioder er designet til visuelt at afdække netop sådanne iøjnefaldende mønstre, der kan udtrykke systematiske påvirkninger (driftsledelse). 16

17 I det andet skærmbillede fra venstre ser du insemineringsprocent og drægtighedsprocent beregnet efter de samme principper som ved køerne. Også her mangler oplysninger om drægtighed, men kun fra ultimo maj. De få insemineringer primo juni er nu vist meget tydeligt i søjlediagrammet for insemineringsprocent ved et dyk fra ca. 70% til ca. 25%. Dette mønster kunne en intens opfølgning på simple lister ude i stalden have afdækket allerede medio juni. Også drægtighedsprocent viser et tydeligt dyk i juni Afdækning af årsager til dette markante dyk i reproduktionseffektivitet er den væsentligste opgave for rådgiveren. Det er mindre interessant at beskrive historien fra maj 2014 og bagud i tid. Dog er det selvfølgelig den historie, der er baggrund for, at dykket i juni 2014 bliver tydeliggjort. Forhistorien er også en art benchmark for, hvilke resultater der kan opnås i den aktuelle besætning. Frem i tid kan det måske være hensigtsmæssigt at være opmærksom på (proaktiv rådgivning!), at førstegangskælvere i foråret 2015 sandsynligvis vil være ældre/større? Det midterste skærmbillede viser også en laktationstidsanalyse af tid fra etårs-alderen til drægtighed. De tidligste drægtigheder blev opnået ved knap 13 måneders alderen, og de ældste var ca. 18 mdr. Af etårs løbekvier nåede 90% at blive drægtige. Vi har nu et udtryk for den forventede variation i alder ved første kælvning her skal vi dog huske ovennævnte problemer i juni. Kurveforløbet i de ca. 20 uger fra 13 til 18 mdr. var næsten retlinjet. Yderst til højre i diagram #8 ser du fordelingen af førstegangskælvninger de seneste 60 uger. Endvidere viser en laktationstidsanalyse fordelingen af alder ved første kælvning i forhold til 15- måneders alderen. Heraf ser du, at ca. 10% kælvede ved ca. 23 mdr. (15 mdr.+30 uger), mens kurven begyndte en retlinjet stigning ved ca. 24 mdr (15 mdr.+36 uger). Ved ca. 26 måneders alder havde ca. 80% kælvet. Ganske få blev ca. 28 mdr. ved første kælvning. Såfremt du vil lave analyser af betydningen af alder ved kælvning for ydelse, fødselsforløb mv., så kan sidstnævnte analyser være nyttige som indledning. Men da fordelingen af kælvningsalder er et udtryk for reproduktionsarbejde fra sommeren 2013 og tidligere, så er nytten begrænset for rådgivning om reproduktion hos opdræt. Diagram #8 visualiserer altså fordelingen af kælvningsalder. Du kan i nøgle reproduktionsanalyser finde nøgletal, der angiver spredning (standardafvigelse) i kælvningsalder til at beskrive fordelingen. Dette vil ofte være fejlagtigt statistisk, fordi kælvningsalderen oftest vil være langt fra den normalfordeling, der er forudsætningen for at anvende standardafvigelsen. Ovennævnte metode giver dig detaljer, og i læreboger om basal statistik kan du læse om, hvorfor standardafvigelsen kan være misvisende. 17

18 Diagram #8. Grafisk beskrivelse af mønstre i inseminationer og førstegangskælvninger samt centrale nøgletal for reproduktion hos kvieopdræt i en malkekobesætning. Hvordan kan jeg beskrive registreringer fra klovbeskæring? (Under bearbejdning/anonymisering.) Analyse af reproduktion er kompliceret, men erfaringsgrundlaget og mængden af litteratur til hjælp er omfattende. Dette er ikke tilfældet omkring analyse af data vedr. klov-/lemmelidelser. En meget væsentlig grund til at disse data er komplicerede at analysere, er at de fremkommer ved et mix af tværsnitsundersøgelser (især fra klovbeskæringer, men det kan også være halthedsvurderinger ved velfærdsvurderinger ) og hændelsesdata som fx behandlede tilfælde af klovbrandbylder. Kompleksiteten og de hensyn, der skal tilgodeses, illustrerer jeg med en konkret analyse i det følgende, der også introducerer elementer af nogle tekniske forhold omkring brugen af HerdView. Nedenstående screendump i diagram #9 viser skærmbilledet i HerdView ved anvendelse af KLOVE.DEF, hvor du har valgt menuen Statistik og derefter Frekvens. Så ser du samtlige de klov-/lemmerelaterede hændelser, der forekom i det 60-ugers vindue, du arbejder med i HerdView. Antallet af hændelser er angivet efter hver tekst. Her fx 181 registreringer med Laminitis (markeres med symbolet L på livslinjer). Denne facilitet er nyttig som redskab til at få overblik over de foreliggende registreringer, herunder hvilken politik der anvendes ved klovbeskæring. Fx, om det er alle køer, der beskæres få gange, eller udvalgte grupper der beskæres mange gange gennem året. Viden om den valgte beskæringspolitik er afgørende for valg af metode til at gennemføre analyser. Du kan identificere alle køer i skærmbilledet. Således også særligt belastede køer med mange registreringer. 18

19 Diagram #9. Udsnit diagnoser anvendt i HerdView til analyse af data vedr. klove og lemmer hos køer en malkekobesætning. Derefter kan du med Frekvens i Statistik-menuen danne et søjlediagram, som vist i diagram #10 for Digital dermatitis (DD) markeret med symbolet d. Du kan vælge enten Antal (#) eller Procent (NB: P.t. er der en undersøgelse i gang for at vurdere, om der er fejl i denne procentberegning undlad derfor ar bruge procentberegning). Procent giver KUN mening, såfremt alle køer er blevet klovbeskåret, da procenttallet beregnes af alle køer, der var i besætningen på det pågældende tidspunkt. Såfremt alle køer er beskåret udtrykker Procent altså en PRÆVALENS (forekomst af diagnosen på et givent tidspunkt). Pga. HerdViews særlige konstruktion med et (1) symbol per uge vil en klovregistrering i samme uge som kælvningen forskubbes til den efterfølgende uge, som du kan se i flere tilfælde i eksemplet nedenfor. Når du vha. Frekvens danner søjlediagrammer, så kan skubningen medføre, at søjlen kan blive delt du skal i disse tilfælde manuelt addere de to søjler for at få den korrekte prævalens. Var du meget pedantisk, så kunne du i Rediger-menuen simpelthen slette køer med kælvninger i samme uge som klovbeskæringen. De foreliggende data viser ikke direkte, om diagnosen DD kommer fra klovbeskærer, fra ejer eller fra dyrlæge. Men da diagnoserne langt overvejende er samlet på ret få uger gennem perioden, så er stort set givet, at diagnoserne er stillet forbindelse med klovbeskæringerne, der ser ud til at foregå ca. kvartalsvis. Selv uden forhåndskendskab til besætningen, så vil alene dette mønster give dig betydelig indsigt i politik for klovpleje og registreringspolitik. 19

20 Diagram #10. Frekvensanalyse af forekomst af digital dermatitis blandt køer en malkekobesætning. Nedenfor viser diagram #11 en Laktationstidsanalyse, hvor søjlehøjden nederst viser sandsynligheden for første forekomst af DD på ethvert tidspunkt efter kælvning. Dette kan også kaldes en kumuleret incidensrisiko eller en lactational incidence risk. En styrke ved HerdView er, at du kan finde de køer, der indgår med et tilfælde som livslinier ovenfor. Livslinier er røde, indtil koen oplever et tilfælde af den valgte hændelse eller koen bliver udsat. I dette eksempel kommer søjlehøjden op på knap 40%. Dvs. ved 40% af kælvningerne forekommer et (1) eller flere tilfælde af DD. 20

