Avaliação de acurácia de protocolos de inseminação artificial em tempo fixo utilizando modelos de regressão logística e de aprendizado de máquina
Resumo
A Inseminação Artificial em Tempo Fixo (IATF) é a principal biotecnologia utilizada nos sistemas de bovinocultura de corte no Brasil (93,3 % das inseminações em 2021), pois sincroniza a ovulação, supera o desafio da detecção de estro e melhora a eficiência reprodutiva. Diante da diversidade de protocolos hormonais disponíveis e das diferentes respostas reprodutivas, este estudo avaliou o desempenho preditivo de diferentes protocolos de IATF em fêmeas Nelore de rebanhos comerciais no estado de Mato Grosso, Brasil, por meio da comparação entre modelagem estatística clássica e aprendizado de máquina. Um conjunto de dados composto por 28.691 registros da estação de monta de 2023 foi analisado. O diagnóstico de prenhez (0/1) foi modelado utilizando regressão logística e modelos de aprendizado de máquina (Redes Neurais do tipo Perceptron Multicamadas). A regressão logística identificou o protocolo, o escore de condição corporal (ECC), a categoria animal e a aplicação de GnRH como preditores significativos (p < 0,05), sendo o ECC o fator com maior associação à probabilidade de prenhez. Em contraste, os modelos de aprendizado de máquina apresentaram desempenho preditivo moderado, com o Modelo Integrado superando a média dos modelos individuais (ROC-AUC = 0,721) e demonstrando maior estabilidade em comparação aos modelos específicos por protocolo (ROC-AUC = 0,694). Enquanto a regressão logística forneceu estimativas de efeito interpretáveis e suporte à inferência biológica, o aprendizado de máquina aumentou a acurácia preditiva ao capturar relações não lineares e interações complexas. Esses resultados indicam uma abordagem sinérgica entre modelos estatísticos clássicos e de inteligência artificial como estratégia para otimizar programas de IATF e aumentar a eficiência reprodutiva em sistemas comerciais de bovinos de corte.
Palavras-chave: eficiência reprodutiva; gado de corte; pecuária de precisão; protocolos hormonais; redes neurais artificiais.
Keywords: Fixed-Time Artificial Insemination (FTAI); Logistic Regression; Machine Learning; Neural Networks.
Downloads
Referências
1. Saath KCO, Fachinello AL. Crescimento da demanda mundial de alimentos e restrições do fator terra no Brasil. Rev Econ Sociol Rural. 2018;56(2):195–212. Available from: https://doi.org/10.1590/1234-56781806-94790560201
2. Pereira MA, Bungenstab DJ, Euclides VPB, Malafaia GC, Biscola PHN, Menezes GRO, Abreu UGP, Laura VA, Nogueira E, Mauro RA, et al. From Traditionally Extensive to Sustainably Intensive: A Review on the Path to a Sustainable and Inclusive Beef Farming in Brazil. Animals. 2024; 14;14(16):2340–0. Available from: https://doi.org/10.3390/ani14162340
3. United States Department of Agriculture - USDA. Foreign Agricultural Service. Production, supply and distribution: custom query [Internet]. [cited 2025 Sept 15]. Available from: https://apps.fas.usda.gov/psdonline/app/index.html#/app/advQuery
4. Associação Brasileira das Indústrias Exportadoras de Carnes - ABIEC. Exportações de carne bovina [Internet]. [cited 2025 SePt 10]. Available from: https://www.abiec.com.br/exportacoes
5. Terry SA, Basarab JA, Guan LL, McAllister TA. Strategies to improve the efficiency of beef cattle production. Can J Anim Sci. Canadian Journal of Animal Science. 2021;101(1):1–19. Available from: https://doi.org/10.1139/cjas-2020-0022
