Avaliação de dor aguda em suínos: otimização de uma escala comportamental usando machine-learning
| dc.contributor.advisor | Trindade, Pedro Henrique Esteves | |
| dc.contributor.author | Pivato, Giovana Mancilla | |
| dc.contributor.committeeMember | Trindade, Pedro Henrique Esteves | |
| dc.contributor.committeeMember | Cassu, Renata Navarro | |
| dc.contributor.committeeMember | Luna, Stelio Pacca Loureiro | |
| dc.contributor.committeeMember | Ribas, Juliana Cristina Rego | |
| dc.contributor.committeeMember | Pinho, Renata Haddad | |
| dc.contributor.institution | Universidade Estadual Paulista (UNESP) | pt |
| dc.date.accessioned | 2026-11-17T11:29:03Z | |
| dc.date.issued | 2026-09-16 | |
| dc.description.abstract | A avaliação da dor em suínos é essencial para melhorar o bem-estar animal em sistemas intensivos de produção e na pesquisa translacional, nos quais procedimentos dolorosos são rotineiramente realizados, como a castração cirúrgica. Nesse contexto, a Unesp-Botucatu Pig Acute Pain Scale (UPAPS) foi desenvolvida e validada como uma ferramenta comportamental prática, rápida e eficaz para o diagnóstico da dor aguda em leitões. Entretanto, a escala ainda apresenta limitações relacionadas à atribuição arbitrária da importância dos comportamentos avaliados e à definição empírica da janela observacional utilizada para a avaliação comportamental. Assim, o presente projeto tem como objetivo otimizar a avaliação comportamental da dor aguda em leitões submetidos à castração cirúrgica utilizando a UPAPS, visando aumentar sua aplicabilidade prática em condições comerciais e experimentais. Parte-se da hipótese de que a implementação de ponderações estatísticas baseadas em algoritmos de machine learning pode melhorar a qualidade diagnóstica da escala, permitindo diferenciar de forma mais precisa animais com dor daqueles livres de dor. A tese será estruturada em dois capítulos complementares. O primeiro capítulo propõe a otimização estrutural da escala por meio do uso do algoritmo de machine learning random forest para ranquear os comportamentos mais relevantes para o diagnóstico da dor, possibilitando a proposição de uma versão reduzida da escala (UPAPS-SF). Foram avaliadas a capacidade discriminatória, sensibilidade, especificidade, área sob a curva ROC (medida da capacidade do modelo de discriminar animais com e sem dor, variando de 0,5 a 1,0) e ponto de corte da versão reduzida em comparação com a escala original. O segundo capítulo será direcionado à otimização operacional da aplicação da UPAPS-SF, investigando o impacto da redução da janela observacional de 4-minutos para 1-, 2-, ou 3-minutos sobre sua capacidade diagnóstica. Diferentes tempos de observação comportamental manual serão comparados com o objetivo de identificar a menor duração observacional capaz de manter adequada sensibilidade, especificidade e acurácia diagnóstica. Em conjunto, ambos os estudos buscam aumentar a viabilidade prática da avaliação da dor em sistemas intensivos de produção de suínos, favorecendo a implementação de protocolos padronizados de monitoramento da dor aguda em condições comerciais e contribuindo para o avanço do bem-estar animal. | pt |
