Inteligência artificial produção sanidade avícola

As redes neurais artificiais são sistemas paralelos distribuídos, compostos por unidades de processamento simples, que simulam neurônios biológicos, os quais são interconectados por um conjunto de pesos, análogo às conexões sinápticas no sistema nervoso, o qual permite tanto processamento serial quanto paralelo de informações através da rede, ou seja, é uma técnica de Inteligência Artificial (IA) que tenta simular em máquinas (computadores) o funcionamento do cérebro humano de uma maneira simplificada (ASTION & WILDING, 1992). As RNAs são aptas a resolver problemas de cunho geral, tais com aproximação, classificação, categorização, predição, entre outros, com isso, a gama de áreas onde elas podem ser aplicadas é bastante extensa (BRAGA et al., 2000).

Um sistema de IA deve ser capaz de fazer três coisas: armazenar conhecimento, aplicar o conhecimento armazenado para resolver problemas e adquirir novo conhecimento através da experiência. Um sistema de IA tem três componentes fundamentais: representação, raciocínio e aprendizagem (HAYKIN, 1999). As RNAs calculam determinadas funções matemáticas normalmente não-lineares. As unidades das RNAs são dispostas em uma ou mais camadas e interligadas por um grande numero de conexões, geralmente unidirecionais. Na maioria dos modelos essas conexões estão associadas a pesos, os quais armazenam o conhecimento representado no modelo e servem para ponderar a entrada recebida por cada neurônio da rede (BRAGA et al., 2000).

Uma rede neural artificial pode ser vista como um sistema de computação paralela com parâmetros distribuídos, os quais podem ser ajustados através de algoritmos de treinamento eficientes. Embora o nível de complexidade que se possa representar uma rede neural artificial, a mesma ainda é muito inferior ao cérebro humano, o qual lhe serviu de inspiração, mas ao mesmo tempo a sua capacidade de aprendizado fez com que se tornasse uma tecnologia promissora e uma candidata natural para realizar tarefas para as quais soluções algorítmicas não sejam eficientes ou mesmo conhecidas (BASTOS, 2007).

Uma rede é composta por varias unidades de processamento ("neurônios") ligadas por conexões sinápticas. Os neurônios podem ser divididos em 3 classes: "neurônios" de entrada, que recebem estímulos do meio externo, "neurônios" internos ou ocultos e "neurônios" de saída, que se comunicam com o exterior e significam o fenômeno a ser predito. Essas unidades, geralmente, são conectadas por canais de comunicação que estão associados a determinado peso. O comportamento inteligente de uma Rede Neural Artificial vem das inúmeras interações possíveis entre as unidades de processamento da rede (KOVACS, 1996).

As RNAs exploram simultaneamente muitas hipóteses utilizando regras de aprendizagem que permitem adquirir poder de generalização suficiente para reconhecer padrões e predizer cenários (HAYKIN, 1999). Os modelos de redes neurais têm potencial de aplicação na produção animal quando é necessário um banco de dados que permita a compreensão das relações entre o ambiente e a exploração agropecuária (SALLE et al., 2001; RONDÓN et al., 2002; RODRIGUES et al., 2007; VIEIRA et al., 2010, SOUZA, 2011).

As principais vantagens de utilização das redes são a tolerância a falhas, a aplicação em tempo real, a capacidade de autoadaptação e a rápida resolução de problemas práticos, sem necessidade de definição de listas de regras ou de modelos precisos (HAYKIN, 2001). As RNAs também possibilitam utilização de dados qualitativos e quantitativos no mesmo modelo, sem que haja a necessidade da transformação desses dados, para a estatística convencional, além de possibilitar a realização de analises de dados não lineares e multivariados, característica comum em fenômenos biológicos. (SALLE et al., 2004).

O objetivo de definição da rede é resolver o problema com a menor estrutura possível, com potencial de aplicação em situação que requeiram classificação de padrões, identificação e associação de padrões, aproximação de funções e aprendizado em áreas em que é difícil criar modelos precisos da realidade e com frequentes mudanças de ambiente (HAYKIN, 1999).