21 Diagram #11. Tid-til-hændelseanalyse ( Laktationstidsanalyse ) af forekomst af digital dermatitis i relation til uger efter kælvning blandt køer en malkekobesætning. Du kan også bruge BEN_GRP.DEF. Denne version af definitionsfil vil lave en meget grov gruppering af de foreliggende registreringer. Groft sagt i horn- og hudrelaterede lidelser. Kun din fantasi sætter grænser for, hvilke grupperinger, du kan lave. Se på hvor metoden er gennemgået. Kort fortalt, brug Replace= som beskrevet på Definitionsfilen KLOVBESK.DEF kan du bruge til at få overblik over fordelingen af klovbeskæringer. Hvordan varierer goldperiodelængden? Da mælkeydelse i sagens natur er den helt dominerende indtægtskilde i mælkeproduktionen, er det selvfølgelig afgørende at beskrive og vurdere ydelsesprofilen gennem laktationen og i forskellige aldersgrupper (kælvningsnumre/pariteter) hos køerne ( laktationskurver ). En væsentlig komponent af ydelsesprofilen er goldperioden. Driftslederen beslutter sig til tidspunktet for goldning ud fra mere eller mindre eksakt viden om den forventede kælvningsdato. I besætninger med kunstig sædoverføring og systematisk drægtighedsundersøgelse er beslutningsgrundlaget meget sikkert i modsætning til (de få) besætninger med brug af tyr, hvor konceptionstidspunktet er usikkert. Selv med en helt konsistent politik for goldning (fx 7 uger før forventet kælvning) vil der dog fremkomme variation i goldperiodens faktiske længde, fordi der er tilfældig (uforudsigelig) variation i drægtighedens længde (standardafvigelsen er ca. 5 dage). Såfremt goldninger foretages for grupper af køer på bestemte ugedage (fx mandage), så vil antal uger mellem hver goldningsdag yderligere øge den tilfældige variation i goldperiodelængder. Derudover sker det ofte, at driftslederen vælger goldperiodelængde kospecifikt afhængig af fx koens dagsydelse, kælvningsnummer eller huld. Det er derfor en væsentlig opgave for rådgiveren at få indsigt i fordelingen af goldperiodelængder for at vurdere, om der foreligger en systematisk politik, og om 21

22 denne i givet fald er under ændring. For driftslederen kan det være nyttigt at få overblik over, hvorvidt planen for goldning rent faktisk bliver efterlevet. I de tre sidestillede screendump i diagram #12a nedenfor ser du for førstekalvs, andenkalvs og ældre visualiseringer af fordelinger af kælvninger hos køer, der har gennemført en laktation med ny kælvning (rødt symbol) og angivelse af foregående registrering af goldningsdato (markeret med a ) blandt køer i en malkekobesætning. Jeg spørger først: Hvor stor en andel af kælvninger har en foregående registrering af goldningsdato? Det fremgår rent visuelt af diagram #12a. Nu kan du så ved et øjekast se, at ca. 1/3 af kælvninger mangler forudgående registrering af goldningsdato. Det betyder så, at den mest nærliggende opgave er at få driftslederen til at registrere goldningsdatoer. Når disse registreringer er på plads, så er det måske umagen værd at kaste sig ud i mere avancerede analyser; fx som følgende. I de tre sidestillede screendump i diagram #12b nedenfor ser du analyser af tid fra goldning til efterfølgende kælvning ( 2. kælvning ) for anden, tredje og senere kælvninger i en besætning. De viste udsnit af de seneste livslinjer viser med rødt antal uger fra goldning til efterfølgende kælvning for de enkelte køer (anden kælvning til venstre, tredje kælvning i midten og senere kælvninger til højre). Disse goldperioder fremstår nu som røde bånd ned gennem diagrammerne. Alene en visuel vurdering af båndenes bredde og variation i bredden fortæller det meste af historien og tillader en identifikation af særligt afvigende enkeltkøer samt forekomst af evt. trend i goldningspolitik gennem perioden. Fx indikerer båndbredden, at goldperioderne var mest konstante forud for anden kælvning. Sene aborter eller meget høje ydelser ved goldning kunne manifestere sig med meget korte/ingen goldperioder. Søjlediagrammerne nederst giver desuden en sammenfatning, hvor du kan se minimum og maksimum antal ugers goldperiode samt et midtpunkt af fordelingerne. Såfremt der kun var tale om tilfældig variation skabt af naturlig variation i drægtighedens længde, så skulle variationsbredden være ca. 20 dage (4 gange standardafvigelsen (ca. 5 dage) på drægtighedens længde). Analysen i diagram #12b skal du i nærværende eksempel betragte med skepsis, fordi der jo mangler ca. registrering af golddatoer hos ca. en 1/3 af kælvningerne (se diagram #12a). Når den slags er tilfældet, så har du en potentiel fejlkilde (=bias i epidemiologisprog). Det kunne jo være, at driftslederen havde undladt at registrere golddatoer for de køer, som goldede meget sent (højtydende?). Et sådant spørgsmål kan du bore i vha. de dataopstillinger, der bliver beskrevet i andre afsnit i dette dokument. 22

23 Diagram #12a. Visualisering af fordelinger af kælvninger hos køer, der har gennemført en laktation med ny kælvning (rødt symbol) og angivelse af foregående registrering af goldningsdato (markeret med a ) blandt køer i en malkekobesætning. Diagram #12b. Visualisering af fordelinger af goldperiodelængder ved visning af enkeltkøer samt ved en tid-til-hændelseanalyse ( Laktationstidsanalyse ) af tid fra goldning til efterfølgende kælvning ( 2. kælvning ) blandt køer i en malkekobesætning. Samme data som i diagram #12a, men kun for køer hvor der er foretaget registrering af goldningsdato. 23

24 Fra ydelsestal til hændelser i en dynamisk population (-- under bearbejdning) Da ydelse måles på en intervalskala (kontinuert), er det naturligt at præsentere ydelsesdata i form af gennemsnit i tabeller eller i grafik. Sygdomme vil imidlertid ofte udtrykke sig ved ret betydelige fald i ydelse i kortere eller længere tid. Det er derfor relevant at identificere sådanne fald og præsentere dem på en måde, der er relevant for en dynamisk population. For at afgøre, om ydelsen er for lav på et givet tidspunkt, så er der behov for en metode, der beregner den (forventede) normale ydelse på et hvert tidspunkt, såfremt koen ikke var syg. Der er adskillige metoder til at udføre denne beregning. I HerdView er implementeret en metode beskrevet i 1994: (Disease effects on milk yield in dairy cows : development and reliability assessment of a simplified within herd and within test day approach for estimation - Kort fortalt, så omdanner metoden ydelsestal til hændelser, der udpeger ydelseskontroldatoer med tydelige ydelsesdrop samt systematiske ydelsesforskelle mellem køer. Formålet hermed er, at rådgiveren så kvalitativt kan relatere disse ydelsesmønstre til sygdom. Jeg planlægger effektivisering af ovennævnte princip for analyse af ydelsestal ved implementering af de principper, der er beskrevet af Krogh (2012), afsnit 3.5: Hvordan kan jeg beskrive registreringer fra yverbehandlinger og dyrkninger? (-- under bearbejdning) Her skal nok bare være et par screen-dump med BU-specifikke laktationstidsanalyser Og en henvisning til Line Svennesens speciale om dataflow (sammenfatning på vej til DVT), der giver indblik i de mange mulige fejlkilder. Fra celletal til hændelser i en dynamisk population (-- under bearbejdning) Analogt til omdannelsen af ydelsestal til hændelser jf. afsnit ovenfor, så er celletal omdannet til flere typer hændelser. Baggrunden herfor er beskrevet i detaljer i denne filpakke: Elementer fra konceptet er implementeret i den såkaldte Hitliste, der er beskrevet her: Konceptet adskiller sig fra andre celletalsanalyser ved at udpege køer med meget lave celletal som med stor sandsynlighed er BU-negative udover den mere traditionelle udpegning af køer med høje celletal. Sådan udpegning kan være nyttig ved valg af køer til patteforsegling uden samtidig antibiotikabehandling. Evt. også som grundlag for gruppering efter BU-status? 24

