Spanish (pdf)
Article in xml format
Article references
Automatic translation
Send this article by e-mail
Cited by SciELO 
Cited by Google 
Similars in
SciELO 
Similars in Google 
Permalink
INTRODUCCIÓN
En productos cárnicos cocidos, durante el almacenamiento la matriz cárnica reacciona y pierde capacidad de retención de agua; esto ocasiona la generación de sinéresis que representa un riesgo mayor en cuanto a la calidad microbiológica ya que el agua disponible favorece la multiplicación de microorganismos presentes, alterando las características sensoriales con impacto en la vida útil 1-4. En jamón de cerdo cocido, algunos de los cambios que se producen por efecto de la sinéresis son: aparición de limosidad como resultado del crecimiento microbiano; acidez debida a la actividad metabólica bacteriana; y enverdecimiento debido a la producción de hidrógeno sulfurado por bacterias catalasa negativas5.
La vida útil o durabilidad de un producto se define como el periodo de tiempo desde la fabricación en que éste mantiene una calidad global satisfactoria, evitando que llegue a ser sensorialmente inaceptable o que pueda suponer un riesgo para la salud del consumidor 6.
Hoy los métodos tradicionales para la determinación del tiempo de vida útil, incluyen el análisis de variables microbiológicas, fisicoquímicas y sensoriales a fin de determinar y entender dichos fenómenos. Estos métodos están siendo hoy reevaluados debido a que son costosos, requieren periodos de seguimiento extensos, un número importante de muestras y en ocasiones no alcanzan a explicar la dependencia entre variables; por esta razón hoy la industria cárnica tiene un enorme interés en la mejora y la eficiencia de las metodologías para la medición de la vida útil de productos cárnicos tipo jamón cocido, mediante la aplicación de técnicas estadísticas, que permitan analizar los cambios simultáneos y complejos que ocurren durante el tiempo de vida útil (7, 8). Uno de ellos es el propuesto por Pedro et al. (2006), quienes establecen que a partir de análisis multivariado es posible desarrollar modelos de predicción de deterioro en alimentos, basados en múltiples variables 9.
Escudero et al. (2014); mediante la determinación de parámetros microbiológicos, aplicaron el análisis estadístico multivariado como herramienta de control de calidad a fin de identificar puntos críticos de control durante el proceso de industrialización de carnes provenientes de aves de corral 10.
Mataragas et al. (2007), utilizó el análisis multivariado para modelar y predecir el deterioro de productos cárnicos cocidos y curados mediante análisis de diferentes parámetros como pH, concentración de lactato, glucosa, acetato, recuento de BAL y mesófilos aerobios, a fin de encontrar correlaciones entre dichas variables y el deterioro mediante un análisis de cluster, ACP y regresión por mínimos cuadrados parciales 11.
Otro de los métodos empleados es el análisis de componentes principales (ACP), el cual agrupa las variables altamente correlacionadas que contienen información semejante, de manera que genera nuevas variables que expresan la información contenida en el conjunto original de datos y reduce la dimensionalidad del problema estudiado 12.
Valkova et al. (2007), utilizaron el análisis multivariado a través del ACP como indicador de calidad en el jamón cocido, mediante la correlación de parámetros instrumentales (perfil de textura, prueba de Warner-Bratzler y coordenadas de color: (L*a*b), sensoriales (aspecto de la superficie de corte, matriz, consistencia, color, olor, nivel de salado, gusto y terneza) y químicos (cantidad de materia, cenizas, cloruros, grasa, contenido de proteína) 13.
Cuando se tiene una variable respuesta binaria y se requiere estimar un modelo que prediga la probabilidad que alcance uno de los dos estados mediante variables explicativas se utiliza la regresión logística, en este caso se estima la incidencia de las variables explicativas sobre la probabilidad de adquirir uno de los valores binarios de la variable respuesta. Este tipo de regresión fue trabajada por Tabanelli et al. (2014), en la evaluación de dos agentes antimicrobianos frente al control de Sacharomyces cerevisiae, encontrando una región límite para el crecimiento o no crecimiento y con base en ello evaluar la interacción entre los agentes antimicrobianos 14.
La regresión logística también se ha utilizado favorablemente en la determinación de concentraciones de fagos apropiadas para la inhibición de Staphylococcus aureus en leches UHT, 15.