Existem várias aplicações para as RNAs. Já são utilizadas com o objetivo de fazer prognóstico de mercados financeiros; reconhecer e gerar falas; localizar pontos de origem no radar; otimizar processos químicos; reconhecer alvos e detectar minas bélicas; identificar células cancerosas; reconhecer anormalidades cromossômicas ; detectar fibrilação ventricular; predizer trajetórias de entrada de naves especiais; reconhecer automaticamente caracteres escritos à mão, entre outros (CHENG & TITTERIETON, 1994). Originalmente usadas na indústria militar, as redes neurais artificiais têm seu uso crescente em bancos, principalmente quando se fala em cartões de crédito e, especificamente, de comércio eletrônico (via internet), como meio de evitar fraudes eletrônicas nessas operações (O'SULLIVAN, 1999).

Na área de produção animal, muitos pesquisadores já provaram a eficiência das RNAs. Park et al. (1998) utilizaram RNAs para análise de imagens de carcaças, gerando critérios de aceitação e rejeição, obtendo uma margem de acerto das predição acima dos 95% além de fugir do erro imposto pelo cansaço do agente de inspeção após repetidas observações, Rush et al. (1996, 1997) utilizaram a rede neural como uma predição probabilística de ascite em frangos de corte e concluíram que as RNAs podem ser úteis na seleção de linhagens de frangos de corte que não tenham propensão a esse problema, Pandorfi (2011) utilizou essa ferramenta para predizer índices zootécnicos nas fases de gestação e maternidade na suinocultura e também obteve sucesso nos seus resultados.

Esta metodologia está muito difundida em alguns segmentos, mas já existem alguns trabalhos na avicultura relacionados com a Síndrome da Hipertensão Pulmonar (ROUSH et aL, 2001) e com a curva de postura em galinhas poedeiras (FIALHO ; LEDUR, 1997), entre outros. Há alguns anos são desenvolvidos trabalhos no CDPAUFRGS nos quais é utilizada inteligência artificial, especificamente redes neurais artificiais, para explicar, simular e predizer os resultados nos diferentes segmentos da avicultura. Os primeiros trabalhos enfocaram as reprodutoras (GUAHYBA, 2001; SALLE et al., 2001; SALLE et al., 2003) e se seguiram outros na produção de frangos de corte (Reali, 2004), no incubatório (SALLE, 2005) e no abatedouro (PINTO, 2006). Recentemente, foi defendida dissertação de mestrado com dados de uma integração local. Todos os setores anteriores foram analisados simultaneamente, com a utilização de 39 variáveis de entrada. Os resultados obtidos foram excelentes e demonstraram que é possível predizer com precisão a eclosão, peso, tipos de pinto, mortalidade e condenações, etc. (SPOHR, 2011).

Na Figuras 4, está o exemplo da predição da condenação total de 3.191 lotes de frangos de corte e a Figura 4A apresenta a importância relativa das seis variáveis de entrada mais importante para saída Condenação total

Figura 4 – Valores reais (X) versus valores preditos (Y) da Condenação total para 3.191 lotes.

Estas investigações resultaram em teses de doutorado ou dissertações de mestrado e os respectivos trabalhos estão sendo preparados para publicação em periódicos especializados. Mas, assuntos relacionados à sanidade avícola também mereceram a atenção no uso desta moderna metodologia, especificamente a colibacilose.

O sistema ADDL (Avaliação Digital da Depleção Linfocitária) é uma ferramenta de análise da depleção linfocitária bursal, desenvolvida no CDPA, que permite o estabelecimento de escores de lesão através da análise digital e de redes neurais artificiais. A ADDL foi descrita por Moraes et al. (2010), os quais comparam os escores de depleção estabelecidos por um histopatologista frente os escores estabelecidos pelo sistema ADDL. No entanto, naquela ocasião não foi quantificada a variabilidade classificatória existente entre os escores estabelecidos pelo histologista. Por este motivo, decidiu-se caracterizar essa variabilidade através da comparação entre as depleções bursais estabelecidas por três diferentes histopatologistas pela metodologia tradicional e as depleções determinadas pela ADDL.

Nas tabelas 1 e 2 são apresentados os resultados dos exames histológicos de 55 bolsas de fabrício, obtidos pela metodologia convencional e pelo novo método que denominamos ADDL. Na tabela 1 há discordâncias entre os diferentes especialistas, enquanto na tabela 2 os resultados são iguais (SALLE et al., 2011a).

Tabela 1 – Valores médios de depleção linfocitária das BF, através da avaliação de três diferentes histopatologistas pel método convencional.

Tabela 2 – Valores médios de depleção linfocitária das BF, através da utilização da ADDL por três diferentes operadores.