25 Beslutningsgrundlag for valg af udsætterkøer samt vurdering af besætningens ydelseskapacitet (-- under bearbejdning) I HerdView kan du også se nogle ydelsestal for hver enkelt ko baseret på ovennævnte princip for analyse af ydelsestal. Disse tal for koens ydelse kan anvendes i en diskussion af, hvorvidt koen er værd at beholde samt som en semikvalitativ indikation af omfanget af ydelsestab i forbindelse med sygdom. Se fx ovenfor i diagram #12, tredjenederste ko yderst til højre. Koens nummer er Derefter ser du et S, der betyder, at koen er SDM (DH). Det følgende symbol er _. Her ville du se symbolet K, såfremt koen var indkøbt. Nu følger tallet 42, der er et udtryk for koens ydelseskapacitet der er defineret som følger: Den gennemsnitlige dagydelse (EKM=Energi Korrigeret Mælk) i perioden 1-24 uger efter kælvning i tredje laktation, såfremt koen er rask. Dette tal er baseret på en specifik analyse af den konkrete besætning, hvorved det var muligt at beregne forskelle i ydelse mellem pariteter. Derfor er der også beregnet en forventet ydelse dækkende for tredje paritet, selvom koen er førstekalvs. Beregningerne er baseret på ydelsestal fra køer uden forventet betydende sygdomme (se nedenfor). Efter ydelseskapaciteten ser du tallet +4. Dette betyder, at den pågældende kos ydelseskapacitet ligger 4 kg over gennemsnittet. Det næste tal i rækken er 4. Dette tal er koens seneste kælvningsnummer (paritet). Sidste tal er 3, der også vedrører ydelse. Der er angivet et tal i denne kolonne, såfremt koen på et tidspunkt har oplevet et markant (statistisk signifikant) fald i ydelse. Efter datoen for dette fald er beregnet det gennemsnitlige ydelsestab per dag i forhold til perioden forud. (Evt. bruge bilag til Boologisk Selskabs seminar fra midt 90-ere JSP-medforfatter) Ydelsen kan i sagens natur være påvirket mere eller mindre varigt af sygdom som fx celletal og stofskiftelidelse. Når man ønsker at vurdere tabet som følge af sygdom eller koens fremtidige værdi, så er vigtigt at have et skøn over, hvilken ydelse der kunne opnås, såfremt koen var ubelastet af disse tilstande. Ved beregningen er køer med tegn på sygelige tilstande elimineret, og relationerne mellem alder samt laktationsstadium i den enkelte besætning er anvendt til at beregne en forventet (eller opnået) gennemsnitsydelse 1-24 uger efter kælvning hos tredjekalvs. For at skaffe en referenceramme for dette tal for ydelseskapacitet (defineret i 1992), er der lavet en omregningsformel mellem ydelse per årsko (som er vidt udbredt I DK) og HerdView-tallet. I Forskningsrapport nr. 24 fra Foulum (Østergaard et al. 1994) kan du finde på side 9 en formel, der kan omregne et HerdViews udtryk for ydelseskapacitet til ydelse per årsko ved formlen Korrigeret ydelse per årsko = 244* HerdView-tallet Øverst i HerdViews skærmvindue er dette tal angivet sammen med det antal køer, der indgik i beregningen ( Ykap(kg EKM):9705(N=353) ). Tal for ydelseskapacitet kan nu indgå i det danske system til optimering af en foderration. Her defineres ydelseskapaciteten som koens produktionskapacitet i et givet miljø. Altså et udtryk for en besætnings ydelseskapacitet, der er renset for virkning af reproduktion, udskiftning, sygdom og laktationsnummer. Dette er ikke tilfældet for det almindeligt anvendte udtryk for besætningsydelse: Ydelse per årsko. Hvordan beskriver jeg status blandt ungdyr? (-- under bearbejdning) Repro er vist Dødelighed (tid til død) 25

26 Registrede behandlinger Fødselsforløbsregistreringer Hvordan kan jeg beskrive og kvalitetssikre de mange foreliggende registreringer? (-- under bearbejdning) Henvise til ovenstående beskrivelse af kodefortegnelse vedr. repro, afgang, sygdomsbehandling mv. Henvise til mulighed for at designe egne grupperinger henvise til senere afsnit om DEF-filer Slå på behov for kalibrering GRUPPER.DEF skal indeholde alle de tilgængelige koder. Såfremt ny kode, så kommer der et symbol frem i oversigten Giv eksempel på, at registreringer fra flere kilder kan give symboler fra begge (fx aflivet fra dyrlægesystem og selvdød/aflivet fra Skejby) Hvordan kan jeg organisere analyser af de mange, mange data? (-- under bearbejdning) Hvor hyppigt skal jeg lave sådanne detailanalyser? Påstanden kan være, at det jo er håbløst langsommeligt at lave en gennemgang som vist ovenfor! Svar: Man kan jo bruge hvilket som helst redskab, når bare man får svar på de samme spørgsmål, som jeg stiller undervejs. Såfremt man systematisk undervejs ved ugebesøg o.lign. virkelig følger med i rutiner/registreringer, så vil datakvaliteten blive god, men der er dog behov for en gang imellem at kontrollere, om det er tilfældet. Måske halvårligt? Det er nærmest reglen, at der er store kvalitetsproblemer i de data, som mine studerende hvert år bringer hjem, så behovet er der. Jeg vil derfor påstå, at mange nøgletal ofte er beregnet og tolket på et meget problematisk grundlag. I så fald er selv den korte tid jo spildt! I værste fald er der givet forkerte råd, som vi så kan håbe bliver negligeret! Da det er en central opgave at identificere ændringer i mønstre i nøgletalsudviklingen over tid, og vinduet i HerdView viser 60 uger, så vil halvårlige analyser (grundige) sikkert være tilstrækkelig til at identificere ændringer. Den trænede bruger vil kunne gennemføre og tolke de mest betydende analyser (repro, udsætning og yver) sammen med driftsleder, så det behøver ikke at være hjemmearbejde. Vil du vide mere? (-- under bearbejdning) Link til Dortes, Mogens og Erlings ph.d.-er se Jeg kan/vil lægge flere link ind på VPR-indgangssiden Nice-paper Nannas speciale om kommunikation - link Evt. diverse notater fra FDU Principper for monitorering/benchmarking (-- under bearbejdning) Central kilde: Mogens Kroghs ph.d. se her: Nødvendighed af kalibrering evt. henvis til Königs speciale Huldvurderingsartikel fra

