Nitrogênio ureico no leite como biomarcador complementar em sistemas de monitoramento de precisão do bem-estar e da qualidade do leite em vacas leiteiras
DOI:
https://doi.org/10.34188/bjaerv9n3-024Palavras-chave:
bovinocultura leiteira, biomarcadores, eficiência nitrogenada, pecuária de precisão, saúde mamária, ruminaçãoResumo
A produção leiteira moderna exige ferramentas capazes de integrar nutrição, saúde, bem-estar animal e qualidade do leite. Embora os sistemas de monitoramento de precisão permitam acompanhar comportamento, produção e ambiente, sua interpretação pode ser limitada quando não associada a indicadores metabólicos. Nesse contexto, o nitrogênio ureico no leite pode complementar a avaliação nutricional e produtiva de vacas leiteiras. Foi conduzida uma revisão integrativa da literatura, com buscas nas bases SciELO, Scopus, Web of Science e Google Scholar, considerando publicações entre 2014 e 2026. Foram priorizados estudos sobre nitrogênio ureico no leite, eficiência de uso do nitrogênio, qualidade do leite, bem-estar de vacas leiteiras, sensores, ruminação, atividade, mastite, claudicação e biomarcadores lácteos. A literatura indica que o nitrogênio ureico no leite reflete o equilíbrio entre proteína dietética, energia fermentável e eficiência de utilização do nitrogênio. Quando associado a indicadores como produção diária, composição do leite, contagem de células somáticas, ruminação, atividade, condição corporal, claudicação e estresse térmico, amplia a capacidade de interpretação dos sistemas de monitoramento. O nitrogênio ureico no leite deve ser interpretado como biomarcador complementar, e não isolado. Sua integração a dados produtivos, sanitários, comportamentais e ambientais pode fortalecer a tomada de decisão em rebanhos leiteiros, contribuindo para qualidade do leite, bem-estar animal, eficiência nutricional e sustentabilidade.
Referências
BABICIU, D. E. et al. Milk biomarkers and herd welfare status in dairy cattle: a machine learning approach. Veterinary Sciences, v. 13, n. 1, p. 22, 2026. DOI: doi.org.
BARKEMA, H. W. et al. Invited review: Changes in the dairy industry affecting dairy cattle health and welfare. Journal of Dairy Science, v. 98, n. 11, p. 7426–7445, 2015. DOI: doi.org.
BEAUCHEMIN, K. A. Invited review: Current perspectives on eating and rumination activity in dairy cows. Journal of Dairy Science, v. 101, n. 6, p. 4762–4784, 2018. DOI: doi.org.
BECKER, C. A. et al. Predicting dairy cattle heat stress using machine learning techniques. Journal of Dairy Science, v. 104, n. 1, p. 501–524, 2021. DOI: doi.org.
BENEDET, A. et al. Variation of blood metabolites of Brown Swiss, Holstein-Friesian, and Simmental cows. Animals, v. 10, n. 2, p. 271, 2020. DOI: doi.org.
BOBBO, T. et al. Associations between pathogen-specific cases of subclinical mastitis and milk yield, quality, protein composition, and cheese-making traits in dairy cows. Journal of Dairy Science, v. 103, n. 6, p. 5858–5873, 2020. DOI: doi.org.
BORCHERS, M. R. et al. A validation of technologies monitoring dairy cow feeding, ruminating, and lying behaviors. Journal of Dairy Science, v. 99, n. 9, p. 7458–7466, 2016. DOI: doi.org.
BORCHERS, M. R. et al. Machine-learning-based calving prediction from activity, lying, and ruminating behaviors in dairy cattle. Journal of Dairy Science, v. 100, n. 7, p. 5664–5674, 2017. DOI: doi.org.
BRITO, L. F. et al. Invited review: Using data from sensors and other precision farming technologies to enhance the sustainability of dairy cattle breeding programs. Journal of Dairy Science, v. 108, n. 1, p. 12-25, Jan. 2025. DOI: doi.org.
BURREN, A. et al. The relationship between milk urea nitrogen content and urinary nitrogen excretion as determined in 4 Swiss dairy breeds. Journal of Dairy Science, v. 108, n. 5, p. 5342–5360, May 2025. DOI: doi.org.
COCKBURN, M. Review: Application and prospective discussion of machine learning for the management of dairy farms. Animals, v. 10, n. 9, p. 1690, Sept. 2020. DOI: doi.org.