A Escherichia coli é uma bactéria facilmente isolada nos animais e nas camas avícolas. Sua presença é tão frequente que, ao serem citadas nos laudos laboratoriais, os médicos veterinários têm dificuldades em avaliar o risco que representam. Por outro lado, a biologia molecular está sendo empregada em muitos laboratórios, é altamente sofisticada e útil na pesquisa avícola, mas parece não estar contribuindo no dia-a-dia dos profissionais como deveria. Ainda é vista como uma tecnologia da qual se espera muito, mas pouco usada nas monitorizações sanitárias rotineiras. Isso se deve ao fato de que a presença dos genes associados a patogenicidade não significar que a amostra em questão é patogênica. Para que ela seja considerada patogênica os genes devem ser expressos in vivo e a caracterização da expressão demanda a inoculação de pintos. Assim sendo, embora importante cientificamente, a caracterização dos genes associados à patogenicidade têm pouca utilidade para o médico veterinário que trabalha no campo. Para ele, existem, fundamenttalmente, duas perguntas a serem respondidas: "a bactéria é patogênica?" e "qual o tratamento a usar?". Baseados nesta observação, os pesquisadores do CDPA iniciaram uma série de experimentos destinados a relacionar a patogenicidade das amostras de E. coli isoladas com os genes que estas apresentavam.

Primeiramente, foram estudadas amostras isoladas de quadros respiratórios das aves que chegaram ao CDPA para diagnóstico. Nesta ocasião, procurou-se caracterizar os fatores de virulência das amostras para a habilidade em sintetizar hemolisina, motilidade, capacidade hemoaglutinante, presença do operon pap , produção de colicinas e resistência sérica (DA ROCHA et al., 2002).

As amostras de casos de celulite e camas de aviários, acrescidas das de origem respiratória, foram estudadas para o estabelecimento da patogenicidade de cada uma delas, com a inoculação de pintos para caracterizar a expressão genética in vivo. No total, foram mais de 300 amostras que, hoje, se constituem num robusto banco de dados no qual se dispõe da informação sobre o índice de patogenicidade de cada uma (SOUZA, 2006).

As mesmas amostras de Escherichia coli tiveram seu perfil genético, neste caso foram caracterizados sete genes, conhecido. Depois de analisadas as frequências dos genes presentes, procurou-se relacionar, através de modelos matemáticos que empregaram redes neurais artificiais, a patogenicidade da amostra com seu perfil genético. O resultado foi promissor, pois, através das informações genéticas, foi predita a patogenicidade da amostra com acurácia de mais de 80% (DA ROCHA, 2006). Nas Figuras 5a, 5b e 5c estão exemplificadas a informações fornecidas para uma amostra.

Figura 5a. Predição da patogenicidade de amostras de Escherichia coli com base nas informações sobre origem da amostra, motilidade e perfil genético.

A Figura 5a revela que a amostra de cama (0) que tem presentes os genes iutA, Kpsll e tsh e é móvel, tem probabilidade de 98,1% de ser uma amostra classificada como de baixa patogenicidade ou apatogênica (Salle et al., 2011b). Simultaneamente, as pesquisas do Centro demonstraram que as redes neurais artificiais são capazes de aprender a classificar a resistência bacteriana das amostras usadas no experimento anteriormente citado. Na literatura consultada não foi encontrado trabalho que abordasse o assunto sob o ângulo aqui apresentado (SALLE, 2009; SALLE, et al., 2011c).

Figura 5b. Predição da resistência antimicrobiana de amostras de Escherichia coli com base nas informações sobre origem da amostra, motilidade e perfil genético. No exemplo a amostra é SENSÍVEL a enrofloxacina com 100% de probabilidade.

Figura 5c. Predição da resistência antimicrobiana de amostras de Escherichia coli com base nas informações sobre origem da amostra, motilidade e perfil genético. No exemplo a amostra é RESISTENTE a enrofloxacina com 95,1% de probabilidade.

A informação gerada com essa metodologia será de grande utilidade para o médico veterinário planejar suas ações em termos de medidas preventivas ou curativas. Da mesma forma, oferece um recurso no qual o conhecimento do perfil genético, neste caso através de técnicas da reação em cadeia da polimerase (PCR), tem aplicação prática no campo permitindo o zoneamento das granjas. Esta divisão por zonas, ou áreas, baseada no potencial risco das E. coli presentes nas aves e nas camas através do conhecimento da patogenicidade e da resistência antimicrobiana das amostras isoladas. Assim sendo, a informação obtida através da monitorização bacteriológica poderá auxiliar no diagnóstico clínico, antecipar o percentual de condenações esperado e orientar na compra de medicamentos, entre outras decisões a serem tomadas. Hoje o CDPA trabalha com 38 genes associados à patogenicidade com resultados ainda melhores, pois os índices de patogenicidade são classificados, com precisão, em uma escala de 0 a 10. Os genes pesquisados são apresentados na Figura 6a.