Tradicionalmente los modelos de regresión logística se ajustan utilizando la aproximación frecuentista, sin embargo en algunos casos no se puede estimar el ajuste debido a que son variables binarias y su comportamiento tiene una separación muy evidente, por lo tanto se requiere de aproximaciones bayesianas que permiten estimar adecuadamente los parámetros de la regresión 16.
Este tipo de metodologías han sido aplicadas en alimentos para modelar fenómenos de deterioro. Müller et al. (2006) evaluó parámetros de crecimiento microbiológico en salmón ahumado aplicando el enfoque bayesiano para el desarrollo de modelos de evaluación cuantitativa de riesgos microbiológicos (QMRA) 17.
Williams et al. (2010), encontraron que el método de síntesis bayesiano funciona bien en la evaluación de seguridad alimentaria de tipo microbiano al generar distribuciones de parámetros relevantes entre el efecto de Campylobacter en pollo, con relación a la estimación del número anual de enfermedades generadas por este microorganismo en un periodo de tiempo determinado 18. Pece et al. (2012); evaluaron la regresión logística en un estudio de plántulas de algarrobo blanco germinadas en vivero mediante diferentes concentraciones salinas; logrando obtener un modelo flexible de fácil interpretación de los parámetros estudiados; resultados a su vez acordes con lo reportado por López et al. (2011); al trabajar esta metodología con semillas de algodón 19,20. Palacios et al. (2014); mediante estadística Bayesiana estudiaron un modelo de predicción de crecimiento de poblaciones microbianas múltiples con efectos complejos asociados a condiciones de producción industrial y de distribución logrando mejores predicciones para microorganismos patógenos como Lysteria sp que los métodos tradicionales 21.
Ranta et al. (2015), presentaron un método bayesiano para evaluar y comparar los efectos de criterios microbiológicos en la producción de pollos de engorde, con el cual pudieron analizar el riesgo predictivo del consumidor frente a la exposición de microorganismos específicos presentes en un lote de producción 22.
En el presente estudio se propuso un modelo para la predicción probabilística del deterioro de jamón cocido, por medio de análisis de componentes principales y regresión logística con aproximación Bayesiana con variables microbiológicas (microorganismos aerobios mesófilos y bacterias ácido lácticas) y físico-químicas (sinéresis, pH, acidez, nitrito residual) y físicas, (dureza, adhesividad, firmeza y punción) seleccionadas con base en investigaciones previas, ya que para la industria de alimentos, contar con herramientas que permitan tomar decisiones rápidas y confiables sobre el comportamiento y desempeño de sus productos, genera la oportunidad de dinamizar sus procesos de investigación y desarrollo, en función de acciones concretas fundamentadas en principios científicos, que impacten los resultados e incrementan el nivel de confianza por parte de los consumidores.
MATERIALES Y MÉTODOS
Material de Estudio
El jamón de cerdo cocido fue producido en la planta de Industria de Alimentos Zenú S.A.S (Medellín, Colombia) Grupo Nutresa, a partir de fórmulas estándar y con base en los protocolos de elaboración y envasado establecidos. Las muestras fueron empacadas por 450 g y almacenadas en cámaras de control térmico Thermo Scientific Model 815® a una temperatura de 12°C ± 1°C que fue verificada con un sistema de adquisición de datos (Dataloger) utilizando el equipo Fluke 51 II. Los análisis se realizaron los días 3 y 40 respectivamente. El tamaño muestral fue de 300 paquetes de 450 g cada uno; cada paquete correspondía a un lote de producción diferente a fin de garantizar la independencia y la representatividad de la población de jamón. Los 300 paquetes se dividieron en dos tiempos de medición; 150 paquetes se analizaron al día 3 y los 150 restantes al día 40.
Determinación del pH
Fue determinado utilizando un potenciómetro Oakton ION 2700 Benchtop Meter, previamente calibrado con soluciones amortiguadoras de pH 4,0 y 7,0. Las mediciones se realizaron introduciendo la sonda en el interior del jamón, en tres puntos equidistantes de cada unidad muestral (paquete de 450 g).
Determinación de la sinéresis
Se realizó por diferencia de peso a cada unidad muestral (paquete de 450 g), en una balanza digital Metter Toledo PL 3001-S®. Mediante la Ecuación (1) 23.
