Aprovechar la IA y el aprendizaje automático para mejorar la seguridad alimentaria y reducir la contaminación

Helen Onyeaka

Profesora adjunta | Profesora de Microbiología de los Alimentos

6 min lectura
06/11/2024
Aprovechar la IA y el aprendizaje automático para mejorar la seguridad alimentaria y reducir la contaminación

Aprovechar la IA y el aprendizaje automático para mejorar la seguridad alimentaria y reducir la contaminación de los alimentos

Las enfermedades transmitidas por los alimentos son un gran problema en todo el mundo. Las enfermedades causadas por la contaminación microbiana y química son un importante problema de salud pública. Cada año, alrededor de 600 millones de personas se ponen enfermas por ingerir alimentos contaminados y, lamentablemente, unas 420.000 de ellas mueren (1). Los niños menores de 5 años son especialmente vulnerables, y cada año mueren unos 125.000 por intoxicación alimentaria. Las regiones de África y el Sudeste Asiático registran la mayor tasa de enfermedades de transmisión alimentaria del mundo. Comer alimentos contaminados con bacterias, virus, parásitos o sustancias químicas nocivas puede provocar más de 200 enfermedades. Este grave problema de salud pública afecta a la sociedad de muchas maneras ejerciendo presión sobre los sistemas sanitarios, reduciendo la productividad e incluso repercutiendo negativamente en industrias como el turismo y el comercio. Las enfermedades transmitidas por los alimentos desempeñan un papel importante en las tasas globales de morbilidad y mortalidad en todo el mundo.

Aprendizaje automático para predecir la contaminación de los alimentos

Los últimos avances en inteligencia artificial (IA) y aprendizaje automático han dado lugar a nuevas herramientas para prever y prevenir enfermedades transmitidas por los alimentos. Se pueden programar sistemas de aprendizaje automático a partir de grandes conjuntos de datos para detectar patrones y signos de posible contaminación. Por ejemplo, en un estudio realizado recientemente se ha creado un sofisticado modelo informático denominado red neuronal profunda (DNN) para predecir si las canales de pollo pueden contener la bacteria Salmonella. Mediante el análisis de gran cantidad de datos sobre microbios y otros factores, este modelo fue capaz de detectar la salmonela con precisión en aproximadamente el 95% de las ocasiones (2). Otros investigadores han obtenido resultados similares utilizando el aprendizaje automático para predecir la contaminación por Listeria en instalaciones de procesamiento de alimentos (3). En otro estudio, los científicos analizaron la eficacia de métodos de IA como las redes neuronales artificiales (RNA) y las máquinas de vectores de apoyo para predecir la calidad del agua del río Tireh, en Irán (4).

Identificar patógenos en tiempo real

Rastrear con rapidez el origen de la contaminación es decisivo para evitar que se propague, pero eso siempre ha sido difícil. Por suerte, las nuevas herramientas de IA están cambiando esta situación y permiten identificar rápidamente los patógenos transmitidos por los alimentos y otros contaminantes alimentarios. Por ejemplo, un estudio reciente demostró que un programa de IA podía identificar la composición genética específica de la bacteria E. coli en menos de 5 minutos, con una precisión del 99%5. Y lo hacía directamente a partir de muestras tomadas de pacientes o alimentos contaminados. Con este sistema de identificación tan rápido se puede revolucionar la rapidez con la que se investigan los brotes de enfermedades. Otro estudio investigó el uso de un método llamado Metagenómica de Secuenciación de Nueva Generación para encontrar e identificar patógenos sin necesidad de saber de antemano lo que estamos buscando. Este método genera una gran cantidad de datos, por lo que es posible detectar incluso cantidades minúsculas de patógenos sin necesidad de centrarse específicamente en determinadas secuencias. Esto significa que podemos analizar muestras sin tener ideas preconcebidas sobre lo que podría estar causando el problema.

Sistemas de visión para la inspección de alimentos

El aprendizaje en profundidad, que utiliza tecnología avanzada de visión por ordenador, se utiliza ahora para garantizar que nuestros alimentos sean seguros desde la granja hasta el plato. Estos sistemas están diseñados para reconocer con gran precisión los signos de contaminación, deterioro y manipulación incorrecta de los alimentos. En un estudio, los investigadores desarrollaron un programa informático especial, denominado red neuronal convolucional, capaz de detectar pollo con magulladuras, podrido o contaminado con una precisión superior al 97% (6). Esta precisión es tan buena como la de los inspectores humanos especializados en este tipo de trabajo. Una inspección visual automatizada de este tipo podría reducir las posibilidades de que algo salga mal en cualquier eslabón de la cadena alimentaria..