Figura 6a. Genes associados à virulência pesquisados no CDPA.

O modelo de rede neural artificial criado com a utilização da informação sobre a presença ou ausência dos 38 genes acima referidos apresentou 99,03% de classificações corretas numa escala na qual o Índice de Patogenicidade com amplitude de 0 a 10 e com sendibilidade e especificidade muito altas. (Figura 6b).

Figura 6b. Característica do modelo de redes neurais artificiais para a classificação do Índice de Patogenicidade de Escherichia coli através da identificação de 38 genes associados à patogenicidade.

Quando foram construídas redes neurais com os 38 genes para predizer a resistência antimicrobiana a 14 antibióticos comumente usados na avicultura industrial os resultados foram muito mais precisos do que aqueles gerados inicialmente com sete genes.

A combinação de resultados oriundos dos modelos matemáticos de resposta imunológica, do reflexo das aflatoxinas nos parâmetros de produção, da análise digital da depleção linfóide (ADDL), do uso de inteligência artificial para classificar a patogenicidade de Esherichia coli em camas de aviários e vísceras das aves, entre outros em fase de finalização, compõe um sistema de análise de risco que permitirá a regionalização do estado sanitário de uma integração avícola através de critérios objetivos, gerados cientificamente, e documentados através de dissertações de mestrado, teses de doutorado e artigos em revistas especializadas. O conhecimento claro de critérios objetivos facilitará a tão desejada, e difícil de concretizar, parceria entre as autoridades sanitárias oficiais e a área privada. Todos estes trabalhos, como já foi citado, foram desenvolvidos no CDPA num período de 15 anos e podem ser utilizados tanto pelo MAPA quanto pela indústria.

Na Figura 7 é apresentado um exemplo da utilização da metodologia proposta, no qual é possível regionalizar uma integração avícola através conhecimento do risco sanitário dos animais. É possível observar diferentes graus de depleção linfóide (ADDL) combinados com distintos Índices de Patogenicidade (IP) das Escherichias coli residentes nos animais ou infectando as vísceras. As bactérias teriam IP apatogênica/baixa patogenicidade (A/B) ou o IP seria Intermediário/alto (Int/alta), além da resistência antimicrobiana. A estes indicadores se somariam os critérios de interpretação das monitorizações sorológicas, o reflexo das aflatoxinas sobre os parâmetros de produção e os estudos sobre salmonelas. A reunião e análise dos dados gerados, levará à formulação de critérios objetivos, gerados cientificamente, que servirá de ferramenta fundamentada de suporte à decisão. Finalmente, programas de treinamento habilitarão os profissionais das áreas públicas e privadas a usarem a metodologia proposta.

Figura 7. Exemplo de análise e regionalização de risco sanitário de uma integração avícola.

A Figura 7 também sintetiza uma nova proposta de análise de risco para ser usada na avicultura industrial. Sua utilização poderá ser um diferencial poderoso nas garantias sanitárias agregadas ao produto avícola com repercussão nos mercados interno e externo e na saúde animal e saúde pública.

 

ASTION, M. L.; WILDING, P. The application of backpropagation neural networks to problem in pathology and laboratory medicine. Arch Pathol Lab Med., v. 116, p. 995-1001, 1992.

BASTOS, E. N. F.; Uma Rede Neural Auto-Organizável Construtiva para Aprendizado Perpétuo de Padrões Espaço-Temporais. Porto Alegre: PPGC da UFRGS, 2007.

BRAGA, A. de P.; CARVALHO, A. P. de L. F.; LUDERMIR, T. B. Redes Neurais Artificiais, Teoria e Aplicações. Rio de Janeiro: Ed. LTC, 2000

CHENG, B.; TITTERINGTON, D. M. Neural Networks: a review from a statistical perspective. Statistical Science, v. 9, n. 1, p. 2-54, 1994.