(Ecuación 1)
Determinación de la acidez
Se analizó según NTC 4978, sobre 10 g de la unidad muestral homogenizada con 70 mL de agua destilada, titulando con NaOH 0,1 N y usando fenolftaleína al 1% como indicador. El porcentaje de acidez, se calculó con base en la Ecuación (2) 24.
(Ecuación 2)
Dónde:
Determinación de nitritos residuales
Se realizó según el método de referencia descrito en NTC 4565. Se homogenizaron 5 g de la unidad muestral con 300 mL de agua destilada caliente a 80 ± 1°C, se transfirió una alícuota de 20mL a un matraz de 50 mL, se adicionaron 2,5 mL de reactivo de sulfanilamida y 2,5 mL del reactivo de NED. Se determinó el porcentaje de tramitancia a una longitud de onda de 540 nm. Se realizó ajuste del cero con un blanco conformado por 45 mL de agua destilada adicionados con 2,5 mL de reactivo de sulfanilamida y 2,5 mL de reactivo NED. La determinación del nitrito presente se realizó con base en la Ecuación (3) 25.
(Ecuación 3)
Dónde:
Determinación de firmeza (g.f) y trabajo de punción (g. sec)
Se empleó un texturómetro universal TA.XT2i (Stable Micro Systems Ltd., Godalming, UK) provisto con una celda de carga de 30 Kg, una sonda de penetración múltiple (A/MPP; 12 pins de 12,2 cm longitud x 0,4 cm de diámetro) y una plataforma de alta resistencia (HDP/90 Heavy Duty Platform). El test de textura se realizó sobre 5 tajadas de jamón pertenecientes a cada unidad experimental de 450 g, las dimensiones de cada tajada eran de 10x10x1cm. Las condiciones de operación fueron: velocidad de pre-ensayo 1mm/s, velocidad de ensayo 1mm/s, velocidad de pos-ensayo 10mm/s, nivel de penetración de 98 %. Se realizaron 5 repeticiones por muestra 13,23,26.
Determinación instrumental de adhesividad (g.f) y dureza (g. f)
Se utilizó un texturómetro TA-XT2i (Stable Micro Systems Ltd., Godalming, UK) provisto con una celda de carga de 30kg y una sonda de 75mm de diámetro SMSP/75. El test de textura se realizó sobre 5 tajadas de jamón pertenecientes a cada unidad experimental de 450 g, las dimensiones de cada tajada eran 10x10x0,2 cm. Se comprimieron uniaxialmente un 75 % de la altura original realizando 5 repeticiones por muestra. Las condiciones de operación fueron: velocidad de pre-ensayo 3 mm/s, tasa de compresión de 20 %/s, velocidad pos-ensayo 0,8 mm/s 13.
Determinaciones microbiológicas
Para la realización de las pruebas microbiológicas (mesófilos y bacterias acido lácticas), se tomaron 10 g de cada unidad experimental que se diluyeron en 90 mL de agua peptonada; esta dilución se empleó posteriormente para la ejecución de cada determinación.
Determinación de mesófilos aerobios
Se determinaron a través del método NMP (Número más probable) usando el Kit TEMPO TVC®, según el método oficial AOAC 966.23. La flora aerobia mesófila viable se incubó durante 40 a 48 horas. Se trabajó con tres diluciones y tres tubos por dilución. En el desarrollo de la técnica durante la incubación, los microorganismos presentes en la tarjeta degradan el sustrato del medio de cultivo causando la aparición de una señal fluorescente que detecta el lector (TEMPO Reader). En función del número y el tamaño de los pocillos positivos, se calculó el número de microorganismos presentes en la muestra original según lo establecido en el método NMP (Número Más Probable) 27.