6. Cowan T. Biotechnology in Animal Agriculture: Status and Current Issues. In: Reports of Congressional Research Service [Internet]. 2011. [cited 2025 Sept 19]. Available from: http://www.cnie.org/NLE/CRSreports/10Oct/RL33334.pdf
7. Martins CF, Siqueira LGB, Oliveira CTSAM, Schwarz DGG, Oliveira FASAM, et al. Inseminação artificial: uma tecnologia para o grande e o pequeno produtor - Documentos 261. Planaltina, DF: Embrapa Cerrados, 2009. [cited 2026 Jun 25]. Available from: https://www.infoteca.cnptia.embrapa.br/infoteca/bitstream/doc/697385/1/doc261.pdf
8. Associação Brasileira de Inseminação Artificial - ASBIA. Index ASBIA 2023 [Internet]. [cited 2025 Sept 19]. Available from: https://asbia.org.br/index-asbia/
9. Cenci JPG, Berto V. Inseminação artificial em tempo fixo (IATF) e suas vantagens. Rev Ibero-Am Hum Cienc Educ 2023;9. Available from: https://doi.org/10.51891/rease.v9i5.10094
10. Confederação da Agricultura e Pecuária do Brasil - CNA. Pecuária de corte: melhoramento genético e eficiência reprodutiva: a influência da IATF no sucesso da pecuária. Brasília, DF: CNA, 2024. [cited 2026 Jun 25]. Available from: https://cnabrasil.org.br/publicacoes/melhoramento-genetico-e-eficiencia-reprodutiva-a-influencia-da-iatf-no-sucesso-da-pecuaria
11. Jesus ERB, Meneguelli M. Reprodução animal com ênfase na Inseminação Artificial em Tempo Fixo (IATF). Res Soc Dev. 2025;14(6):e7214649071. Available from: http://dx.doi.org/10.33448/rsd-v14i6.49071
12. Vargas Ortiz LM, Andrade Yucailla VC, García Díaz JR, Acosta Lozano NV. Aragadvay Yungán, R. G. Et Al. Effects of Two Hormonal Protocols for FTAI on the Fertility of Repeat Cows. Int. J. Mol. Sci. 2025;26(12):5499. Available from: https://doi.org/10.3390/ijms26125499
13. IBM. Regressão logística. 2025. [cited 2026 Jun 25]. Available from: https://www.ibm.com/docs/pt-br/spss-statistics/30.0.0?topic=regression-logistic
14. Sperandei S. Understanding logistic regression analysis. Biochem Med (Zagreb). 2014;24(1):12-8. Available from: https://doi.org/10.11613/BM.2014.003
15. Cha YJ, Ali R, Lewis J, Büyüköztürk O. Deep learning-based structural health monitoring. Automation in Construction. 2024;161:105328. Available from: https://doi.org/10.1016/j.autcon.2024.105328
16. Castro DP, Diniz Sobrinho FA, Lima Junior FA, Silva TS, Silva APS, et al. Artificial intelligence applied to animal production. Cienc Rural. 2025;55(7), 2025:e20230520. Available from: https://doi.org/10.1590/0103-8478cr20230520
17. Hwang J, Lee J, Lee K. A deep learning-based method for grip strength prediction: comparison of multilayer perceptron and polynomial regression approaches. PLoS One. 2021;16(2):e0246870. Available from: https://doi.org/10.1371/journal.pone.0246870
18. Bewick V, Cheek L, Ball J. Statistics review 14: Logistic regression. Critical Care. 2025;9(1):112-118. Available from: https://doi.org/10.1186/cc3045
19. Monteiro R, Rabello GCM, Arruda Jr F V, Jatene FB. Artificial intelligence, deep learning, machine learning, neural networks in medicine and vocal biomarkers: concepts, where we are and where we are going. Rev SOCESP. 2022;32(1):11-7. Available from: http://dx.doi.org/10.29381/0103-8559/2022320111-7
20. Adapa S, Anusha B, Prusty AK. Artificial Intelligence in Agriculture: A Review. In: Prakash O. Emerging Trends in Agricultural Extension Education. Bhubaneswar: SP Publishing; 2023. p. 76-81.
