酮病是高产奶牛常见的代谢紊乱性疾病。诊断酮病一般考虑血液中的非酯化脂肪酸（Non-esterified Fatty Acids，NEFAs）和β-羟基丁酸（β-Hydroxy Butyrate，BHB）2个指标，其中BHB被认为是诊断酮病的金标准，目前普遍认为当奶牛血液中BHB浓度≥1.2 mmol/L时患有亚临床酮病（Subclinical Ketosis），即在没有酮病临床症状的情况下，血液中BHB含量异常；当BHB浓度≥3 mmol/L时则患有临床酮病（Clinical Ketosis）。
泌乳初期是奶牛酮病的高发期。一些研究表明，酮病在泌乳前2周患病率最高，亚临床酮病的平均患病率在9.6%～21.8%，临床酮病患病率平均为27.2%，早期准确诊断亚临床酮病可以有效干预治疗，减轻损失。使用传统的化学检测方法来诊断酮病费时并且成本较高，不能实现群体水平奶牛酮病的高通量检测，而中红外光谱（Mid Infrared Spectrometry，MIRS）分析技术因其低成本、高通量的特点很好地解决了这一难题。
物质的内部元素或分子决定了其光学特性，这种光学特性可以作为指纹进行特异识别。红外光谱分析技术的原理是根据物质在红外区的吸收谱图来对其进行定性或定量，当一定频率的红外光照射在某个分子时，该分子中某个基团的振动频率与其一致时会发生能级跃迁产生吸收，这样分子内部不同的基团由于振动频率不同，在光谱记录仪上会形成不同的吸收峰，进而可以判断分子是由何种基团所组成，以达到定性分析的效果；同时根据吸收峰的面积可以对这些组分进行半定量测定，但需要满足一些要求，例如所选择的定量分析峰应有足够的强度且不与其他峰重叠。与化学检测法相比，红外光谱分析技术具有无损、高通量、易操作以及低成本等优点，但在模型建立方面需要研究人员对光谱学和数学有一定的基础，并且模型具有时空限制并不是一劳永逸的，当把建好的模型运用到其他领域时就需要重新建模，及时对模型做出更新。
红外光谱分析技术分为近红外光谱（Near Infrared Spectrometry，NIRS）和MIRS 2种，由于有机物在中红外谱区具有显著特征吸收性，所以MIRS分析技术常常被用于有机物的定量检测。一般将波数在4000~400 cm-1的范围划分为中红外区，主要分为2个部分，区域2.5~7.69 μm（4000~1330 cm-1）称为特征频率区，主要进行有机物官能团的鉴定；区域7.69~25 μm（1330~400 cm-1）称为指纹区，用来区分结构相似的化合物。近年来，随着MIRS分析技术被广泛运用于动物科学领域，绝大多数都是预测牛奶中的蛋白质和脂肪酸含量还有少数研究牛奶中矿物质的预测模型。
酮病的发生和奶牛代谢状态紧密相关，在血液代谢物中，葡萄糖、NEFAs、BHB和尿素氮是常用的代谢状态关键指标。此外，甘油三酯、胆固醇和肝酶、丙氨酸氨基转移酶（ALT）、天门冬氨酸氨基转移酶（AST）等代谢物可以提供有关肝功能的信息并识别潜在的生理失衡。
血液代谢谱测试是检测泌乳早期常见疾病的有效工具，但血样采集和分析既费时又昂贵，而且采血过程可能会让奶牛产生应激反应。已有大量研究将牛奶代替血液，作为通过MIRS预测和监测健康状况的生物基质。
国内外学者不断进行模型预测并优化。Walleser等使用一个数据集（n=622），基于牛奶MIRS以及奶牛信息包括泌乳天数、胎次组别（初产或经产）和产奶量（kg）采用弹性网络（ElasticNet）算法建立了血液中NEFAs和BHB的预测回归模型以及血液NEFAs值大于0.7 mmol/L和BHB值大于1.2 mmol/L的判别模型，得到最佳预测模型R2值分别为0.51和0.56，NEFAs判别模型的敏感性为73%，特异性为74%，BHB判别模型的敏感性为90%，特异性为83%。然后将建好的回归模型应用于另一个完全独立的数据集（n=9 660）以验证预测模型的准确性及泛化能力，得到BHB的RMSE为0.4018 mmol/L，NEFAs的RMSE为0.404 3 mmol/L。研究的另一部分是通过结合血液BHB、血液NEFAs和乳脂蛋白商（Milk Fat to Protein Quotient，FPQ）将奶牛分为代谢健康和代谢紊乱2类，如果预测的BHB˃1.2 mmol/L、NEFAs˃0.7 mmol/L或FPQ˃1.4，则奶牛被认为是代谢紊乱，然后将预测的代谢状态与通过测量的血液BHB、血液NEFAs和FPQ确定的真实代谢状态进行比较，结果准确度达94%。
牛奶中与血液中的一些代谢物的含量具有高度相关性。除了血液中的代谢物，还可以利用牛奶中的代谢物来检测奶牛酮病。国内外学者也进行了大量研究。Heuer等采用PLSR建立了牛奶中丙酮的MIRS预测模型，其中最佳结果在交叉验证的RMSE为0.21 mmol/L，此外，还将预测的丙酮浓度来识别患有亚临床酮病奶牛（阈值为0.4~1.0 mmol/L）的敏感性为95%至100%，特异性为96%～100%；Drift等研究发现单独基于MIRS预测牛奶中丙酮或BHB浓度作为奶牛酮病筛查方法出现大量的假阳性结果。因此，使用胎次、季节、FPQ以及牛奶丙酮和BHB的MIRS预测作为预测变量构建了具有随机群体效应的多变量逻辑回归模型，该模型在最佳临界值（选取灵敏度和特异性的最大总和）下，使用测定日牛奶检测酮病达到82.4%的灵敏度和83.8%的特异性。作者认为所提出的模型对于群体水平酮病监测很有价值，但不适用于个体水平。
酮病对畜群的影响包括治疗成本、淘汰率增加和产奶量降低，目前基于MIRS建立的酮病指标的预测模型可以相当有效地对牛群进行酮病的监测，但是模型的准确性与多种因素相关，还有很大的提升空间。