KaydedilenlerDerginizi ekleyin

Dergiler / Türk Veteriner Cerrahi Dergisi / 2025 / Cilt: 4 Sayı: 2

Atlarda Topallık Tespitinde Kullanılan Yeni Teknolojiler ve Yapay Zekâ (AI) Uygulamaları

New Technologies and Artificial Intelligence (AI) Applications Used in the Detection of Lameness in Horses

Sude Bozkurt(Bursa Uludağ Üniversitesi)0009-0006-2030-1945
Münevver Şenel(BURSA ULUDAG UNIVERSITY)0009-0007-6391-4191
Hakan Salcı(Bursa Uludağ Üniversitesi Veteriner Fakültesi)0000-0001-6548-8754
Sayfa
46–53
Yayın Tarihi
2026-06-13
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Yapılan araştırmalarda AI destekli uygulamaların geleneksel klinik değerlendirmeye kıyasla daha yüksek doğruluk ve tutarlılık sunduğu, bunun yanı sıra erken tanıya olanak sağladığı görülmüştür.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Topallık; bir veya birden fazla ekstremitede ağrı ya da fonksiyon bozukluğu sonucunda, yürüyüşteki asimetri ve hareket bozuklukları ile karakterize klinik bir bulgudur.
📊
Temel Bulgular & Veri:Geleneksel olarak topallık tespiti veteriner hekimin gözlemine ve klinik muayenesine dayalı değerlendirilir, ancak bu değerlendirmeler bazı olgularda subjektif kalmaktadır.
💡
Sonuç & Katkı:Yapılan araştırmalarda AI destekli uygulamaların geleneksel klinik değerlendirmeye kıyasla daha yüksek doğruluk ve tutarlılık sunduğu, bunun yanı sıra erken tanıya olanak sağladığı görülmüştür.
🔬Tür:Deneysel Tarla Denemesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:topallık · yapay zekâ · teknoloji

Özet

Topallık; bir veya birden fazla ekstremitede ağrı ya da fonksiyon bozukluğu sonucunda, yürüyüşteki asimetri ve hareket bozuklukları ile karakterize klinik bir bulgudur. Geleneksel olarak topallık tespiti veteriner hekimin gözlemine ve klinik muayenesine dayalı değerlendirilir, ancak bu değerlendirmeler bazı olgularda subjektif kalmaktadır. Son yıllarda gerçekleşen teknolojik gelişmelerle birlikte yapay zekâ (AI) tabanlı sistemler; video analitiği ve markırsız hareket yakalama teknolojileri sayesinde lokomotor asimetriyi objektif, tekrarlanabilir ve kantitatif olarak ölçme imkânı sağlamaktadır. Yapılan araştırmalarda AI destekli uygulamaların geleneksel klinik değerlendirmeye kıyasla daha yüksek doğruluk ve tutarlılık sunduğu, bunun yanı sıra erken tanıya olanak sağladığı görülmüştür.

Abstract

Lameness is a clinical finding characterized by alterations in gait patterns resulting from pain or functional impairment in one or more limbs. Traditionally, the detection of lameness relies on evaluations based on the veterinarian’s observation and clinical examination; however, such assessments may be subjective in certain cases. In recent years, with advances in technology, artificial intelligence (AI) based systems have enabled the objective, repeatable, and quantitative assessment of locomotor asymmetry through video analytics and unmarked motion capture technologies. Studies have shown that AI supported applications provide higher accuracy and consistency compared to traditional clinical evaluations and allows for early diagnosis.

🔖

Bu Makaleye Atıf Yap

Bozkurt, S., Şenel, M., Salcı, H. (2026). Atlarda Topallık Tespitinde Kullanılan Yeni Teknolojiler ve Yapay Zekâ (AI) Uygulamaları. Türk Veteriner Cerrahi Dergisi, Cilt: 4 Sayı: 2, 46–53. https://ajindex.com/articles/1603455

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (23)