DA ROCHA, A. C.; DA SILVA, A. B.; DE BRITO, A. B.; MORAES, H. L.; PONTES, A. P.; CE, M. C.; NASCIMENTO, V.P.; SALLE, C.T.P. Virulence factors of avian pathogenic Escherichia coli isolated from broilers from the south of Brazil. Avian Dis., v. 46, n. 3, p. 749-753, 2002.

FIALHO, F. B. ; LEDUR, M. C. Segmented polynomial model for estimation of egg production curves in laying hens. Br.Poult.Sci, v. 38, n. 1, p. 66-73, 1997.

GUAHYBA, A.S. Utilização de inteligência artificial (redes neurais artificiais) no gerenciamento de reprodutoras pesadas. 2001. 105 f. Tese (Doutorado em Ciências Veterinárias) - Universidade Federal do Rio Grande do Sul, Conselho Nacional de Desenvolvimento Científico e Tecnológico.

HAYKIN, S. Redes Neurais, Princípios e Prática. 2.ed. Porto Alegre: Bookman, 1999.

KOVACS, Z. L. Redes Neurais Artificiais: Fundamentos e Aplicações: um texto básico. 2 ed. São Paulo: Edição acadêmica, 174p. 1996.

MORAES, L. B. DE ; OSORIO, F. ; SALLE, F. O. ; SOUZA, G. F. DE ; MORAES, H. L. S. ; FALLAVENA, L. C. B. ; SANTOS, Luciana Ruschel dos ; SALLE, C. T. P. . Evaluation of follicular lymphoid depletion in the Bursa of Fabricius: An alternative methodology using digital image analysis and artificial neural networks.. Pesquisa Veterinária Brasileira (Impresso) , v. 30, p. 340-344, 2010.

O'SULLIVAN, O. Who's that knocking on my portal? USBanker, New York, v. 109, n. 11, p, 49-52, Nov. 1999.

PANDORF, H.; SILVA, I. J. O.; SARNIGHAUSEN, V. C. R.; VIEIRA, F. M. C.; NASCIMENTO, S. T.; GUISELINI, C. Uso de redes neurais artificiais para predição de índices zootécnicos nas fases de gestação e maternidade na suinocultura. R. Bras. Zootec., v.40, n.3, p.676-681, 2011

PARK, B.; CHEN, Y. R.; NGUYEN, M.. Multispectral image analysis using neural network algorithm for inspection of poultry carcasses. Journal of Engng. Researche, v. 69, p.351-363, 1998.

PINTO, P.R. Dissertação de Mestrado Uso de redes neurais artificiais no gerenciamento de matadourosfrigoríficos de aves e suínos no sul do Brasil. 2006. - UFRGS-Universidade Federal do Rio Grande do Sul, Faculdade de Veterinária, Programa de Pós Graduação em Ciências Veterinárias. Porto Alegre, BRRS, 2006.

REALI E.H. Dissertação de Mestrado.Utilização de inteligência artificial (redes neurais artificiais) no gerenciamento da produção de frangos de corte. 2004. - UFRGS-Universidade Federal do Rio Grande do Sul, Faculdade de Veterinária, Programa de Pós Graduação em Ciências Veterinárias. Porto Alegre, BRRS, 2004.

ROCHA A.C.G.P. Tese de doutorado.Utilização de Inteligência Artificial para a Classificação de Patogenicidade de Amostras de Escherichia coli Isoladas de Frangos de Corte. 2006. - Universidade Federal do Rio Grande do Sul, Faculdade de Veterinária, Programa de Pós-Graduação em Ciências Veterinárias, Porto Alegre, BRRS, 2006.

RODRIGUES, V.C.; BARBOSA FILHO, J.A.D.; SILVA, I.J.O. Visão computacional: distribuição espacial de aves poedeiras em condições de conforto e estresse. Engenharia Rural, v.18, p.9-16, 2007.

RONDÓN, E. P. O.; MURAKAMI, A. E.; SAKUGUTI, E. S.; Modelagem computacional para a produção e pesquisa em avicultura. Rev. Bras. Cienc. Avic., Jan./Mar., vol.4, n°. 1. 2002.

ROUSH, W. B.; KIRBY, Y. K.; CRAVENER, T. L.;WIDEMAN, R. F., Jr. Artificial neural network prediction of ascites in broilers. Poult.Sci., v. 75, n. 12, p. 1479-1487, 1996.

ROUSH, W. B.; WIDEMAN, R. F., Jr.; CAHANER, A.; DEEB, N.;CRAVENER, T. L. Minimal number of chicken daily growth velocities for artificial neural network detection of pulmonary hypertension syndrome (PHS). Poult.Sci., v. 80, n. 3, p. 254-259, 2001.