21. Curti PF, Selli A, Pinto DL, Merlos-Ruiz A, Balieiro JCC, Ventura RV. Applications of livestock monitoring devices and machine learning algorithms in animal production and reproduction: an overview. Anim Reprod. 2023;20(2):e20230077. Available from: https://doi.org/10.1590/1984-3143-AR2023-0077
22. Marques TC, Marques LR, Fernandes PB, de Lima FS, Paim TP, Leão KM. Machine learning to predict pregnancy in dairy cows: an approach that integrates automated activity monitoring and on-farm data. Animals. 2024;14(11):1567. Available from: https://doi.org/10.3390/ani14111567
23. Baruselli PS, Ferreira RM, Sá Filho MF, Bó GA. Review: Using artificial insemination v. natural service in beef herds. Animal. 2018;12(s1):s45-s52. Available from: https://doi.org/10.1017/S175173111800054X
24. Bó GA, Baruselli PS. Synchronization of ovulation and fixed-time artificial insemination in beef cattle. Animal. 2014;8 Suppl 1:144-50. Available from: https://doi.org/10.1017/S1751731114000822
7. Furtado RN, Pompeu RCFF, Cândido MJD et al. Intake, digestibility and nitrogen balance in sheep fed diets containing detoxified castor cake. Rev Cienc Agron. 2020;51:e20175992. https://doi.org/10.5935/1806-6690.20200012
8. Araújo RA, Neiva JNM, Pompeu RCFF, et al. Detoxified castor in the diets of dairy goats: I. Effects on intake, digestibility, and renal and hepatic parameters. R Bras Zootec. 2020:49;1-9. https://doi.org/10.37496/rbz4920190141
9. Araújo RA, Pompeu RCFF, Cândido MJD, et al. Detoxified castor in the diets of dairy goats: II. Lactation curves, composition, and fatty acid profile of milk. R Bras Zootec. 2020:49;e20190140. https://doi.org/10.37496/rbz4920190140
10. Araújo RA, Neiva JNM, Cândido MJD, et al. Nutritional performance, hepatic and renal function in goats fed diets containing detoxified castor cake at different stages of pregnancy. An Acad Bras Ciênc. 2022;94:e20201775. https://doi.org/10.1590/0001-3765202220201775
11. Guiducci RCN, Alves ERA, Lima Filho JR, et al. Methodological aspects of the economic feasibility analysis of production systems. In: Guiducci RCN, Lima Filho JR, Mota MM. Economic viability of agricultural production systems: methodology and case studies. Brasília, DF: Embrapa, p. 17-78. Português.
12. Araújo RA, Pompeu RCFF, Rogério MCP, et al. Growth and performance curve of dairy goats fed with detoxified castor bean cake by different alkaline solutions. Semin. Ciênc. Agrár. 2020;41:3377-3390. https://doi.org/10.5433/1679-0359.2020v41n6Supl2p3377
13. Association of Analytical Chemists – AOAC. Official Methods of Analysis. Gaithersburg, 17th 2nd rev. ed. 2003 1094p.
14. Mertens DR. Gravimetric determination of amylase-treated neutral detergent fiber in feeds with refluxing in beakers or crucibles: Collaborative study. J. AOAC Int. 2002;85:1217-1240.
15. National Research Council – NRC. Nutrient Requirements of Small Ruminants. National Academy Press, Washington, DC. 2007.
16. Stivari TSS, Chen RFF, Gameiro AH, et al. Feasibility of grazing sheep production systems using long-term economic indicators and the methodology of the soil expectation value. Braz. J. Vet. Res. Anim. Sci., 2014;51:149-157. https://doi.org/10.11606/issn.1678-4456.v51i2p149-157
17. Rogério MCP, Martins EC, Shiotsuki L, et al. Economic viability of finishing lambs in the feedlot using bovine cheese whey as a dietary ingredient. Small Rumin. Res. 2019;170:131-136. https://doi.org/10.1007/s11250-012-0210-5
18. Alves FGS, Carneiro MSS, Costa CS, et al. Economic and financial viability of the production of Brazilian Somalis sheep fed with different nutritional plans. Trop. Anim. Health Prod. 2024;56: 231. https://doi.org/10.1007/s11250-024-04091-y
19. Rogério MCP, Castro EM, Martins EE, et al. Economical and financial analysis of lamb finishing fed with diets formulated according to the NRC (1985) and the NRC (2007). Trop. Anim. Health Prod. 2013;45:259–266. https://doi.org/10.1007/s11250-012-0210-5
20. Araújo RA, Pompeu RCFF, Rogério MCP, et al. Economic-financial analysis of the use of the detoxified castor by alkaline solutions I: production of arrays of dairy goats. Semina: Ciên Agrár. 2020;41:2703–2720. https://doi.org/10.5433/1679-0359.2020v41n6p2703
21. Leal GS, Sampaio DO, Bessegato LP. Avaliação econômico-financeira de produção de leite caprino na zona da mata mineira. Rev Vianna Sapiens. 2018;9:24. https://doi.org/10.31994/rvs.v9i1.269
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2026 Ciência Animal Brasileira / Brazilian Animal Science
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
- Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
- Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
- Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado (Veja O Efeito do Acesso Livre).
Declaração de dados
-
Os dados de pesquisa estão disponíveis sob demanda, condição justificada no manuscrito