27 Henvis til repro-analyse brug/ikke brug af kode 60 vil påvirke reprotal markant derfor vigtigt at benchmark mod besætninger med samme registreringspolitik Sikrest er benchmarking inden for besætning Beregningstekniske forhold vedr. analyser af reproduktion i en dynamisk besætning (-- under bearbejdning) Det overordnede spørgsmål vedr. analyse/vurdering af reproduktionen i en besætning er: Hvor dygtige/effektive er man til at få køerne med kalv på det ønskede tidspunkt? Intuitivt kan det synes enkelt at besvare dette spørgsmål. Vi kan jo blot registrere, hvornår en ko har kælvet igen (beregne kælvningsintervallet) og vurdere dette tidspunkt i forhold til det ønskede (fx én kalv per ko per år ). Der er imidlertid flere problemer med den metode. For det første vil resultatet af arbejdet med at få koen drægtig først vise sig ca. 9 mdr. senere. Dermed er informationen ofte uaktuel for driftslederen, eller fejl kan have virket negativt i uacceptabel lang tid. For det andet er der også information at hente fra de køer, hvor det ikke lykkedes at opnå drægtighed - i epidemiologi kaldes dette for selektionsbias. For at reducere disse problemer med brug af kælvningsinterval er det oplagt at bruge tidspunkt for opnået drægtighed, som kan registreres med stor sikkerhed ned til ca. 30 dage efter insemination/løbning. Vi har imidlertid stadig et problem med, at der går for lang tid inden vi kan frembringe opgørelserne. Grunden er, at vi har behov for et vist antal køer for at foretage meningsfulde beregninger. Da der er usikkerhed i såvel identifikation af brunster som konception, så vil nogle køer komme ganske lang tid efter kælvning, før drægtighed er opnået. Fx anvendes ofte nøgletallet Procent drægtige af kælvede 150 dage efter kælvning. Flere køer i en gruppe af fx 10 kælvede kan sagtens være mere en 200 dage efter kælvning før tallet kan beregnes. Vi kunne også vælge at vurdere reproduktionen alene på basis af inseminationer, der jo er en betingelse for at opnå drægtighed. Såfremt vi ikke observerer brunst i perioden for den forventede efterfølgende brunst (18-24 dage efter insemination), er der en vis sandsynlighed for, at vi har opnået drægtighed. Diverse udtryk for ikke-omløbning er da også anvendt i mange år, men det er ikke usædvanligt, at en driftsleder opgiver at få en omløberko drægtig, hvorfor den kan fremstå som værende drægtig igen, selektionsbias. Sammenfattende har vi altså den situation, at driftslederen har behov for så hurtigt som muligt efter en given indsats til brunstovervågning og insemination at have et retvisende udtryk for virkningen (nøgletal) af denne indsats (i form af drægtighedsresultat). Grundlaget for at tilvejebringe retvisende nøgletal er registreringer, der fremkommer fortløbende gennem laktationen. For nogle køer i en gruppe har vi måske komplet viden, mens vi for andre kun ved, at de kan være i brunst. Opgaven er nu at udnytte alle informationer så effektivt som muligt. Censurering Diagram #13 skal demonstrere betydningen af forskellige informationsmængder og beregningsmetoder. Du ser tre laktationstidsanalyse af tid til drægtighed baseret på de samme køer. Yderst til venstre har vi anvendt driftslederen indberetninger af de datoer, hvor man har opgivet at få koen drægtig. Jeg har nu i reproduktionsmæssig henseende betragtet koen som udsat fra reproduktion. I det midterste eksempel har jeg ikke anvendt datoen for udsat fra reproduktion. Koen indgår nu i beregningerne indtil den rent faktisk forlader besætningen. I analysen yderst til højre indgår alle de kælvede køer i beregningen, indtil opgørelsesperioden slutter; også selvom de 27

28 er blevet udsat inden da. Du kan se disse forskelle i beregningsforudsætninger ved at betragte nogle af de øverste vandrette røde søjler i de tre skærmbilleder. Muligheden for at få indblik i beregningsforudsætninger blev indbygget i HerdView-programmet for at øge gennemsigtighed og forståelse. Såfremt du nu aflæste nøgletallet Procent drægtige ved 150 dage (ca. 21 uger) af de tre kurver, så ville der være ca. 10 %-enheder i forskel mellem de tre tal. For alle tre analyser gælder, at informationer fra alle kælvninger indgår indtil periodens ophør. Metoden med at ekskludere køer, der er udsat fra reproduktion eller fra besætningen, samt inkludere køer med ufuldstændige informationer kaldes censurering. Beregningsprincippet for laktationstidsanalyser og brugen af censurering er beskrevet i detaljer af Thysen & Hindhede (1985): samt Thysen (1988): Havde vi stillet krav om, at alle kælvede skulle have været observeret indtil fx 200 dage efter kælvning, så ville resultatet sandsynligvis have været anderledes, men i hvert fald have været mindre aktuelt. Eksemplet i diagram #13 illustrerer, at benchmarking kan være problematisk, såfremt datagrundlaget er forskelligt (fx med og uden oplysning om udsat fra reproduktion ). Ønsker man at anvende data fra mange besætninger til benchmarking, så vil det derfor være hensigtsmæssigt at arbejde ud fra mindste fællesnævner. 28

29 Diagram #13. Illustration af betydningen af forskelligt datagrundlag for Tid-til-hændelse analyse af registreringer af tidspunkter for erklæret drægtighed blandt køer i en malkekobesætning. Yderst til venstre er inkluderet oplysning om ophør af brunstovervågning ( kode 60 ). I midterste analyse er kode 60 ikke anvendt, men oplysning om slagtetidspunkt er anvendt. Yderst til højre er slagtetidspunkt heller ikke anvendt. Start ikælvning Eksemplet ovenfor vedr. betydning af censurering illustrerer betydningen af at inkludere informationer om driftslederens beslutninger. Det kan være ret enkelt at skaffe information tidspunkt for udsat fra reproduktion, hvilket da også er systematiseret i DYREREGISTRERING ( kode 60 ). Indsamling af information om det tidspunkt, hvor insemination ønskes påbegyndt, er imidlertid ikke systematiseret. Det er sandsynligvis også en mere kompliceret beslutning, da egenskaber hos de enkelte køer kan have betydning (fx ydelsesniveau, sygdom og genetik). Thysen & Hindhede (1985) ( introducerede en metode til bestemme et tidspunkt for start af ikælvning, der ville være dækkende for gruppen af køer som helhed. Metoden er på en akkumuleret kurve med % inseminerede efter kælvning, som vist i diagram #14, at aflæse det antal dage efter kælvning, hvor kurven starter et retlinjet forløb (jf. reproduktionsafsnit ovenfor). Thysen & Hindhede (1985) anvendte 10%, i HerdView er anvendt 5%. I de videre beregninger kan man så med rimelighed antage, at det retlinjede forløb er det opnåelige i besætningen med den anvendte indsats. Det er tydeligt, at kurveforløbet flader ud på et tidspunkt. Det vil vi oftest også se, selvom driftslederen indberetter udsat fra reproduktion. Dette mønster skyldes sandsynligvis, at der er tale om en restgruppe med meget svage brunsttegn. Det kan fx være anøstrale køer, der er kommet i brunstcyklus. 29

