KI-gestützte Herdengesundheit: Wie anomaliebasierte Erkennung Krankheitsausbrüche frühzeitig erkennt

Die Kosten später Erkennung

PRRS (Porzines Reproduktives und Respiratorisches Syndrom) verursacht allein auf dem US-Markt jährlich Schäden von über 1,2 Milliarden Dollar (Iowa State University, 2024). Eine deutsche Studie über 21 Herden bezifferte die Verluste auf 75–300 € pro Sau während eines Ausbruchs. Das Muster ist bekannt: Wenn der Tierbetreuer vermehrte Aborte oder Futterverweigerung bemerkt, hat sich das Virus bereits tagelang im Stall ausgebreitet.

Klassisches Monitoring stützt sich auf visuelle Beobachtung und regelmäßige Tierarztbesuche — beides grundsätzlich reaktiv. Ein Betriebsleiter, der 2.000 Sauen betreut, kann einen subtilen Anstieg der Saugferkelmortalität um 8 % oder eine schleichende Zunahme der Aborte nicht erkennen, bevor sich die Zahlen auf dem Papier häufen. Dann ist das Zeitfenster für eine frühzeitige Intervention bereits geschlossen.

Das Grundproblem ist nicht ein Mangel an Daten. Die meisten Betriebe erfassen bereits wöchentliche Produktionskennzahlen: lebend geborene Ferkel, Totgeburten, Aborte, Saugferkelverluste, Sauenabgänge und Merzungsraten. Das Problem: Kein Mensch kann gleichzeitig sechs bis acht Indikatoren über Hunderte von Tieren verfolgen und die mehrdimensionalen Musterverschiebungen erkennen, die einem klinischen Ausbruch vorausgehen.

Was unüberwachte Anomalieerkennung tatsächlich leistet

Eine 2025 in Frontiers in Veterinary Science veröffentlichte Studie untersuchte, ob unüberwachte maschinelle Lernverfahren — Algorithmen, die „normale" Muster lernen, ohne zu wissen, wie eine Krankheit aussieht — bekannte Ausbrüche in retrospektiven Herdendaten erkennen können.

Die Forscher analysierten 8.044 Herdenwochen aus zwei großen US-Zuchtbetrieben. Jede Woche wurde durch sieben Produktionskennzahlen beschrieben: Aborte pro 1.000 Sauen, pränatale Verluste, Saugferkelmortalität, Gesamtgeborene, Lebendgeborene, gemerzte Sauen und tote Sauen pro 1.000 Tiere. Drei Algorithmen wurden getestet:

• Isolation Forest — isoliert anomale Datenpunkte durch zufällige Partitionierung. Ungewöhnliche Wochen benötigen weniger Teilungen zur Isolation und erzeugen höhere Anomalie-Scores.
• Autoencoder — ein neuronales Netz, das trainiert wird, normale Produktionsmuster zu rekonstruieren. Wochen, die es schlecht rekonstruieren kann, werden als anomal eingestuft.
• K-Nearest Neighbors (KNN) — markiert Wochen, deren Produktionsmuster weit von ihren nächsten historischen Nachbarn entfernt liegen.

Der Schwellenwert war einfach: Jede Woche mit einem Score über dem 75. Perzentil wurde als anomal markiert.

Ergebnis: 100 % Präzision bei PRRS

Alle drei Modelle erkannten jeden bestätigten PRRSV-Ausbruch in beiden Produktionssystemen mit 100 % Präzision — das heißt, jede markierte Ausbruchsperiode war tatsächlich ein Ausbruch. Die Modelle erkannten PRRS-Wochen, bevor klinische Symptome offensichtlich wurden, weil sich die Produktionskennzahlen in subtilen, mehrdimensionalen Mustern verschoben, die Menschen übersehen.

Ausbrüche des Senecavirus A (SVA) waren schwieriger zu erkennen — biologisch nachvollziehbar, da SVA mildere, lokalisierte Produktionsstörungen verursacht, die sich nicht immer in den Herden-Kennzahlen niederschlagen.

Die zentrale Erkenntnis: Unüberwachte Modelle benötigen keine gelabelten „krank"- oder „gesund"-Daten. Sie lernen, wie Normalität aussieht, und markieren alles, was davon abweicht. Das ist entscheidend für die Tiergesundheit, wo gelabelte Krankheitsdatensätze rar, unvollständig oder verzerrt sind.

Zwei Stufen: Einzeltier und Herdenmuster

Die beschriebene Studie arbeitet auf Herdenebene — sie markiert anomale Produktionswochen. Der wirkungsvollste Ansatz kombiniert dies jedoch mit Einzeltierüberwachung zu einem zweistufigen Frühwarnsystem.

Stufe 1: Individuelle Sensor-Baselines

Tragbare Sensoren (wie Ohrmarken mit Beschleunigungsmesser und Temperaturfühler) erstellen ein Verhaltensprofil für jede einzelne Sau: ihre typischen Aktivitätsmuster, Fressrhythmen, Ruhehaltung und Körpertemperaturzyklen. Wenn das Verhalten einer Sau von ihrer eigenen Baseline abweicht — ein Aktivitätsrückgang von 10–20 %, ein Temperaturanstieg von 0,5 °C über ihrer Norm — erzeugt das System eine individuelle Warnung.

Forschungen zur Afrikanischen Schweinepest bei Wildschweinen bestätigten, dass allein Beschleunigungsdaten einen täglichen Aktivitätsrückgang von 10–20 % während der Virämie erkennen können, mithilfe von Change-Point-Statistiken (Gethmann et al., 2023). Ähnliche Ansätze funktionieren zur Früherkennung von Fieber, Lahmheitsbeginn und postoperativen Komplikationen bei Produktionssauen.