ROUSH, W.B., CRAVENER, T.L., KIRBY, Y.K.; & WIDEMAN, R.F. Probabilistic Neural Network prediction of ascites in broilers based on minimal invasive physiological factors. Poultry Science, 76, 1513-1516. 1997

SALLE, C. T. P. ; MORAES, L. B. DE ; ZIMERMANN, F. C. ; FALLAVENA, L. C. B. ; Osorio, F.S. ; SALLE, F. O. ; MORAES, H. L. S. . Comparative evaluation of lymphoid depletion of bursas of fabricius, using the ADDL system and the conventional subjective method.. In: 60th Western Poultrry Disease Conference, 2011, Sacramento. Proceedings 60th Western Poultry Disease Conference, 2011a.

SALLE, C. T. P., ROCHA, A. C. G. P. DA, SOUZA, G. F. DE, SALLE, F. O., MORAES, L. B. DE, NASCIMENTO, V. P., MORAES, H. L. S. Use of Artificial Intelligence (Artificial Neural Networks) to classify the pathogenicity of Escherichia coli isolates from broilers. In: 60th Western Poultrry Disease Conference, 2011, Sacramento. Proceedings 60th Western Poultry Disease Conference. , 2011b.

SALLE, C. T. P.; GUAHYBA, A. S.; WALD, V. B.; SILVA, A. B.; SALLE, F. O.;FALLAVENA, L. C. B. Uso de Redes Neurais Artificiais para Estimar Parâmetros de Produção de Galinhas Reprodutoras Pesadas em Recria. Revista Brasileira de Ciência Avícola, v. 3, p. 257-264, 2001.

SALLE, C. T. P.; GUAHYBA, A. S.; WALD, V. B.; SILVA, A. B.; SALLE, F. O.;NASCIMENTO, V. P. Use of artificial neural networks to estimate production variables of broilers breeders in the production phase. Br.Poult.Sci., v. 44, n. 2, p. 211-217, 2003.

SALLE, C.T.P., REALI, E.H., GUAHYBA, A.S., SALLE, F.O., ROCHA, A.C.G.P. & MORAES, H.L.S. Utilização de inteligência artificial (redes neurais artificiais) no gerenciamento da produção de frangos de corte. Apinco 2004 Conference of Poultry Science and Technology (p.158). Santos, Brazil. 2004.

SALLE, F. O. Dissertação de mestrado. Utilização de inteligência artificial (redes neurais artificiais) no gerenciamento do incubatório de uma empresa avícola do sul do Brasil. 2005. - UFRGS-Universidade Federal do Rio Grande do Sul, Faculdade de Veterinária, Programa de Pós Graduação em Ciências Veterinárias., 2005.

SALLE, F. O., FORTES., F. B. B., ROCHA, A. C. G. P. DA, SOUZA, G. F. DE, MORAES, H. L. S., NASCIMENTO, V. P., SALLE, C. T. P. Use of artificial intelligence (artificial neural networks) to classify antimicrobial resistance from Escherichia coli samples isolated from broilers In: 60th Western Poultrry Disease Conference, 2011, Sacramento. Proceedings 60th Western Poultry Disease Conference. , 2011c.

SALLE, F.O. . Utilização de inteligência artificial (redes neurais artificiais) para a classificação da resistência a antimicrobianos e do comportamento bioquímico de amostras de escherichia coli isoladas de frangos de corte. 2009. 0 f. Tese (Doutorado em Ciências Veterinárias) - Universidade Federal do Rio Grande do Sul,

SPOHR,A. Dissertação de Mestrado. Gerenciamento através de Redes Neurais Artificiais dos fenômenos que envolvem as atividades de produção de reprodutoras pesadas e do frango de corte, de um incubatório e de um abatedouro avícolas. 2011. - UFRGS-Universidade Federal do Rio Grande do Sul, Faculdade de Veterinária, Programa de Pós Graduação em Ciências Veterinárias. Porto Alegre, BRRS, 2011.

VIEIRA, F.M.C.; SILVA, I.J.O.; BARBOSA FILHO, J.A.D. et al. Productive losses on broiler preslaughter operations: effects of the distance from farms to abattoirs and of lairage time in a climatized holding area. Revista Brasileira de Zootecnia, v.39, p.2471-2476, 2010.