30 Diagram #14. Tid-til-hændelse for registreringer af inseminationstidspunkter blandt køer i en malkekobesætning. Inseminerings- og drægtighedsprocent Svagheden i nøgletal udledt af laktationstidsanalysen er som nævnt ovenfor, at informationen kan være uaktuel for den allerseneste udvikling. Driftslederen bør være meget fokuseret på her-og-nu situationen. Der er derfor behov for mere rettidige nøgletal og håndtering af tilfældige udsving. De såkaldte Repro-kurver i HerdView (se eksempler i diagrammerne 7 og 8) er udviklet til dette formål (Thysen & Enevoldsen, 1994): Princippet for beregning af insemineringsprocent er, at der for hver uge optælles det antal køer, der kan være brunstige. Forudsætningerne for at antage brunst er, at køerne er efter tidspunktet for Start ikælvning, ikke er Udsat fra reproduktion, ikke er drægtige, og at der er cyklus hver tredje uge for disse køer. For hver uge optælles så antal inseminationer. Nu kan insemineringsprocenten beregnes for den pågældende uge som 100*antal inseminationer/antal (teoretiske) brunstcyklusser. Da beregning på ugebasis kan give store udsving pga. få dyr, så foretager programmet en udjævning ( filtrering ), der kan betragtes som en art rullende gennemsnit. Ved udjævningen lægges der mest vægt på de seneste informationer. Og ændringer i kurveforløb sker kun, såfremt der 1) er betydende forskelle (mere eller mindre arbitrært valgt) i den seneste uges resultat sammenlignet med foregående uger, og 2) antal dyr er tilstrækkeligt (kan betragtes som en art statistiske signifikanstest). Punktet yderst til højre på søjlediagrammet kan betragtes som det bedste bud på insemineringsprocenten i den efterfølgende uge (en art prædiktion/ forecast ). Beregningsmetoden betyder også, at såfremt der i en uge IKKE er potentielt brunstige dyr (kunne forekomme i en lille besætning), så vil kurven (prædiktionen) ikke ændre sig. Havde man vist det aktuelle tal for denne uge, så ville det være et nul. Yderligere betyder metoden, at man ikke kan betragte kurven som et gennemsnit, fordi der kan være perioder med mange dyr, som ville vægte tungt i et gennemsnit, men som ikke nødvendigvis flytter meget på prædiktionen. Omvendt, kurveforløbet kan ligge højt (konstant) i en periode med få dyr. Den periode vil bidrage meget lidt til et gennemsnit for hele perioden. Udover at give bedste bud på den helt aktuelle status, så er det mønstret i kurveforløbet, der er vigtigt, da det kan udpege evt. svigt i driftsledelsen eller køernes reproduktionsevne. En tilsvarende metode til dæmpe udsving i kurveforløb, når datagrundlaget er svagt, er ikke indarbejdet i de såkaldte Laktationstidsanalyser, jf. eksemplet vedr. udsætning ovenfor (diagram #3). Princippet beregning af drægtighedsprocent er analogt til princippet for beregning af insemineringsprocent. For hver uge optælles det antal køer, der kan blive konstateret drægtige. Køer Udsat fra reproduktion indgår ikke. Såfremt der mangler oplysning fra drægtighedsundersøgelse, anvendes for inseminationer senere end den senest observerede drægtighedsundersøgelse et skøn som beskrevet af Thysen & Enevoldsen (1994), og perioder med anvendelse af skønnet drægtighed er markeret med gråtonede søjler. 30

31 Tidspunktet for Start ikælvning er bestemt ud fra alle førstegangsinseminationer hos køerne på tværs af pariteter. Såfremt der er en markant forskellig politik for første løbning mellem pariteter (fx ønske om forlænget laktation hos førstekalvs), så vil det kunne påvirke forløb af reprokurver. Sådanne forskelle i reproduktionspolitik vil dog nemt aflæses af hændelsesmønstre i HerdViews hændelsesmønster jf. ovenstående. Brug/ikke brug af koder for Udsat fra reproduktion vil også kunne påvirke forløbet. Sporadisk brug af tyr vil også påvirke drægtighedsprocent opad. Flere detaljer om analyse af reproduktion, med særlig fokus på benchmarking, er angivet her: Datagrundlaget for at vurdere forekomsten af aborter er typisk ganske utilstrækkeligt i danske besætninger. Følgende link giver metoder til besætninger med solidt datagrundlag: På LandbrugsInfo er der en rapport, der præsenterer yderligere detaljer vedr. abortdiagnostik. Litteratur (detaljer om referencer, du ikke kan se i link) Thysen, I. & Hindhede, J Malkekoens reproduktion i forskellige staldsystemer. Kap. 7 (siderne ) i 588. Beretning fra Statens Husdyrbrugsforsøg (red. Vagn Østergaard), København Manual til analyseprogrammet HerdView Installation af analyseprogrammet HerdView og krav til computer En detaljeret beskrivelse af brugen HerdView-programmet til analyse af en malkekvægbesætning findes på HerdView-hjemmesiden (opdateret oktober 2014). Undlad at bruge det HerdView-program, der kan findes på denne hjemmeside. Den seneste version af HerdView-programmet kan hentes sammen med hjælpefiler, vejledninger mv. og datafiler fra en konkret besætning via Adgang til denne hjemmeside kræver adgangskode, som kan rekvireres af kvægdyrlæger ved -henvendelse til Carsten Enevoldsen, ce@sund.ku.dk. Det gælder generelt, at programmet virker uden videre og helt tilfredsstillende på computere med Windows2000 eller XP det virker dog også på alle foregående Windows-styresystemer, men især grafikken efter overførsel til fx Word er noget utilfredsstillende ved Windows 98 og lavere. Programmet virker også problemfrit på Windows 7, såfremt der er tale om en såkaldt 32-bit version, men ikke med 64-bit versionen, hvilket vil vise sig ved forsøg på at afvikle programmet. Den ideelle løsning for 64-bit er at installere en såkaldt Virtuel XP eller Windows XP Mode som kan ske herfra: Tilsyneladende virker Virtuel XP ikke med Home edition af Windows. Vha. programmet VMware Fusion kan du på MAC installere Windows-styresystemet (Windows 7 Professional 32-bit version), hvorfra du kan afvikle HV samt endvidere programmet DYREREGISTRERING. En hurtigere løsning er at installere DOSBox - Latest version: 0.74: I denne installation vil dataindlæsning og afvikling nok være langsommere, og du vil mangle nogle faciliteter omkring overførsel af grafer til fx Word. Bemærk, da HerdView ikke stiller særlige krav til grafik mv., vil programmet kunne afvikles på en gammel laptop/pc. Efter login på (efterfølgende benævnt VPR ) skal du vælge besætning. Her antager vi, at besætningen er oprettet, og aktuelle data er trukket ud fra Kvægdatabasen vha. DYREREGISTRERING og uploadet til VPR. Vejledninger til denne proces er angivet på VPR ved de relevante menuer. Du klikker nu på den lille pil ved menupunktet Udtræk data. Nu kommer en rullemenu, hvor du i menuen vælger HerdView-pakke. Der skal nu fremkomme en tekst, der beskriver indholdet i den pakke af filer, du kan bestille. Du kan også se link til den vejledning, 31

