Microbiología predictiva mediante aprendizaje automatizado para la optimización de procesos productivos : Metanálisis

Resumen

Unsafe food containing harmful bacteria, viruses, parasites or chemicals can cause more than 200 different illnesses, from diarrhea to cancer. Worldwide, an estimated 600 million (nearly 1 in 10 people) fall ill each year after eating contaminated food, resulting in 420.000 deaths and the loss of 33 million years of healthy life. Therefore, it is necessary to detect and respond to public health threats associated with unsafe food with enabling technologies or tools. Predictive microbiology is concerned with preventing, controlling or limiting the existence of microorganisms by mapping their potential responses to particular environmental conditions, such as temperature, pH, nutrients (protein and fat), water activity (aw) and others. And machine learning as a branch or artificial intelligence learns from these data, identifying patterns for decision making. Recent studies are based in the use of supervised machine learning models to predict the presence of a foodborne pathogenic microorganism at any stage of the production chain, the most commonly used models include Random Forest and support vector machine with rating metrics for accuracy and sensitivity >80%. The main evaluation metrics of the algorithms are: accuracy, F1 score, confusion matrix, sensitivity, specificity and area under the curve (ROC-AUC, Receiver-Operating-Characteristic). Studies have shown that Random Forest was the best model, exhibiting an accuracy of 95% and a F1 score of 98%. Here were evaluated twenty five (25) articles with library metafor of Rstudio version 4.2.1 and this information provides new opportunities to explore non-destructive models for rapid detection of microorganisms in the production chain.

Descripción

Los alimentos inseguros que contienen bacterias, virus, parásitos o sustancias químicas nocivas pueden causar más de 200 enfermedades diferentes, desde diarrea hasta cáncer. Se calcula que cada año enferman en todo el mundo 600 millones de personas (casi 1 de cada 10) tras ingerir alimentos contaminados, lo que provoca 420.000 muertes y la pérdida de 33 millones de años de vida sana. Por lo tanto, es necesario detectar y responder a las amenazas para la salud pública asociadas a alimentos inseguros con tecnologías o herramientas habilitadoras. La microbiología predictiva se ocupa de prevenir, controlar o limitar la existencia de microorganismos mediante la cartografía de sus posibles respuestas a determinadas condiciones ambientales, como la temperatura, el pH, los nutrientes (proteínas y grasas), la actividad del agua (aw) y otras. Y el aprendizaje automático como rama o inteligencia artificial aprende de estos datos, identificando patrones para la toma de decisiones. Estudios recientes se basan en el uso de modelos supervisados de aprendizaje automático para predecir la presencia de un microorganismo patógeno alimentario en cualquier etapa de la cadena de producción, los modelos más utilizados incluyen Random Forest y support vector machine con métricas de evaluación de precisión y sensibilidad >80%. Las principales métricas de evaluación de los algoritmos son: precisión, puntuación F1, matriz de confusión, sensibilidad, especificidad y área bajo la curva (ROC-AUC, Receiver-Operating-Characteristic).Los estudios han demostrado que Random Forest fue el mejor modelo, exhibiendo una precisión del 95% y una puntuación F1 del 98%. Aquí se evaluaron venticinco (25) artículos con metafor biblioteca de Rstudio versión 4.2.1 y esta información proporciona nuevas oportunidades para explorar modelos no destructivos para la detección rápida de microorganismos en la cadena de producción.

Palabras clave

Microbiología predictiva, Aprendizaje automático, Seguridad alimentaria, Enfermedades transmitidas por alimentos, Patógenos

Citación