Revisão sistemática da inteligência artificial em pequenos sistemas de produção de ruminantes: aplicações, resultados de desempenho e desafios de implementação relatados

Revisão sistemáticaNível 1 · Evidência consolidadaBMC veterinary research20 ago 20260 citações

O que aconteceu

Ovinos e caprinos são componentes essenciais de sistemas de pecuária globais, apoiando os meios de subsistência de pequenos proprietários e contribuindo substancialmente para a produção de carne, leite e fibras. No entanto, muitos pequenos sistemas de produção de ruminantes permanecem extensos e limitados por infraestrutura limitada, disponibilidade de mão-de-obra e desafios no monitoramento contínuo de animais. A Inteligência Artificial (AI) oferece novas oportunidades para a gestão da pecuária de precisão através de análise automatizada de dados, detecção precoce de mudanças relacionadas à produção e saúde e melhor suporte à decisão. Esta revisão sistemática teve como objetivo caracterizar as atuais aplicações de IA na produção de ovinos e caprinos, resumir os resultados de desempenho relatados em todos os principais domínios de aplicação e identificar barreiras que afetam a implementação prática.

O que encontraram

Uma busca sistemática da Web of Science, Scopus e PubMed identificou estudos revisados por pares publicados entre janeiro de 2020 e dezembro de 2025. Dos 11.035 registros rastreados, 92 estudos atenderam aos critérios de inclusão e foram sintetizados narrativamente; a metanálise não foi realizada devido à substancial heterogeneidade metodológica entre os estudos. As aplicações de IA abrangeram seis domínios: reconhecimento de comportamento e atividade (26,1%, n = 24; acurácia média 92,4%, variação 66,7-100%), identificação individual dos animais (19,6%, n = 18; acurácia média 97,3%, variação 93,3-99,9%), saúde, bem-estar e detecção de doenças (19,6%, n = 18; acurácia média 89,7%, variação 62,0-99,0%), crescimento e mensuração corporal (9,8%, n = 9; média R2 = 0,86), genômica e biologia molecular (8,7%, n = 8; acurácia média 97,8%), e aplicações técnicas e ambientais (16,3%, n = 15; acurácia média 93,1%). Redes Neurais Convolucionais, modelos baseados em YOLO e algoritmos de Floresta Aleatória foram as abordagens mais aplicadas. As publicações cresceram acentuadamente ao longo do período de revisão, sendo 28,3% publicadas somente em 2025. Menos da metade dos estudos incluídos utilizou validação externa totalmente independente. As principais barreiras de implementação incluíam diversidade limitada de conjuntos de dados, desequilíbrio de classes, complexidade ambiental e restrições de hardware.

Por que isso importa

Os dados actuais indicam que a IA tem um forte potencial para aumentar a produção de pequenos ruminantes, em especial para a monitorização automatizada e a identificação biométrica em condições controladas. No entanto, a tradução para aplicações sustentáveis no mundo real permanece limitada por inconsistências metodológicas, validação restrita em fazendas e raças e representação insuficiente de ambientes de produção extensiva. Os progressos futuros exigirão conjuntos de dados públicos padronizados, relatórios métricos transparentes, validação independente rigorosa e avaliação focada na implantação em condições práticas de agricultura.

Tradução automática do resumo original, publicado em BMC veterinary research sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.