32 som du læser nu. Klik nu på Send. Efter få sekunder fremkommer en tabel under titlen Batchanalyser, hvor der øverst efter en tid (få sekunder til måske et minut) vil stå en tekst som følgende: Siden opdateres automatisk ca. hvert 10. sekund Analyse Bestilt Type Status HerdView_filer 04FEB09:05:47:34 zip Vis Herefter skal du højreklikke på Vis og vælge Gem som på den fremkomne menu. Du skal herefter vælge en placering af HerdView-pakken på din egen PC. Vælg en placering i en mappe, der er tæt på toppen i mappe-hierarkiet. Fx C:\HerdView. Gem pakken. Den vil have et navn som fx xxxxxherdview_03feb09.zip, hvor xxxxx er erstattet med besætningens CHR-nr. Gå nu til mappen med den netop gemte filpakke. Klik på fil-navnet. I de fleste PC-opsætninger vil du nu få mulighed for at udpakke filerne. De vil som regel blive gemt i en nydannet mappe, der har samme navn som filpakken; i eksemplet ovenfor altså xxxxxherdview_03feb09. Dannes der ikke en sådan mappe, så skal du ændre opsætning af din PC, således at det sker. I Windows XP vil følgende fremgangsmåde give det ønskede resultat (engelsk version): Højreklik på navnet for filpakken, vælg menupunktet Open with, vælg Compressed (zipped) Folders. Nu ser du indholdet af filpakken. Yderst til venstre kan du nu vælge Extract all files. Nu dukker en Extraction Wizard op, som du følger slavisk. Såfremt du har valgt Show extracted files, vil du automatisk blive placeret i den nu udpakkede mappe med alle de nødvendige filer. I Windows 7 skal du vælge Udpak alle, når du højreklikker på navnet for zip-filen. I den nydannede mappe finder du frem til en fil med navnet HV137.EXE. Muligvis er navnet angivet uden efternavn, altså blot med HV137. Klik på denne fil. Muligvis vil dit antivirusprogram reagere på denne operation ved fx at meddele Security Warning. Du kan imidlertid være sikker på, at der ikke er tale om en virus, hvorfor du med sindsro kan klikke på Run. Som nævnt ovenfor er den videre brug af programmet i hovedtrækkene beskrevet her: Du ser her mange detaljer vedr. praktisk brug af programmet samt noget om tolkning af diverse output. Som supplement ser du nedenfor en kort teknisk orienteret brugsvejledning nedenfor. Start af HerdView Efter klik på HV137 i fillisten åbnes et vindue på skærmen. På bjælken i toppen af vinduet skal stå den fulde beskrivelse af drev, mappe og filnavn. Fx C:\HerdView\xxxxxH~1\HV137.EXE. Den sære forkortelse af mappenavnet med ~ skyldes, at programmet kun kan operere med 8 karakterer i fil- og mappenavne. Klik nu på menu-punktet Filer på bjælken øverst. På nogle computere virker musen ikke. I så tilfælde skal du trykke på funktionstasten F10, der normalt findes øverst på tastaturet. Nu bliver menu punktet Filer grønt. Tast enter. På en såkaldt rullemenu får du nu nogle valgmuligheder. Vælg Definitioner. Det er VIGTIGT, at dette ALTID gøres først! Fra en liste af navne vælger du indledningsvis GRUPPER.DEF ( DEF =definition). Klik på Open. I boksen under Valg skal der nu stå GRUPPER.DEF. Såfremt musen ikke virker, så skal du bruge Tab-tasten til at hoppe fra valgmulighed til valgmulighed. Den aktive komponent vil være med hvid tekst. 32

33 Efter korrekt valg af DEF-fil ser du navnet GRUPPER.DEF i nederste højre hjørne af HerdView-vinduet. Der SKAL stå et navn på en DEF-fil på dette sted. Det er den hyppigste begynderfejl, at denne proces ikke forløber korrekt. Nu vælger du igen menu-punktet Filer, hvor du vælger Data. I en boks med titlen Hent data ser du en liste med en række filnavne, der alle ender på HVD. Disse er datafiler. Medmindre du har valgt DEF-filen med navnet UNGDYR.DEF, så skal du nu vælge en HVD-fil med et navn, der starter med LAK. Data er opdelt i førstekalvs (LAK1_..), andenkalvs (LAK2_...) og ældre (LAK3_...). Du skal sikre dig, at filnavnet indeholder CHR-nummer for den besætning, du vil studere. Vælg nu én af disse, hvorefter programmet er klar til at analysere data, som det er beskrevet i detaljer på BEMÆRK, at navnet på datafilen nu skal være anført på den nederste bjælke i programvinduet. Bemærk, at andre udbydere af datafiler kan bruge andre navngivninger af datafiler. Her er jeg lidt ked af, at du 'tvinges' til at operere med 3 data-filer selv i mindre besætninger under 250 køer. Hidtil har disse været samlet under et, og brugerne har selv kunnet bestemme hvilke pariteter, han/hun ville operere med. Mange hændelser kræver opdelingen i 3 grupper, men hændelser med lave forekomster kan sagtens vises med en graf (sparer plads i dokumentet) og fordeling kan beskrives under kommentar til HV-grafen. Såfremt der er behov for at analysere data vedr. opdræt (kalve/kvier), så skal du indledningsvis vælge en DEF-fil ved navn UNGDYR.DEF. Herefter vælger du fx en datafil, hvor navnet starter med én af følgende: KALV1-KALV3, UNGKVIE eller GAMKVIE. Bemærk, der ikke er noget til hinder for at have flere vinduer med HerdView åbne samtidigt. Såfremt du har en bred skærm, så kan det være meget hensigtsmæssigt at placere 3 åbne programvinduer side om side, så du fx kan sammenligne kurveforløb i 3 pariteter visuelt. Særligt ved redigering af data Når du arbejder med besætninger, der er så store, at du får flere datafiler (typen.hvd ), så skal du være opmærksom på følgende for datafiler for anden og senere pariteter: Vil du fx have en analyse for tredjekalvs alene, så skal du slette de øvrige pariteter via menuen Rediger. Her vælger du menupunktet Paritet. Vha. Delete eller museklik skal du så vælge 1, 2 samt alle større end 3. Tilbage har du så 3 med sort bogstavsfarve, mens resten er blå. Tilbage på skærmen er der nu kun hændelse for tredje paritet. Dette aspekt kan især have betydning for dannelse af de såkaldte reprokurver, se ovenfor. Særligt ved analyse af tværsnitsdata (fx klovbeskæringer) HerdView blev oprindelig designet til at analysere forekomst af hændelser, der forekommer med variable mellemrum gennem dyrets levetid ( incidens-/hændelsesdata eller events ). Til dette formål fungerer det fint, at HerdView-designet kun giver plads til en enkelt hændelse i hver uge. Vi har imidlertid også behov for at beskrive forekomst af registreringer frembragt ved undersøgelse af mange køer på en enkelt dag, som vi fx gør ved ydelseskontrol og ved klovbeskæring ( prævalens- eller tværsnitsdata ). Ved disse data ønsker vi at danne søjlediagrammer ved disse undersøgelsesdatoer. For at undgå at andre hændelser i samme uge skubber fx klovbeskæringsregistreringer frem i tiden er det nødvendigt at slette hændelser, som forekommer i samme uge. Dette kan gøres vha. menuen Rediger og vælge menupunktet Hændelse. Du kan nu slette alle de hændelser, der er irrelevante for din analyse. Vil du fx blot se, hvordan køer bliver klovbeskåret, så beholder du kun hændelserne Kælvning, Afgang og Klovbeskæring. Ved valg af menupunktet Frekvens under hovedpunktet Statistik, vil du få søjler (antal eller procent køer beskåret) på de dage, hvor der er klovbeskåret. Der er ovenfor i nærværende dokument en særskilt 33