COSTA, A. et al. Genetic associations of lactose and its ratios to other milk solids with health traits in Austrian Fleckvieh cows. Journal of Dairy Science, v. 104, n. 4, p. 4238–4248, Apr. 2021. DOI: doi.org.
DE VRIES, M. et al. Exploring the value of routinely collected herd data for estimating dairy cattle welfare. Journal of Dairy Science, v. 97, n. 2, p. 715–730, Feb. 2014.
FIGUEIREDO-PALUDO, M. et al. Characterization of dairy farms based on the urea nitrogen content of bulk tank milk in Paraná State, Brazil. Revista Brasileira de Zootecnia, v. 54, e20240031, Jan. 2025. DOI: doi.org.
GENGLER, N., SOYEURT, H., DEHARENG, F., et al. Capitalizing on fine milk composition for breeding and management of dairy cows. Journal of Dairy Science, v. 99, n. 5, p. 4071–4079, 2016. DOI: 10.3168/jds.2015-10140.
HALACHMI, I., GUARINO, M., BEWLEY, J., PASTELL, M. Smart animal agriculture: application of real-time sensors to improve animal well-being and production. Annual Review of Animal Biosciences, v. 7, p. 403–425, 2019. DOI: 10.1146/annurev-animal-020518-114851.
HOFFMANN, G., AMMON, C., VOLKAMER, L., et al. A new approach to recording rumination behavior in cattle. Sensors, v. 24, n. 17, p. 5521, 2024. DOI: 10.3390/s24175521.
HRISTOV, A. N., BANNINK, A., CROMPTON, L. A., et al. Invited review: Nitrogen in ruminant nutrition: A review of measurement techniques. Journal of Dairy Science, v. 102, n. 7, p. 5811–5852, 2019. DOI: 10.3168/jds.2018-15829.
JONKER, J. S., KOHN, R. A., ERDMAN, R. A. Using milk urea nitrogen to predict nitrogen excretion and utilization efficiency in lactating dairy cows. Journal of Dairy Science, v. 81, n. 10, p. 2681–2692, 1998. DOI: 10.3168/jds.S0022-0302(98)75825-4.
KING, M. T. M., LEBLANC, S. J., PAJOR, E. A., DEVRIES, T. J. Cow-level associations of lameness, behavior, and milk yield of cows milked in automated systems. Journal of Dairy Science, v. 100, n. 6, p. 4818–4828, 2017. DOI: 10.3168/jds.2016-12281.
LAMANNA, M., TANGORRA, F. M., COSTA, A., et al. Wearable collar technologies for dairy cows: A systematized review of the current applications and future innovations in precision livestock farming. Animals, v. 15, n. 3, p. 458, 2025. DOI: 10.3390/ani15030458.
LASSER, J., MATZHOLD, C., EGGER-DANNER, C., et al. Integrating diverse data sources to predict disease risk in dairy cattle: a machine learning approach. Journal of Animal Science, v. 99, n. 10, skab294, 2021. DOI: 10.1093/jas/skab294.
LIU, N., LI, B., ZHANG, Y., et al. Focus on behavior, health monitoring, and the precise management of dairy cows. Agriculture, v. 13, n. 10, p. 1858, 2023. DOI: 10.3390/agriculture13101858.
LUKE, T. D. W., MANSELL, P. D., WALES, W. J., et al. Invited review: Genomic selection for improved health and welfare in dairy cattle. Animal Production Science, v. 62, n. 7, p. 647–659, 2022. DOI: 10.1071/AN21165.
MANGWE, M. C., MASON, W. A., REED, C. B., SPAANS, O. K., PACHECO, D., BRYANT, R. H. A systematic review and meta-analysis of cow-level factors affecting milk urea nitrogen and urinary nitrogen output under pasture-based diets. Journal of Dairy Science, v. 108, n. 1, p. 3266–3283, 2025. DOI: 10.3168/jds.2024-25394.
MARSHALL, C. J., BECK, M. R., GARRETT, K., et al. Nitrogen balance of dairy cows divergent for milk urea nitrogen breeding values consuming either plantain or ryegrass. Animals, v. 11, n. 8, p. 2464, 2021. DOI: 10.3390/ani11082464.