Determinación de bacterias acidolácticas (BAL)
Se determinaron automáticamente a través del método incluído en el TEMPO LAB®, con la tecnología TEMPO® (BioMéreux Industry), en el cual se obtienen niveles de prestación comparables con los de la NF ISO 15214, en 40-48 horas. Para el análisis, el TEMPO LAB® consta de un frasco con un medio de cultivo y una tarjeta específica asociada. El medio inoculado se transfirió mediante una unidad de llenado (TEMPO Filler) a una tarjeta, que contiene 48 pocillos de tres volúmenes diferentes. La tarjeta contiene 3 grupos de 16 pocillos con un logaritmo de diferencia en volumen para cada grupo de pocillos, la cual simula el Número Más Probable (NMP). Los microorganismos presentes en la tarjeta reducen el substrato del medio de cultivo durante la incubación, y causan la aparición de una señal fluorescente, que es leída por el lector TEMPO®. En función del número y del tamaño de los pocillos positivos, el sistema calcula automáticamente el número de microorganismo presentes en la muestra original de acuerdo con un cálculo basado en el método más probable 28.
Análisis estadístico
Los datos experimentales fueron analizados en el paquete estadístico R Core Team 2012. Para cada una de las variables, se hizo una comparación estadística entre los resultados obtenidos en los días 3 y 40 respectivamente, a fin de evidenciar estadísticamente cuales variables de manera individual discriminaban entre los tiempos de medición. Todas las variables estandarizadas se sometieron a un análisis de componentes principales (ACP), a fin de determinar las posibles correlaciones estadísticas entre ellas, el número de componentes más importante y las cargas de los coeficientes asociados con ellas. Una vez obtenidas las componentes principales, se seleccionaron las variables que presentaran un coeficiente más alto asociado a las componentes de mayor explicación. Estas variables se utilizaron en el ajuste de una regresión logística bayesiana. En este modelo se utilizó como variable de respuesta dicotómica el estado de “Deterioro” y “No Deterioro” de cada paquete. La estrategia Bayesiana se utilizó porque el modelo logístico tradicional presenta un sobreajuste y por lo tanto el modelo clásico no presenta convergencia para el estudio en cuestión. Dentro del enfoque Bayesiano, se seleccionó la distribución no informativa a priori (Cauchy). Para ajustar el modelo, se utilizó una muestra aleatoria del 60 % de los datos y el 40 % restante se utilizó para la validación del modelo. Los datos fueron procesados en el paquete estadístico R Core Team 2012.
RESULTADOS
Estimación de componentes principales
Se estimaron las funciones de densidad de probabilidad que representan las distribuciones de las variables para identificar la diferencia de los dos escenarios (deteriorado / no deteriorado) en los días de medición 3 y 40, mediante un suavizamiento tipo kernel. En la Figura 1, se presenta el comportamiento de las variables sinéresis, nitritos y pH, que fueron las que mejor discriminaron el fenómeno de deterioro en las muestras de jamón de cerdo cocido; se observa que en el día 40 cuando se asume que el producto ya se encuentra deteriorado (línea roja) los nitritos presentan una menor dispersión y niveles más bajos, la sinéresis mayor dispersión y valores más altos y el pH mayor dispersión y valores más bajos.
En la Tabla 1, se evidencian las correlaciones de cada una de las variables. Se seleccionaron las variables que presentaron una alta correlación (superior al 80 %), para explicar el fenómeno de deterioro. Los símbolos menos y más '' - / +'', junto a los números indican una relación negativa o positiva entre dos variables. En el caso del nitrito, este se correlacionó negativamente con la sinéresis y el recuento de microorganismos aerobios mesófilos; y positivamente con el pH. Cuando la sinéresis y el recuento de microorganismos aerobios mesófilos aumentaron, los nitritos disminuyeron, y cuando el valor del pH disminuyó el valor de los nitritos también lo hizo.
Tabla 1 Matriz de correlación de cada una de las variables explicativas.
SN (Sinéresis), AL (Ácido Láctico), N (Nitrito), LBAL (Log BAL), LM (Log Mesófilos), pH (pH), F (Firmeza), P (Punción), D (Dureza), A (Adhesividad)
En la Tabla 2, se presentan los coeficientes o cargas de las variables y el número de componentes principales (CP) del fenómeno. El primer componente (CP1), está asociado a las variables sinéresis, acidez láctica, nitritos, pH, microorganismos aerobios mesófilos y bacterias acido lácticas; por ende se etiqueta como variables de comportamiento bioquímico. Se define el segundo componente (CP2) con la dureza y adhesividad y se etiqueta como variables de comportamiento físico.
Tabla 2 Coeficientes de las variables y número de componentes principales.