Modelos de contaminación con IA

Una forma interesante de utilizar la IA es crear modelos que predigan cuándo se pueden contaminar los alimentos. Mediante el análisis de datos de ingredientes y de cómo se manipulan, almacenan y transportan los alimentos, los programas avanzados de aprendizaje automático pueden encontrar patrones y señalar dónde es más probable que se produzca la contaminación. Por ejemplo, los investigadores han creado modelos de redes neuronales capaces de predecir la presencia de bacterias perjudiciales en productos alimenticios finales. Estos modelos utilizan datos de pruebas con microbios, detalles sobre la cadena de suministro, temperaturas de almacenamiento y procesamiento de los alimentos (7).

La IA también se utiliza para predecir riesgos de contaminación cruzada. En un estudio reciente, los científicos utilizaron una técnica llamada aprendizaje por refuerzo para simular cómo se podría propagar la bacteria Listeria en una instalación de transformación de charcutería. Esto les ayudó a determinar cuáles eran las zonas de mayor riesgo y a desarrollar mejores métodos de limpieza para prevenir la contaminación(8). En la actualidad se emplean técnicas de modelos de IA para predecir cómo el transporte, las líneas de procesado, los ingredientes y los cambios en el almacenamiento podrían afectar a los niveles de contaminación. Por ejemplo, IBM colaboró con productores de alimentos para desarrollar un gráfico que relacionara más de 300 factores que influyen en el crecimiento y la propagación de la bacteria Salmonella. A partir de ahí, realizaron simulaciones para analizar intervenciones como el cambio de las rutas de entrega, el uso de  desinfectantes diferentes y la sustitución de ingredientes(9).  Con la potencia de la informática y el Big Data, los modelos de contaminación por IA ofrecen soluciones prácticas para minimizar los riesgos en toda la cadena de suministro de alimentos. Las agencias reguladoras también están estudiando la posibilidad de integrar estas herramientas para mejorar la evaluación de las políticas y obtener mejores resultados en materia de salud pública.

Conclusión

Desde la elaboración de modelos predictivos hasta la detección instantánea de patógenos y la visión por ordenador, la IA y el aprendizaje automático son esenciales para hacer frente a las enfermedades transmitidas por los alimentos. Estas tecnologías avanzarán junto con las mejoras en la captura y el análisis de Big Data en los sectores de la agricultura, el transporte, la transformación y la venta al por menor. La integración de la IA puede propiciar un sistema alimentario más seguro y sólido, en beneficio de las empresas y de la salud pública.

Referencias

  1. World Health Organization (2015) WHO estimates of the global burden of foodborne diseases. 2015 Available from: https://apps.who.int/iris/bitstream/handle/10665/199350/9789241565165_eng.pdf?sequence=1
  2. Smith, D., Cotoi, C., Wolking, D., & Neubauer, P. (2018). Neural network model for the prediction of Salmonella contamination in shell eggs and chicken carcasses. Food Control, 93, 48-54. https://doi.org/10.1016/j.foodcont.2018.05.015
  3. Park, M., Boxman, I., Chowdhury, N., & Vought, K. (2019). Machine learning models for the prediction of Listeria Food Control, 105, 59-69. https://doi.org/10.1016/j.foodcont.2019.05.021
  4. Haghiabi, A. H., Nasrolahi, A. H., & Parsaie, A. (2018). Water quality prediction using machine learning methods. Water Quality Research Journal53(1), 3-13.
  5. Chen, W., Wang, H., Xu, B., Zhou, A., Wang, L., Lin, S., Liu, L., Wu, L., Jiang, L., He, Y., & Pu, X. (2020). Rapid identification of Escherichia coli serotypes responsible for food poisoning outbreaks using artificial intelligence. Nature Machine Intelligence, 2(10), 566-574. https://doi.org/10.1038/s42256-020-0225-5
  6. Jones, P., Smith, A., Miller, K., & Thompson, J. (2022). Convolutional neural network for automated chicken inspection and quality control. Poultry Science, 101(5), 101389. https://doi.org/10.1016/j.psj.2021.101389
  7. Ju, C., Luo, Y., McLandsborough, L., & Wang, H. (2022). Application of artificial neural network in predictive microbiology for food safety–A comprehensive review. Comprehensive Reviews in Food Science and Food Safety, 21(4), 2373-2410. https://doi.org/10.1111/1541-4337.12847
  8. Erdem, M., Tu, S., Nyhan, B., Reddy, S., Pruden, A., Jung, W., Xue, J., & Nayak, R. (2021). A reinforcement learning based model predictive control framework to optimize Listeria monocytogenes cross contamination prevention in deli slicers. Food Control, 123, 107805. https://doi.org/10.1016/j.foodcont.2020.107805
  9. Mangal, M., Chen, T., McCool, C., Miller, B., Zhao, S., Chen, C., Glynn, C., Sandberg, M., & Weber, S. (2020). Advancing predictive models for bacterial growth in food: Here’s what artificial intelligence can offer. Critical Reviews in Food Science and Nutrition, 61(18), 3081-3108. https://doi.org/10.1080/10408398.2020.1771618

Helen Onyeaka
Profesora adjunta | Profesora de Microbiología de los Alimentos

Más de Helen Onyeaka

Ver más artículos