MICHELENA, Á., FERNÁNDEZ, A., GARCÍA, R., et al. A review and future trends of precision livestock over dairy farms. Journal of Logic and Computation, v. 33, n. 4, p. 1–25, 2025. DOI: 10.1093/logcom/jzae111.
NEUPANE, R., ARYAL, A., HAEUSSERMANN, A., HARTUNG, E., PINEDO, P., PAUDYAL, S. Evaluating machine learning algorithms to predict lameness in dairy cattle. PLOS ONE, v. 19, n. 4, e0301167, 2024. DOI: 10.1371/journal.pone.0301167.
NOUSIAINEN, J., SHINGFIELD, K. J., HUHTANEN, P. Evaluation of milk urea nitrogen as a diagnostic of protein feeding. Journal of Dairy Science, v. 87, n. 2, p. 386–398, 2004. DOI: 10.3168/jds.S0022-0302(04)73178-1.
O'LEARY, N. W., BYRNE, D. T., O'CONNOR, A. H., SHALLOO, L. Invited review: Cattle lameness detection with accelerometers. Journal of Dairy Science, v. 103, n. 5, p. 3895–3911, 2020. DOI: 10.3168/jds.2019-17123.
PAUDYAL, S. Using rumination time to manage health and reproduction in dairy cattle: a review. Veterinary Quarterly, v. 41, n. 1, p. 292–300, 2021. DOI: 10.1080/01652176.2021.1987581.
PINEDO, P., VELEZ, J., MANRIQUEZ, D., et al. Association between lameness and milk yield, reproductive performance, and culling in dairy cows. Journal of Dairy Science, v. 100, n. 1, p. 372–381, 2017. DOI: 10.3168/jds.2016-11417.
POPESCU, S., BORDA, C., DIUGAN, E. A., et al. Dairy cows welfare quality in tie-stall housing system with or without access to exercise. Acta Veterinaria Scandinavica, v. 56, p. 43, 2014. DOI: 10.1186/s13028-014-0043-6.
RUSHEN, J., CHAPINAL, N., DE PASSILLÉ, A. M. Automated monitoring of behavioural-based animal welfare indicators. Animal Welfare, v. 21, n. 3, p. 339–350, 2012. DOI: 10.7120/09627286.21.3.339.
SHAHINFAR, S., KHANSEFID, M., HAILE-MARIAM, M., PRYCE, J. E. Machine learning approaches for the prediction of lameness in dairy cows. Animal, v. 15, n. 11, p. 100391, 2021. DOI: 10.1016/j.animal.2021.100391.
SILVA, S. R., ARAUJO, J. P., GUEDES, C., SILVA, F., ALMEIDA, M., CERQUEIRA, J. L. Precision technologies to address dairy cattle welfare: focus on lameness, mastitis and body condition. Animals, v. 11, n. 8, p. 2253, 2021. DOI: 10.3390/ani11082253.
SIMONI, A., et al. Evaluation of sensor-based health monitoring in dairy cows. Journal of Dairy Science, v. 107, n. 11, p. 9501–9515, 2024. DOI: 10.3168/jds.2024-24632.
SPEK, J. W., DIJKSTRA, J., VAN DUINKERKEN, G., BANNINK, A. A review of factors influencing milk urea concentration and its relationship with urinary urea excretion in lactating dairy cattle. Journal of Agricultural Science, v. 151, n. 3, p. 407–423, 2013. DOI: 10.1017/S0021859612000561.
STEENSELS, M., MALTZ, E., BAHR, C., BERCKMANS, D., ANTLER, A., HALACHMI, I. Towards practical application of sensors for monitoring animal health: the effect of post-calving health problems on rumination duration, activity and milk yield. Journal of Dairy Research, v. 84, n. 2, p. 132–138, 2017. DOI: 10.1017/S0022029917000176.
SILVA, B. A., ARAÚJO, L. C., PESSOA, M. I. S., CORDEIRO, E. E. V., SILVA, G. G., RESENDE, S. B., ALVES, A. A. Bem-estar animal e comportamento de vacas leiteiras: implicações produtivas e éticas. Brazilian Journal of Animal and Environmental Research, v. 8, n. 3, e81747, 2025. DOI: 10.34188/bjaerv8n3-059.
STOCCO, G., SUMMER, A., CIPOLAT-GOTET, C., ZANINI, L., VAIRANI, D., DADOUSIS, C., ZECCONI, A. Differential somatic cell count as a novel indicator of milk quality in dairy cows. Animals, v. 10, n. 5, p. 753, 2020. DOI: 10.3390/ani10050753.