| dc.description.abstract | Pain assessment in swine is essential for improving animal welfare, especially in intensive production systems where painful procedures, such as surgical castration, are routinely performed. In this context, the Unesp-Botucatu Pig Acute Pain Scale (UPAPS) was developed and validated as a practical, rapid, and effective behavioral tool for diagnosing acute pain in piglets. However, the scale still has limitations related to the arbitrary assignment of importance to the assessed behaviors and the empirical definition of the observational window used for behavioral assessment. Thus, this project aims to optimize the behavioral assessment of acute pain in piglets undergoing surgical castration using the UPAPS, aiming to increase its practical applicability in commercial and experimental conditions. It is hypothesized that the implementation of statistical weightings based on machine learning algorithms can improve the diagnostic quality of the scale, allowing for more precise differentiation between animals experiencing pain and those free from pain. The thesis will be structured in two complementary chapters. The first chapter proposes the structural optimization of the scale through the use of the random forest machine learning algorithm to rank the behaviors most relevant to pain diagnosis, enabling the proposition of a reduced version of the scale (UPAPS-SF). The discriminatory capacity, sensitivity, specificity, area under the ROC curve (a measure of the model's ability to discriminate between animals with and without pain, ranging from 0.5 to 1.0), and cutoff point of the reduced version were evaluated in comparison with the original scale. The second chapter will focus on the operational optimization of the UPAPS-SF application, investigating the impact of reducing the observational window from 4 minutes to 1, 2, or 3 minutes on its diagnostic capacity. Different manual behavioral observation times will be compared to identify the shortest observational duration capable of maintaining adequate sensitivity, specificity, and diagnostic accuracy. Together, both studies aim to increase the practical feasibility of pain assessment in intensive pig production systems, promoting the implementation of standardized acute pain monitoring protocols under commercial conditions and contributing to the advancement of animal welfare. | en |
| dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | |
| dc.description.sponsorshipId | CAPES: 33004064076P6 | |
| dc.identifier.capes | 33004064076P6 | |
| dc.identifier.citation | PIVATO, Giovana Mancilla. Avaliação de dor aguda em suínos: otimização de uma escala comportamental usando machine-learning. Orientador: Pedro Henrique Esteves Trindade. 2026. Tese (Doutorado em Anestesiologia) - Faculdade de Medicina, Universidade Estadual Paulista (UNESP), Botucatu, 2026. | |
| dc.identifier.lattes | 2830233537315911 | |
| dc.identifier.lattes | 6989428663042944 | |
| dc.identifier.lattes | 6989428663042944 | |
| dc.identifier.lattes | 1930132389295889 | |
| dc.identifier.lattes | 4473260410099623 | |
| dc.identifier.orcid | 0000-0001-9139-3687 | |
| dc.identifier.orcid | 0000-0001-5312-9076 | |
| dc.identifier.uri | https://hdl.handle.net/11449/350261 | |
| dc.language.iso | por | |
| dc.publisher | Universidade Estadual Paulista (UNESP) | pt |
| dc.rights.accessRights | Acesso restrito | pt |
| dc.subject | Dor | pt |
| dc.subject | Escala | pt |
| dc.subject | Suínos | pt |
| dc.subject | Medição da dor | pt |
| dc.subject | Pain | en |
| dc.subject | Scale | en |
| dc.subject | Swine | en |
| dc.title | Avaliação de dor aguda em suínos: otimização de uma escala comportamental usando machine-learning | pt |
| dc.title.alternative | Assessment of acute pain in pigs: optimization of a behavioral scale using machine learning | en |
| dc.type | Tese de doutorado | pt |