34 vejledning til analyse af klovbeskæringsdata med HerdView, fordi disse data er specielt komplicerede med deres blanding af sporadiske behandlinger og systematiske klovbeskæringer med mange køer per dag. Overførsel af HerdView-analyser til Word Metoden til at printe direkte fra HerdView er beskrevet på Bemærk, at man skal afslutte programmet, før print-filen dannes. Den bedste metode til at få output i en form, der ligner skærmbilledet, er dog flg. (som dog ikke virker i DOSBOX-versionen): Klik i HerdView-vinduets øverste venstre hjørne, hvor drev-bogstavet for programmets placering er anført. Fx C:\. Nu får du en menu, hvor du vælger Rediger. Herefter vælger du Marker. Du skal nu placere musen i det øverste venstre hjørne af den del af skærmbilledet, du ønsker overført til Word. Venstre museknap holdes nede. Og musen trækkes ned til nederste højre hjørne af det parti, du ønsker overført. Herefter tastes Enter. Alternativt vælger du Kopier ved at bruge musen i menuen helt oppe i øverste venstre hjørne af HerdView-vinduet. Nu er det valgte skærmparti overført til Klippebordet på PC-en. Herefter åbner du et tomt Worddokument eller tilsvarende program til tekstbehandling. Her holder du tasten Kontrol nede, og du taster V, eller du vælger Sæt ind ( Paste ) under menupunktet Rediger. Du kan også højreklikke på musen og derefter vælge Sæt ind. Nu indsættes skærmbilledet i Word. Det er dog sandsynligt, at teksten fremtræder som kaos. Dette afhjælpes ved at markere hele dokumentet (hold Kontrol nede og tast A ). Du ændrer nu skrifttypen til Courier New, og skriftstørrelsen sætter du til 9 punkt. Der er andre metoder til at få HerdView-output til Word, men disse er mindre hensigtsmæssige. Eksempler er vist senere i dette dokument, hvor der er også angivet metoder til at indstille redigeringsfaciliteter. Koder og definitioner i HerdView s definitionsfiler Med HerdView har du meget stor frihed til at designe dine helt egne analyser samt grupperinger af hændelser. HerdView s præsentation af hændelser defineres vha. de såkaldte definitionsfiler. Disse filer giver samtidig mulighed for en fuldstændig fleksibel gruppering af enkelthændelser. Opbygningen af og redigering i definitionsfilerne er beskrevet i detaljer på HerdView-hjemmesiden på Definitionsfiler skal redigeres med en teksteditor som fx Notepad. Brug af et egentligt tekstbehandlingsprogram som fx Word kan give utilsigtede virkninger, fordi der kan blive inkluderet skjulte koder. Skjulte koder kan også give utilsigtede virkninger, såfremt du kopierer tekst ind fra fx Word til en teksteditor. Sørg derfor, at du arbejder med helt ordinær tekst. I forhold til tidligere versioner af HerdView-pakken er der nu dannet betydelig flere DEF-filer, da det er hurtigere at indlæse en ny DEF-fil, end det er at redigere i data med HerdViews redigeringsfunktion. Desuden er det meget hensigtsmæssigt at starte HerdView for hver laktationsgruppe, hvilket letter sammenligning. I nedenstående liste ser du navne på og formål med de DEF-filer, der foreligger i HerdView-pakken : BEN_DIA.DEF viser alle de diagnosekoder, der foreligger vedr. lemmer (BEN) BEN_GRP.DEF viser grupperede diagnosekoder, der foreligger vedr. lemmer CT_AKUT.DEF viser score for akut forhøjet celletal (CT) som en hændelse CT_KRON.DEF viser score for kronisk forhøjet celletal (CT) som en hændelse 34

35 DYNAMIK.DEF viser ind- og afgange (fx diagram #?) FORD_MET.DEF viser diagnoser vedr. fordøjelses/metaboliske lidelser GRUPPER.DEF viser diagnoser i hovedgrupper INF_RISK.DEF viser score for infektionsrisiko KLOVBESK.DEF viser diagnoser fra klovbeskæring REP_EFF1.DEF reproduktionseffektivitet med inklusion af kode 60 REP_EFF2.DEF reproduktionseffektivitet uden inklusion af kode 60 REPRODIA.DEF viser diagnoser vedr. reproduktion RESTEN.DEF viser diagnoser vedr. resten udover øvrige DEF-filer UD_KODER.DEF viser koder vedr. afgange (slagtning, export mv.) UNG_REP.DEF viser reproduktionseffektivitet vedr. kvieopdræt (IKKE til køer) UNGDYR.DEF viser diagnoser vedr. kalve, tyre og kvier (IKKE til køer) YDFALD.DEF viser symboler for markant ydelsesfald i forhold til forventet ydelse YDVARIAT.DEF viser ydelse omregnet til afvigelse fra forventet YVERBEH.DEF viser yverbehandlinger YVERDIA.DEF viser diagnoser vedr. yverbehandling inkl. evt. dyrkninger Efterfølgende gennemgår jeg kort den biologiske og tekniske definition af de hændelser, der ikke repræsenterer faktiske registreringer. Fx er sygdomsdiagnosen venstresidig løbedrejning en faktisk hændelse, mens Akut celletal er en hændelse, der er defineret ud fra et celletalsforløb. Overskrifterne på de følgende afsnit er udklip af de pågældende linjer i definitionsfilen GRUPPER.DEF. Det første tal i linien er den kodeværdi, der er tilknyttet den pågældende hændelse i input-data. Fx er tallet 11 koden for Akut yverbetændelse. Det næste tal er en såkaldt ASCIIkode, der i HerdView oversættes til et bestemt symbol. Fx vil talværdien 89, der er tilknyttet hændelseskoden 11 (Akut yverbetændelse) blive oversat til et Y for Yverbehandling. Du kan fx finde ASCII-talkoden for et givet bogstav på link: Er det rigtigt? - mener, at kode 11 er 'alm. yb' og kode 15 er 'akut yb'? Du kan opleve at se spørgsmålstegn i skærmbilledet. Det sker, når data i udtrækket fra Kvægdatabasen indeholder koder, som ikke er defineret i DEF-filen. Fænomenet vil forekomme, såfremt der fx bliver oprettet en ny sygdomskode. Den nye diagnose skal defineres og tilføjes et symbol ved redigering i DEF-filen 'Akut yd.fald' I programmet, der danner input til HerdView laves besætningslaktationskurver baseret på data fra kurante køer (se nærmere om dette ovenfor). Disse er køer uden sygdomsbehandling og fødselsproblemer samt med lave celletal. Laktationskurverne er herefter anvendt til at beregne en ydelse for de enkelte køer, som den ville være, såfremt koen var kurant. Derefter er forskellen mellem den forventede og den aktuelle ydelse beregnet. Såfremt denne ydelse for første gang er mindre end den forventede ydelse minus 1,65 gange spredningen på den forventede dagsydelse, så angives den pågældende ydelseskontrol som Akut yd.fald. Denne forskel kan herefter betegnes som statistisk signifikant på 10%-niveauet (eensidig test) 'Yd.diff <- -9', 'Yd.diff -5 til -8', 'Yd.diff -4 til +4' og 'Yd.diff +5 ->' Disse hændelser er ligeledes baseret på afvigelser fra den forventede ydelse hos de enkelte køer (såfremt de var kurante). Bemærk her, at den aktuelle ydelse altså også kan ligge over den forventede ydelse. 35

36 'Afgang, ufriv.' En udsætning gives hændelseskoden Afgang, ufriv. ( ufrivillig afgang ), såfremt følgende kriterier er opfyldte: Selvdød/aflivet eller ydelsen før udsætning var under forventet (for kurante køer) minus 1,65 gange spredningen på den forventede ydelse. Dvs. samtidig havde hændelsen akut ydelsesfald jvf. ovenfor 'Akut celletal' Denne beregnede hændelse er baseret på en såkaldt Hitliste (link ovenfor), der primært er baseret på celletal til at rangere køerne yversundhedsmæssigt (se detaljer ovenfor). På Hitlisten findes en kontinuert og nomalfordelt scoreværdi for akut celletal. Herved forstås, at stigende scoreværdi fra minimum (sjældent under -3) til maksimum (sjældent over 3) udtrykker stigende tendens til, at celletallet pludseligt er steget. Gennemsnittet for scoreværdien er nul (0). Denne kontinuerte score for akut mastitis (celletal) er omdannet til en hændelse ved at definere Akut celletal som akutscores over eller lig med 1,0. scoreværdi 'Kronisk celletal' Denne hændelse er analog til Akut celletal, idet en kontinuert score for Kronisk celletal er omdannet til hændelsen Kronisk celletal, der er defineret som kronisk score over eller lig med 1, 'Inficeret' Denne hændelse er også afledt af en score på Hitlisten. Her er beregnet en sandsynlighed for at påvise mastitisbakterier ved en enkeltkirtelprøve. Såfremt denne sandsynlighed er på 50% eller derover, så fremkommer hændelsen Inficeret i HerdView 'Patogen fri' Denne hændelse er ligeledes afledt af en score på Hitlisten. Her er beregnet en sandsynlighed for at koen er fri for væsentlige mastitisbakterier ( major pathogens ) ved en enkeltkirtelprøve. Såfremt denne sandsynlighed er på 90% eller derover, så fremkommer hændelsen Patogen fri i HerdView. 36