SN (Sinéresis), AL (Ácido Láctico), N (Nitrito), LBAL (Log BAL), LM (Log Mesófilos), pH (pH), F (Firmeza), P (Punción), D (Dureza), A (Adhesividad).
Tomando como base lo reportado por Field (2000), las cargas con valores inferiores de 0.300, se consideran no significativas, debido a que no tienen suficiente poder predictivo para el modelo porque son muy cercanas al cero, las cargas cercanas a uno, indican que las variables tienen una alta correlación y gran poder predictivo; es por esto que se escogieron los nitritos residuales y la sinéresis como las variables representativas, ya que su correlación, distribución y carga, además de ser las más altas (0,8845), presentaron alto poder discriminante del fenómeno de deterioro en los dos momentos de medición 29.
La Tabla 3, representa los componentes principales y su porcentaje de variación acumulado. En ella se evidencia que el componente principal 1 (CP1) explicó el 73,3 % de la variabilidad, mientras que el CP2 describe un 8,41 %. En conjunto explican un 81,71 % de la variación total de los datos del fenómeno de deterioro. Esto implica que todas las variables están altamente correlacionadas entre sí, además es un grado muy alto de explicación de la variabilidad del fenómeno.
Mataragas et al. (2007) al modelar y predecir el deterioro de productos cárnicos curados y cocidos mediante análisis multivariante encontró que un porcentaje de varianza acumulado por encima de 50 % es adecuado para la realización de un modelo de tipo predictivo, este resultado es acorde con el presente estudio ya que los dos primeros componentes (CP1 y CP2) explican el 81,7 % de la variación total 11, Así mismo, González et al. (2009), al estudiar la relación entre las características fisicoquímicas y sensoriales en jamón de cerdo cocido, encontraron que el análisis de componentes principales es un método muy útil para analizar la vinculación entre parámetros, al encontrar una correlación significativa entre el tiempo de almacenamiento y algunas variables fisicoquímicas como la sinéresis con un valor del 76 % 23.
La Figura 2, representa en dos dimensiones, la distribución de las muestras en los componentes principales CP1 y CP2 respectivamente. El color corresponde al estado de conservación del producto siendo el color negro “No Deteriorado” y el color rojo “Deteriorado”, esto permite ver que la componente principal CP1 discrimina claramente porque separa los dos grupos de las variables respuesta, uno a la izquierda y el otro a la derecha, siendo las variables bioquímicas las que logran discriminar el estado de deterioro del producto.
Se realizó verificación de los resultados de las componentes principales con la base de prueba, con el 60 % de los datos y la verificación con el 40 % restante. Se encontró que con el 40 % se pudo predecir correctamente el 100 % de las muestras restantes.
Modelo logístico con aproximación bayesiana
Se construyó un modelo logístico con el fin de determinar la probabilidad de deterioro utilizando las variables asociadas al CP1 que mejor desempeño mostraron (nitritos y sinéresis)
Se estableció un rango de aceptación del 50 % (zona de estudio), como punto de referencia para clasificar las muestras en “deteriorado” (zona de rechazo) y “no deteriorado” (zona de aceptación). Este rango fue seleccionado debido a la complejidad que presenta el jamón en ser modelado con base al deterioro. La validación del modelo se realizó con el 40 % de los datos escogidos aleatoriamente y es presentada en la Figura 3, donde se observa que los puntos verdes indican que los datos se encuentran en la zona de aceptación y pertenecen al grupo de las muestras medidas en el día 3, donde se evidenció que la concentración de nitrito residual fue alta y la cantidad de sinéresis baja; los puntos azules se ubicaron en la zona de rechazo y pertenecen al grupo de las muestras medidas en el día 40, en el cual la concentración de nitrito residual fue baja y la cantidad de sinéresis aumentó considerablemente. El modelo resultante se presenta en la Ecuación (4).
