Resumen de Elaboracion de modelos predictivos de crecimiento microbiano para escherichia coli o157: h7. Validacion en productos carnicos cocidos
En este trabajo se ha realizado un modelo predictivo de crecimiento de E. Coli O157:H7 mediante medidas automatizadas en Bioscreen C y su validación en productos carnicos cocidos. El modelo se realizó en Caldo Triptona Soja controlando las siguientes variables: temperatura (9-21ºC), concentración de NaC1(0-8 %) y NaNO2(0-200 ppm), pH (4.5-8.5) y condiciones de aerobiosis/anaerobiosis.
A partir de estos datos se elaboraron las curvas de crecimiento y se estimaron los parámetros cinéticos de tasa máxima de crecimiento y fase de adaptación mediante las ecuaciones de gompertz y la de Baranyi y Roberts. Esta última opción nos proporcionó un menor error y mejor ajuste de los datos. Se observó que la temperatura, el NaC1 y el pH fueron, en este orden, las variables más influyentes en el desarrollo de E. Coli O157:H7 y que la concentración de NaNO2 y la condición de anaerobiosis/aerobiosis no ejercieron una influencia importante. Con los parámetros de crecimiento estimados se elaboraron los modelos secundarios, utilizando dos tecnicas diferentes: la forma tradicional de respuesta en superficie y utilizando redes neuronales artificiales, como nueva alternativa a los métodos convencionales de predicción del crecimiento microbiano. En ambos casos se han utilizado, por un lado los parámetros de crecimiento obtenidos directamente a partir de los datos de absorbancia, y por otro lado los obtenidos transformando previamente los datos de absorbancia en recuentos microbianos a través de una curva de calibración. En todos los casos las redes neuronales han demostrado un menor error al predecir la respuesta microbiana que los modelos de respuesta en superficie.
Tras la elaboración de los modelos se ha llevado a cabo la validación de éstos en tres etapas y valiéndose de representaciones gráficas e índices de sesgo y precisión de Ross. En primer lugar se realizó la validación matemática, enfrentando las estimaciones del modelo
