PSPedro Lucas Soldatelli

Pedro Lucas Soldatelli

*This is an algorithmically generated author record based on publicly available information.

Current Organizations / Institutes

The organizations/institutes from the scholar's latest article

Research Subjects


Pedro Lucas Soldatelli has a total of 7 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Open Access

    Avaliação de acurácia de protocolos de inseminação artificial em tempo fixo utilizando modelos de regressão logística e de aprendizado de máquina

    by Kauane Ferreira da Silva, Pedro Lucas Soldatelli, Reinaldo Santana Ferreira e Ferreira, Guilherme Emanuel Ferreira Ferraz, Déborah Galvão Peixôto Guedes de Araújo, André Krindges, Moiseis dos Santos Cecconello, João Batista Gonçalves Costa Junior

    Resumo A Inseminação Artificial em Tempo Fixo (IATF) é a principal biotecnologia utilizada nos sistemas de bovinocultura de corte no Brasil (93,3 % das inseminações em 2021), pois sincroniza a ovulação, supera o desafio da detecção de estro e melhora a eficiência reprodutiva. Diante da diversidade de protocolos hormonais disponíveis e das diferentes respostas reprodutivas, este estudo avaliou o desempenho preditivo de diferentes protocolos de IATF em fêmeas Nelore de rebanhos comerciais no estado de Mato Grosso, Brasil, por meio da comparação entre modelagem estatística clássica e aprendizado de máquina. Um conjunto de dados composto por 28.691 registros da estação de monta de 2023 foi analisado. O diagnóstico de prenhez (0/1) foi modelado utilizando regressão logística e modelos de aprendizado de máquina (Redes Neurais do tipo Perceptron Multicamadas). A regressão logística identificou o protocolo, o escore de condição corporal (ECC), a categoria animal e a aplicação de GnRH como preditores significativos (p < 0,05), sendo o ECC o fator com maior associação à probabilidade de prenhez. Em contraste, os modelos de aprendizado de máquina apresentaram desempenho preditivo moderado, com o Modelo Integrado superando a média dos modelos individuais (ROC-AUC = 0,721) e demonstrando maior estabilidade em comparação aos modelos específicos por protocolo (ROC-AUC = 0,694). Enquanto a regressão logística forneceu estimativas de efeito interpretáveis e suporte à inferência biológica, o aprendizado de máquina aumentou a acurácia preditiva ao capturar relações não lineares e interações complexas. Esses resultados indicam uma abordagem sinérgica entre modelos estatísticos clássicos e de inteligência artificial como estratégia para otimizar programas de IATF e aumentar a eficiência reprodutiva em sistemas comerciais de bovinos de corte.

  • Open Access

    Evaluation of the accuracy of fixed-time artificial insemination protocols using logistic regression and machine learning models

    by Kauane Ferreira da Silva, Pedro Lucas Soldatelli, Reinaldo Santana Ferreira e Ferreira, Guilherme Emanuel Ferreira Ferraz, Déborah Galvão Peixôto Guedes de Araújo, André Krindges, Moiseis dos Santos Cecconello, João Batista Gonçalves Costa Junior

    Fixed-time artificial insemination (FTAI) is the primary reproductive biotechnology used in Brazilian beef cattle systems, accounting for 93.3 % of inseminations in 2021, as it synchronizes ovulation, addresses the challenge of estrus detection, and improves reproductive efficiency. Given the diversity of hormonal protocols available and their varying reproductive performance, this study evaluated the predictive performance of different FTAI protocols in Nelore females from commercial herds in Mato Grosso, Brazil, by comparing classical statistical modeling with machine learning approaches. A dataset comprising 28,691 records from the 2023 breeding season was analyzed. Pregnancy outcome (0/1) was modeled using logistic regression and machine learning models based on multilayer perceptron neural networks. Logistic regression identified protocol, body condition score (BCS), animal category, and GnRH administration as significant predictors (p < 0.05), with BCS showing the strongest association with pregnancy probability. In contrast, the machine learning models showed strong predictive performance, with the integrated model outperforming the average performance of the individual models (ROC-AUC = 0.721) and demonstrating greater stability than the protocol-specific models (ROC-AUC = 0.694). While logistic regression provided interpretable effect estimates and supported biological inference, machine learning improved predictive accuracy by capturing nonlinear relationships and complex interactions. These findings suggest that a synergistic approach combining classical statistical models and artificial intelligence may optimize FTAI programs and enhance reproductive efficiency in commercial beef cattle systems.