Einzeltier-Alerts sind sensitiv, können aber Fehlalarme erzeugen — eine Sau, die an heißen Tagen mehr ruht oder nach einer Umgruppierung. Hier liefert Stufe 2 die Bestätigung.

Stufe 2: Anomalieerkennung auf Herdenebene

Wenn dieselben Anomalie-Algorithmen auf aggregierten Herdendaten laufen — mittlere Aktivitätsniveaus, Temperaturverteilungen, Mortalitätstrends, Reproduktionsleistung — erkennen sie populationsweite Verschiebungen, die individuelle Alerts bestätigen oder herausfiltern.

Wenn drei Sauen in derselben Bucht Aktivitätsrückgänge zeigen, während die Herdenmortalität um eine halbe Standardabweichung steigt, eskaliert das System. Wenn eine einzelne Sau mehr ruht, aber alle Herdenkennzahlen normal bleiben, liegt es wahrscheinlich an Umweltfaktoren oder individuellen Schwankungen.

Diese Zwei-Stufen-Architektur löst den Präzisions-Recall-Kompromiss: Individualsensoren fangen Probleme früh auf (hoher Recall), Herden-Modelle bestätigen echte Ausbrüche (hohe Präzision).

Warum „unüberwacht" für Landwirte wichtig ist

Die meisten KI-Systeme in der Landwirtschaft erfordern gelabelte Trainingsdaten — jemand muss tausende Beispiele als „krank" oder „gesund" kennzeichnen, bevor das Modell etwas lernt. Bei Krankheiten wie PRRS, PED oder ASP entsteht ein Henne-Ei-Problem: Ausbrüche sind (glücklicherweise) selten, sodass gelabelte Beispiele kaum verfügbar sind.

Unüberwachte Modelle umgehen dieses Problem vollständig. Sie lernen die normalen Rhythmen des Betriebs — saisonale Muster, Paritätseffekte, Managementroutinen — und markieren alles Ungewöhnliche. Eine neue Krankheit, die das Modell noch nie gesehen hat, wird trotzdem erkannt, weil die Produktionsstörung selbst das Signal ist.

Das bedeutet auch: Das System passt sich an die spezifischen Bedingungen jedes Betriebs an. Ein 5.000-Sauen-Betrieb in den Niederlanden und ein 500-Sauen-Betrieb in Bayern werden unterschiedliche Baseline-Muster haben, aber die Anomalieerkennung funktioniert bei beiden, weil sie aus der eigenen Betriebshistorie lernt.

Von der Forschung in die Praxis

Die Umsetzung auf einem arbeitenden Schweinebetrieb erfordert drei Komponenten:

1. Kontinuierliche Datenerfassung — entweder aus bestehender Herdenmanagement-Software (Produktionskennzahlen) oder aus tragbaren Sensoren, die Verhaltens- und physiologische Daten in Echtzeit übertragen.
2. Baseline-Modellierung — Algorithmen, die Einzeltier- und Herdenprofile aus den ersten Datenwochen aufbauen und sich kontinuierlich an veränderte Bedingungen anpassen.
3. Alert-Management — ein Dashboard oder mobiles Benachrichtigungssystem, das Anomalien mit Kontext darstellt: welche Indikatoren anomal sind, wie viele Tiere betroffen sind und wie der Trend aussieht.

BioCV's BioTag-Ohrmarken erfassen die zwei aussagekräftigsten Gesundheitssignale — triaxiale Beschleunigung (Aktivität, Haltung, Fressverhalten) und Körpertemperatur — kontinuierlich für jede Sau. Kombiniert mit der Herdenanalytik der BioCV-Plattform entsteht genau das zweistufige System, auf das die Forschung hinweist.

Was das für das Herdenmanagement bedeutet

Frühe Ausbruchserkennung verhindert nicht nur Verluste — obwohl die eine Woche frühere Erkennung eines PRRS-Ausbruchs auf einem mittelgroßen Sauenbetrieb Zehntausende Euro einsparen kann. Es geht um den Wechsel von reaktiver zu prädiktiver Herdengesundheit:

• Schnellere tierärztliche Reaktion — den Tierarzt auf Basis von Datenmustern alarmieren, nicht auf Verdacht des Tierpflegers
• Gezielte Intervention — betroffene Buchten oder Tiergruppen isolieren, bevor sich der Erreger im gesamten Betrieb ausbreitet
• Besserer Antibiotikaeinsatz — früh und gezielt behandeln statt metaphylaktischer Breitbandtherapie
• Versicherungs- und Compliance-Dokumentation — zeitgestempelte Anomaliedaten als objektiver Nachweis für Versicherungsansprüche und behördliche Audits

Die Forschung ist eindeutig: Die Daten, die die meisten Betriebe bereits erfassen, enthalten Ausbruchssignale, die Menschen routinemäßig übersehen. Unüberwachte KI extrahiert diese Signale automatisch. Kombiniert mit Einzeltier-Sensorik entsteht ein praxistaugliches Frühwarnsystem, das die Krankheitsbekämpfung in der Schweinehaltung grundlegend verändern kann.

---

Möchten Sie erfahren, wie kontinuierliches Sensor-Monitoring die Herdengesundheit in Ihrem Betrieb verbessern kann? Erfahren Sie mehr über BioCV's Sauenmonitoring oder kontaktieren Sie unser Team.