STYGAR, A. H., GÓMEZ, Y., BERTESELLI, G. V., et al. A systematic review on commercially available and validated sensor technologies for welfare assessment of dairy cattle. Frontiers in Veterinary Science, v. 8, p. 634338, 2021. DOI: 10.3389/fvets.2021.634338.
STYGAR, A. H., NIEMI, J. K., VÁZQUEZ-DIOSDADO, J. A., et al. Measuring dairy cow welfare with real-time sensor-based data and farm records. Animal, v. 18, n. 1, p. 101052, 2024. DOI: 10.1016/j.animal.2023.101052.
TAVERNIER, E., PIERCE, K. M., DELABY, L., et al. Cow-level factors associated with nitrogen utilization in grazing dairy cows using a cross-sectional analysis of a large database. Journal of Dairy Science, v. 106, n. 12, p. 8871–8886, 2023. DOI: 10.3168/jds.2023-23177.
TSAI, I. C., MAYO, L. M., JONES, B. W., STONE, A. E., JANSE, S. A., BEWLEY, J. M. Precision dairy monitoring technologies use in disease detection and management. Preventive Veterinary Medicine, v. 192, p. 105370, 2021. DOI: 10.1016/j.prevetmed.2021.105370.
VÁZQUEZ-DIOSDADO, J. A., BARKER, Z. E., HODGES, H. R., et al. Accurate prediction of calving in dairy cows by applying machine learning techniques to wearable sensor data. Preventive Veterinary Medicine, v. 217, p. 105974, 2023. DOI: 10.1016/j.prevetmed.2023.105974.
WANG, J., BELL, M., LIU, X., LIU, G. Machine-learning techniques can enhance dairy cow estrus detection using location and acceleration data. Animals, v. 10, n. 7, p. 1160, 2020. DOI: 10.3390/ani10071160.
XU, W., VAN KNEGSEL, A. T. M., VERVOORT, J. J. M., et al. Prediction of metabolic status of dairy cows in early lactation with on-farm cow data and machine learning algorithms. Journal of Dairy Science, v. 102, n. 11, p. 10186–10201, 2019. DOI: 10.3168/jds.2018-15791.
YU, R., LI, B., ZHANG, H., et al. Research on automatic recognition of dairy cow daily behavior based on improved YOLOv5. Animals, v. 14, n. 3, p. 458, 2024. DOI: 10.3390/ani14030458.
ZHAO, X., ZANG, C., ZHAO, S., ZHENG, N., ZHANG, Y., WANG, J. Assessing milk urea nitrogen as an indicator of protein nutrition and nitrogen utilization efficiency: a meta-analysis. Journal of Dairy Science, v. 108, n. 5, p. 4851–4862, 2025. DOI: 10.3168/jds.2024-25656.
ZHAO, X., ZHENG, N., ZHANG, Y., WANG, J. The role of milk urea nitrogen in nutritional assessment and its relationship with phenotype of dairy cows: a review. Animal Nutrition, v. 18, p. 1–13, 2025. DOI: 10.1016/j.aninu.2024.10.012.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
- O conteúdo dos artigos é de responsabilidade exclusiva dos autores.
- É permitida a reprodução total ou parcial do conteúdo dos artigos, desde que citada a fonte.
- Artigos com plágio serão recusados, e o autor do plágio perderá o direito de publicar nesta revista.
- Os nomes e endereços informados nesta revista serão utilizados exclusivamente para os serviços prestados por esta publicação e não estão disponíveis para outros fins ou a terceiros.
- Depois de enviar os artigos, os autores cedem os direitos autorais de seus artigos ao BJAER. Se você se arrepender da submissão, o autor tem o direito de solicitar ao BJAER que não publique seu artigo. Porém, essa solicitação deve ocorrer até dois meses antes da divulgação do número que o artigo será publicado.
- O BJAER usa a licença Creative Commons CC BY. Informações sobre esta licença podem ser encontradas em: https://creativecommons.org/licenses/by/3.0/br/
Brazilian Journal of Animal and Environmental Research (BJAER) se reserva o direito de efetuar nos originais alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua, respeitando, porém, o estilo dos autores. Os trabalhos finais não serão enviadas aos autores.