  1. Bosch S., Serra Bragança F.M., Marin-Perianu M., Marin-Perianu R., van der Zwaag B.J., Voskamp J., Back W., van Weeren R., Havinga P.: EquiMoves: A wireless networked inertial measurement system for objective examination of horse gait. Sensors. 2018, 18(850): 1-35.
  2. Ross M.W., Dyson S.J.: Diagnosis and Management of Lameness in the Horse. 2. Baskı, Saunders Elsevier, Philadelphia, 2011, sayfa: 42-106.
  3. Arkell M., Archer R.M., Guitian F.J., May S.A.: Evidence of bias affecting the interpretation of the results of local anaesthetic nerve blocks when assessing lameness in horses. Vet. Rec. 2006, 159: 346-349.
  4. Alexeenko V.: Artificial intelligence: Is it wizardry, witchcraft, or a helping hand for an equine veterinarian? Equine Vet. J. 2023, 55: 719-722.
  5. Muloodi S., Rahmanpanah H., Gohery S., Burvill C., Tse K.M., Davies H.M.S.: What can artificial intelligence and machine learning tell us? A review of applications to equine biomechanical research. J. Mech. Behav. Biomed. Mater. 2021, 123: 104728.
  6. Lawin F.J., Byström A., Roepstorff C., Rhodin M., Almlöf M., Silva M., Andersen P.H., Kjellström H., Hernlund E.: Is markerless more or less? Comparing a smartphone computer vision method for equine lameness assessment to multi-camera motion capture. Animals. 2023, 13(3): 390.
  7. Yücel R.: Atların Ortopedik Hastalıkları. Aktif Yayıncılık, İstanbul, 2005, sayfa:16-52.
  8. Baxter G.M., Adams O.R., Stashak T.S.: Adams and Stashak’s Lameness in Horses. 6. Baskı, Wiley-Blackwell, Chichester, 2011, sayfa: 83-116.
  9. Buchner H.H., Savelberg H.H.C.M., Schamhardt H.C., Barneveld A: Head and trunk movement adaptations in horses with experimentally induced fore- or hindlimb lameness. Equine Vet. J. 1996, 28(1): 71-76.
  10. Hardeman A.M., Serra Bragança F.M., Swagemakers J.H., van Weeren P.R., Roepstorff L.: Variation in gait parameters used for objective lameness assessment in sound horses at the trot on the straight line and the lunge. Equine Vet. J. 2019, 51(6):831-839.
  11. Keegan K.G., Dent E.V., Wilson D.A., Janicek J., Kramer J., Lacarrubba A., Walsh D.M., Cassells M.W., Esther V.G.: Repeatability of subjective confidence scores for lameness localization and the association of confidence with objective lameness scores. Vet. J. 2013, 198(1): 168-171.
  12. Calle-González N., Lo Feudo C.M., Ferrucci F., Requena F., Stucchi L., Muñoz A.: Objective assessment of equine locomotor symmetry using an inertial sensor system and artificial intelligence: A comparative study. Animals. 2024, 14(6): 921.
  13. Pfob A., Lu S.C., Sidey-Gibbons C.: Machine learning in medicine: a practical introduction to techniques for data pre-processing, hyperparameter tuning, and model comparison. BMC Med. Res. Methodol. 2022, 22(1): 282.
  14. Kufel J., Bargieł-Łączek K., Kocot S., Koźlik M., Bartnikowska W., Janik M., Czogalik Ł., Dudek P., Magiera M., Lis A., Paszkiewicz I., Nawrat Z., Cebula M., Gruszczyńska K.: What is machine learning, artificial neural networks and deep learning? Examples of practical applications in medicine. Diagnostics. 2023, 13(15): 2582.
  15. Souaifi M., Dhahbi W., Jebabli N., Ceylan H.İ., Boujabli M., Muntean R.I., Dergaa I.: Artificial intelligence in sports biomechanics: A scoping review on wearable technology, motion analysis, and injury prevention. Bioengineering. 2025, 12(8): 887.
  16. Serra Bragança F.M., Broomé S., Rhodin M., Björnsdóttir S., Gunnarsson V., Voskamp J.P., Persson-Sjodin E., Back W., Lindgren G., Novoa-Bravo M., Gmel A.I., Roepstorff C., van der Zwaag B.J., van Weeren P.R., Hernlund E.: Improving gait classification in horses by using inertial measurement unit (IMU) generated data and machine learning. Sci. Rep. 2020, 10(1): 17785.
  17. Schobesberger H., Peham C.: Computerized detection of supporting forelimb lameness in the horse using an artificial neural network. Vet. J. 2002, 163(1): 77-84.
  18. Feuser A.K., Gesell-May S., Müller T., May A.: Artificial intelligence for lameness detection in horses-A preliminary study. Animals. 2022, 12(20): 2804.
  19. Clayton H.M., Hobbs S.J.: The role of biomechanical analysis of horse and rider in equitation science. Appl. Anim. Behav. Sci. 2017, 190: 123-132.
  20. Resano-Zuazu M., Carmona J.U., Argüelles D.: Short-term impact of dry needling treatment for myofascial pain on equine biomechanics through artificial intelligence-based gait analysis. Animals. 2025, 15: 1517.
  21. Wilhelm N., Vögele A., Zsoldos R., Licka T., Krüger B., Bernard J.: FuryExplorer: Visual-interactive exploration of horse motion capture data. Proc. SPIE. 2015, 9397: 93970F.
  22. Fercher C., Bartsch J., Kluge S., Schneider F., Liedtke A.M., Schleichardt A., Ueberschär O.: Applying multi-purpose commercial inertial sensors for monitoring equine locomotion in equestrian training. Sensors. 2024, 24(24): 8170.
  23. Darbandi H., Serra Bragança F.M., van der Zwaag B.J., Voskamp J., Gmel A.I., Haraldsdóttir E.H., Havinga P.: Using different combinations of body-mounted IMU sensors to estimate speed of horses, A machine learning approach. Sensors. 2021, 21(3): 798.