(Ecuación 4)
Dónde:
P i = Probabilidad de estar deteriorado
X i = Nitrito
X 2 = Sinéresis
β 0 = 14,6262
β 1 = 0,5996
β 2 = 3,6606
La Figura 3, representa la estimación de la probabilidad de deterioro mediante el modelo de estimación logístico bayesiano, el color rojo representa una probabilidad alta de deterioro, cercana a 1 y el color beige una probabilidad baja de deterioro cercana a 0. El color amarillo representa el momento en el cual se hace la transición del estado de deterioro, sin embargo una vez se alcance el 50%, se rechaza, los puntos verdes indican las unidades experimentales (verificación), evaluadas en el día 3 y que se encuentran en de la zona de aceptación. Los puntos azules hacen parte de la zona de rechazo y caracterizan al grupo de las unidades muestrales analizadas en el día 40. Las variables consideradas son la concentración de nitrito residual y la cantidad de sinéresis que muestran un comportamiento inverso entre sí; es decir, que las muestras con más alta sinéresis y un valor de nitrito residual bajo se clasifican como “Deterioradas”, mientras que las muestras con alto recuento de nitritos y sinéresis baja corresponden al estado de “No deteriorado”.
DISCUSIÓN
Estimación de los componentes principales
Se encontró que existe una correlación negativa entre los nitritos y la sinéresis, ya que su comportamiento es inversamente proporcional a medida que transcurre el periodo de almacenamiento; este resultado es acorde a lo referenciado por Olafsdolttir et al. (2014) y Arnau y Casademont, (1987), en trabajos realizados con jamón cocido 30,31. Se corrobora tal como lo establecen Mataragas et al. (2014), que la correlación existente entre las variables fisicoquímicas y microbiológicas es determinante en la clasificación del grado de deterioro de los productos cárnicos cocidos y definen su nivel de calidad 11.
En el ACP, el 73,3 % de la variación total de los datos del fenómeno de deterioro, fue explicado mediante la primer componente principal (CP1), equivalente al 73,3 %. Según Mataragas et al. (2007), un porcentaje de varianza acumulada y explicada por encima del 50% de la variación total en un componente principal, se considera satisfactorio para explicar el comportamiento del deterioro 11. En estudios desarrollados por Casiraghi et al., (2007), aplicaron el ACP para la clasificación de jamón cocido en base al nivel de inyección de salmuera y el origen de la carne de cerdo, generando una varianza acumulada de 56,4 % y 76 %, respectivamente 32. El análisis de textura instrumental no presentó una discriminación del fenómeno, esto es acorde a lo reportado por Frontela et al. (2006), quienes encontraron que la textura medida de forma instrumental no es en general, un resultado que establezca diferencias que conlleven a la aceptación o rechazo en muestras de jamón cocido 33. En cuanto a la sinéresis, mostró un aumento a medida que transcurrió el periodo de almacenamiento, un comportamiento similar fue reportado por Gonzalez et al. (2010) en otro estudio realizado con jamón cocido 23.
Modelo logístico con aproximación bayesiana
A través del modelo logístico con aproximación bayesiana fue posible determinar la probabilidad de deterioro o no deterioro utilizando los datos obtenidos de sinéresis y nitritos residuales. Con base en la información descrita anteriormente es posible corroborar que herramientas estadísticas como ACP, en combinación con técnicas como las regresiones logísticas con aproximación bayesiana, pueden ser muy útiles para identificar variables relacionadas con la alteración, y construir modelos que estimen el estado de deterioro de alimentos como el jamón cocido; estos resultados presentan concordancia con lo reportado por Müller et al. (2006), al evaluar parámetros de crecimiento microbiológico en salmón ahumado aplicando el enfoque bayesiano para el desarrollo de modelos de evaluación cuantitativa de riesgos microbiológicos 17. Gelman et al. (2008) afirma que este tipo de modelos tiene una diferencia fundamental con respecto a otros modelos de predicción ya que la estimación de los parámetros tienen asociado un análisis estadístico de varianza estable dada la aproximación apriori que para este mismo autor corresponde a una distribución Cauchy 16.
CONCLUSIONES
El modelo logístico con aproximación bayesiana permite obtener la predicción probabilística de deterioro del jamón cocido, almacenado a 12°C usando parámetros fisicoquímicos. La aplicación del ACP permite correlacionar y clasificar los factores de deterioro del producto, a través de un componente principal (CP1) que explica el 73,3 % de la variación total de los datos. Por medio de la correlación de los parámetros, se encontró que los nitritos residuales y la sinéresis fueron los factores más relacionados del deterioro; los cuales pueden ser utilizados como una forma de revelar indicadores que pueden ser útiles para la cuantificación de la calidad, así como para clasificar el grado de deterioro del jamón cocido.