37 Diverse vedr. opsætning af program og output til print Resultat ved brug af Ctrl + Alt + PrintScrn når HerdView er aktiv. Derefter skiftes til et åbent Word-dokument, hvor der er tastet Ctrl + V 37

38 Resultat ved brug af Ctrl + PrintScrn når HerdView er aktiv OG den anvendes i Fuld Skærm (Full Screen) tilstand. Derefter anvendes Alt + Tab for at komme ud af Fuld Skærm tilstand. I et åbent Word-dokument, tastes herefter Ctrl + V HUSK, der skal anvendes en skrifttype som fx Courier. I Windows95 skal man sandsynligvis anvende Alt + PrintScrn Filer Rediger Statistik Udskriv Hjælp 09:00:21 XXXXX YKTR_dato: JAJensen 1 *--.¹ ==.¹===.¹===+.--.¹---.¹--.¹ , X_ *-.¹- =9\¹z} 1763X_ *----.¹=.¹KK=.¹==.¹==.¹==.¹o==o.¹z 1808X_ Y*---.==.====.===.===.===9\z} 1806S_ *----.C!o:!=.!o=.!==.!oY.C^!o.^!z 1676S_ *Y--o. o.==== !----.!---.!--.!- 1787S_ *i.¹-.¹=o=.¹+-.¹--.¹--.¹----:¹---.¹--.¹- 1783X_ *3.¹--.¹o=.¹?=.¹M=.o=o.!====.!z 1760X_ *.---.¹=o.?==o.¹Y.===.=o===.=z 1802S_ *---.¹ o=.?=o.=o= ! !- 1780S_ * ¹--.¹--.¹--.¹----.¹---.¹--.¹- 1813X_ *DA$} 1772X_.. 1. *Y-.C! =.^!=.o=+.!y-6!----.!---.¹ X_ *--.¹ =.¹ !--.!- 1797S_ *---.¹ =.¹=o.¹o===.¹o=o.¹==.¹= 1824X_ *-.C!.^! ¹--.¹- 1822X_ *YA.C!.==.=o===.= o=.!o=.c! 1827X_ *^.-- o.c!y.r Y6\!z} 1833S_ *----.¹ o.¹o=o=.¹==o.¹==:== 1829X_ *---.¹ =o.¹+--.c!--.!--.!- 1861X_ *YA9\C! 6!===9!z} 1766S_ YA*3Y.¹ =======z 1845X_ *.¹--.¹+--.¹---.¹--.¹- 1856X_ *.C^!Y.^!o6\^!+.! X_ *md6\¹.o==.¹o=o.¹==.¹= 1864X_ *DY--.¹ o=o.¹+--.¹--.¹- 1839X_ *DYz} 1840X_.. 1. *--.- ===.o=o=.=o=.== 1761S_ *.--- o.¹===.¹ o.¹= 1825X_ *----o.¹=o=.¹==.¹= 1828X_ *-----.C!=.!o=o.! 1811S_ *D3F$} 1872X_.. 1. *---. =+-.¹ S_ *V-Y9\¹ z} 1873X_ Feb-Mar-Apr-Maj--Jun-Jul--Aug-Sep-Okt--Nov-Dec-Jan--Feb-Mar 2001 Ugentlig forekomst af Kælvning 1-10 # Paritet: 1-2 _ _ _ _ _ _ _ _ -Feb-Mar-Apr-Maj--Jun-Jul--Aug-Sep-Okt--Nov-Dec-Jan--Feb-Mar 2001 F7 Afslut F10 Funktioner Data: KO01MA~1.HV Def: SYMBOL.DEF 38

39 Resultat ved brug af HerdViews Print-menu. Husk, at her skal først bestemmes Destination. Derefter vælges Print. Endelig HUSK, at filen først udskrives, når HerdView afsluttes. I dette eksempel er filen indlæst i Word vha. Indsæt-menuen. Det største problem med denne metode er, at symbolerne ændres i forhold til PC-programmet HerdView XXXXX YKTR_dato: JAJ Page Ugentlig forekomst af K lvning # * * - 4 Paritet: 1 * * * * ** * ** ** * * * * * *** - 2 * ** ** **** * * **** *** ** ***** *** -Feb-Mar-Apr-Maj--Jun-Jul--Aug-Sep-Okt--Nov-Dec-Jan--Feb-Mar Feb-Mar-Apr-Maj--Jun-Jul--Aug-Sep-Okt--Nov-Dec-Jan--Feb-Mar K lvning *--.û ==.û===.û===+.--.û---.û--.û , X_ *-.û- =9\ûz}³ 1763X_ *----.û=.ûkk=.û==.û==.û==.ûo==o.ûz³ 1808X_ Y*---.==.====.===.===.===9\z}³ 1806S_ *----.C!o:!=ö.!o=.!==ö.!oY.C^!o.^!z³ 1676S_ *Y--o. o.==== !----.!---.!--.!- 1787S_ *i.û-.û=o=.û+-.û--.û--.û----:û---.û--.û- 1783X_ *3.û--.ûo=.û?=.ûM=.o=o.!====.!z³ 1760X_ *.---.û=o.?==o.ûy.===.=o===.=z³ 1802S_ *---.û o=.?=o.=o= ! !- 1780S_ * û--.û--.û--.û----.û---.û--.û- 1813X_ *DA$}³ 1772X_.. 1. *Y-.C! =.^!=.o=+.!y-6!----.!---.û X_ *--.û =.û !--.!- 1797S_ *---.û =.û=o.ûo===.ûo=o.û==.û= 1824X_ *-.C!.^! û--.û- 1822X_ *YA.C!.==.=o===.=öo=.!o=.C! 1827X_ *^.-- o.c!y.röy6\!z}³ 1833S_ *----.û o.ûo=o=.û==o.û==:== 1829X_ *---.û =o.û+--.c!--.!--.!- 1861X_ *YA9\C! 6!===9!z}³ 1766S_ YA*3Y.û =======z³ 1845X_ *DYz}³ 1840X_.. 1. *--.- ===.o=o=.=o=.== 1761S_ *.--- o.û===.ûöo.û= 1825X_ *----o.û=o=.û==.û= 1828X_ *-----.C!=.!o=o.! 1811S_ *D3F$}³ 1872X_.. 1. *---. =+-.û S_ *V-Y9\û z}³ 1873X_ *Y-.û ==.û?o.û= 1836X_ Feb-Mar-Apr-Maj--Jun-Jul--Aug-Sep-Okt--Nov-Dec-Jan--Feb-Mar

40 Vejledning i indstilling af redigeringsfaciliteter til DOS-program fx HerdView 1) Find short cut ikon til programmet fx på desktop siden som vist her. Højreklik på ikon. Vælg egenskaber (dansk version) eller properties (engelsk version) 40

41 2) På det herefter fremkomne skærmbillede vælges Misc sandsynligvis Forskelligt på dansk 41

42 3) Tjek om der er markeret flueben i Windows shortcut keys 42