| dcterms.impact | A presente tese de doutorado apresenta contribuições relevantes para a ciência veterinária, o bem-estar animal e a suinocultura ao otimizar a avaliação comportamental da dor aguda em leitões submetidos à castração cirúrgica. Por meio do refinamento estrutural e da otimização operacional da escala de dor Unesp-Botucatu Pig Composite Acute Pain Scale (UPAPS), o trabalho supera limitações históricas associadas à atribuição arbitrária da importância dos comportamentos e à definição empírica da janela observacional. No âmbito científico e tecnológico, a pesquisa inovou ao aplicar o algoritmo de aprendizado de máquina Random Forest associado a um procedimento sequencial backward step-up para ranquear os comportamentos alterados pela dor de forma objetiva e orientada por dados. Essa abordagem permitiu selecionar os cinco comportamentos com maior relevância diagnóstica para fundamentar a versão reduzida da escala, a UPAPS-SF, que demonstrou capacidade discriminatória da dor equivalente às da escala original completa de 17 comportamentos. No aspecto prático e operacional, a tese inovou ao empregar a técnica de janelas deslizantes (sliding windows) para demonstrar a viabilidade de reduzir o tempo de observação comportamental de 4 para 3 minutos por animal. Essa redução de 25% no tempo de avaliação preservou o desempenho diagnóstico do instrumento, minimizando a fadiga observacional e o cansaço mental do avaliador. Tal otimização viabiliza a aplicação rotineira da escala em granjas comerciais de larga escala e simplifica o treinamento de equipes de campo, estimulando o reconhecimento precoce da dor e a tomada de decisão oportuna para a intervenção analgésica. Por fim, o modelo metodológico de refinamento por inteligência artificial e a otimização do tempo observacional estabelecem um arcabouço translacional replicável para escalas de dor em outras espécies animais, pavimentando o caminho para o futuro desenvolvimento de sistemas automatizados de monitoramento da dor por visão computacional na pecuária de precisão. | pt |
| dspace.entity.type | Publication | |
| relation.isAdvisorOfPublication | 997765b3-2f54-4e9c-8c40-22725ae2dec2 | |
| relation.isAdvisorOfPublication.latestForDiscovery | 997765b3-2f54-4e9c-8c40-22725ae2dec2 | |
| relation.isAuthorOfPublication | ad6576a3-4f1f-4677-b95f-2469128516d1 | |
| relation.isAuthorOfPublication.latestForDiscovery | ad6576a3-4f1f-4677-b95f-2469128516d1 | |
| relation.isCommitteeMemberOfPublication | 997765b3-2f54-4e9c-8c40-22725ae2dec2 | |
| relation.isCommitteeMemberOfPublication | 7431a6a8-8af0-40bf-89f4-fc527b904662 | |
| relation.isCommitteeMemberOfPublication | 5f7a5a4d-dc2f-4d8d-9515-c7bae3470f27 | |
| relation.isCommitteeMemberOfPublication | 12099891-e6d7-47ea-b89b-e31283765e10 | |
| relation.isCommitteeMemberOfPublication | d7a7c4ce-f7ff-4519-b7c5-a19e90e3b1cf | |
| relation.isCommitteeMemberOfPublication.latestForDiscovery | 997765b3-2f54-4e9c-8c40-22725ae2dec2 | |
| relation.isCommitteeMemberOfPublication.latestForDiscovery | 7431a6a8-8af0-40bf-89f4-fc527b904662 | |
| relation.isCommitteeMemberOfPublication.latestForDiscovery | 5f7a5a4d-dc2f-4d8d-9515-c7bae3470f27 | |
| relation.isCommitteeMemberOfPublication.latestForDiscovery | 12099891-e6d7-47ea-b89b-e31283765e10 | |
| relation.isCommitteeMemberOfPublication.latestForDiscovery | d7a7c4ce-f7ff-4519-b7c5-a19e90e3b1cf | |
| relation.isGradProgramOfPublication | c78518f9-6cc1-430a-813b-d8879d0131d3 | |
| relation.isGradProgramOfPublication.latestForDiscovery | c78518f9-6cc1-430a-813b-d8879d0131d3 | |
| relation.isOrgUnitOfPublication | a3cdb24b-db92-40d9-b3af-2eacecf9f2ba | |
| relation.isOrgUnitOfPublication.latestForDiscovery | a3cdb24b-db92-40d9-b3af-2eacecf9f2ba | |
| unesp.campus | Universidade Estadual Paulista (UNESP), Faculdade de Medicina, Botucatu | pt |
| unesp.embargo | 24 meses | pt |
| unesp.examinationboard.type | Banca pública | pt |
| unesp.graduateProgram | Anestesiologia - FMB | pt |
| unesp.knowledgeArea | Medicina veterinária preventiva e produção animal | pt |
| unesp.researchArea | Não consta | pt |

