Aplicación de procesos de minería de datos para la obtención de modelos predictivos de inactivación de Listeria en alimentos

Abstract

Food borne diseases continue to be a major public health problem with high social and economic costs. It is estimated that costs per person infected with listeriosis is about US$1270. For the food industry and the regulatory agencies is clear that preventive and effective control strategies urge to be implemented. Predictive microbiology with its modeling tools and data bases enables to forecast the behavior of microorganisms along the whole food supply chain, from farm to fork. The purpose of the present study was the construction of predictive models from the information contained in a large data base through a data mining process. A total of 316 sets of inactivation data of Listeria monocytogenes and L. innocua in broth and milk were selected. After the analysis of the experimental data in relationship to dispersion and atypical values, 262 sets of inactivation data were used in the development of the model. The survivor curves showed linear behavior (70%), the 30% showed shoulder or tails of short duration, with the following distribution: shoulders (23%), tails (3%), and shoulder and tails (4%). The goodness of fit of the Weibull and the linear models (Bigelow y Esty, 1920) was assessed in accordance to the observed kinetics of inactivation. The estimation of the maximum inactivation rate (kmax) at different temperature – pH combinations allowed the construction of a surface response model (R2 = 0.90). The parameters of the polynomial model were estimated through the Levenberg-Marquard algorithm. The performance of the model was satisfactory with an Af of 1.32 and a Bf of 0.98. These results showed the usefulness of data mining processes as a proactive strategy in the control of food borne illnesses.

Las enfermedades transmitidas por alimentos y bebidas (ETA) siguen siendo un problema importante de salud pública con un alto impacto social y económico. El US Agricultural Research Service (ARS) estima que el costo de brotes de listeriosis es de US$1.270 por persona infectada. Para la industria de alimentos como para los entes reguladores es claro que las medidas de control deben incluir estrategias eficaces de prevención. La microbiología predictiva con sus herramientas de modelación y bases de datos permite vaticinar el comportamiento de los microorganismos a lo largo de la cadena de producción de un alimento, desde su producción primaria hasta el consumidor. El presente estudio tuvo como propósito utilizar la minería de datos como proceso para extraer información implícita de bases de datos para construir modelos de predicción. De la base de datos ComBase se seleccionaron 316 conjuntos de datos de inactivación de Listeria monocytogenes y L. innocua en caldo de cultivo y leche. Después de analizar sus características de dispersión, valores atípicos o nulos, 262 conjuntos de datos de entrada se utilizaron para generar el modelo de predicción. Las curvas de sobrevivencia presentaron comportamiento lineal (70%), el 30% restante presentan hombros o colas de corta duración con la siguiente distribución: hombros (23%), colas (3%) y hombros y colas (4%). De acuerdo con estas cinéticas de inactivación se evaluó el ajuste del modelo de Weibull y lineal (Bigelow y Esty, 1920) siendo este último el de mejor desempeño. La estimación de la tasa máxima de inactivación (kmax) a diferentes condiciones de temperatura y pH permitió la generación de una superficie de respuesta (R2=0.90), en donde los parámetros del modelo polinómico se estimaron a través de un algoritmo de Levenberg-Marquard. El desempeño del modelo fue satisfactorio con Af de 1.32 y un Bf de 0.98. Estos resultados evidencian la utilidad de los procesos de minería de datos como estrategia preventiva para el control de ETA.