Con la proliferación de herramientas para recopilar y analizar datos que pueden informar la resolución de problemas y la toma de decisiones, el uso de big data y análisis de datos se ha vuelto omnipresente en muchas industrias. Si bien la industria alimentaria puede tardar más en adoptar big data y análisis de datos que otras industrias, tal como la atención médica, se está poniendo al día a medida que los científicos de alimentos y otros expertos reconocen su potencial como una herramienta poderosa para abordar problemas grandes y complejos en la industria alimentaria.

La inocuidad alimentaria es uno de esos problemas. Al afectar cada paso a lo largo de la cadena de suministro de alimentos, la inocuidad alimentaria depende de la capacidad de una empresa para recopilar datos confiables de manera oportuna y luego actuar sobre esa información según sea necesario. Desde la trazabilidad de los alimentos hasta el manejo digital de plagas, pasando por una mejor detección de brotes de enfermedades transmitidas por los alimentos y reducciones en el deterioro de los alimentos, se están empleando macrodatos y análisis de datos para promover la inocuidad alimentaria a nivel local y global.

“El Big Data se pueden utilizar en todos los pasos de la cadena de valor de los alimentos para mejorar la inocuidad alimentaria”, dice John Donaghy, PhD, jefe de inocuidad alimentaria de Nestlé en Suiza. En la agrícola o en los pasos de procesamiento primario, cita varios tipos de datos que se pueden recopilar para mejorar la inocuidad de los alimentos, como los datos de pruebas analíticas del agua, el estado de higiene de los trabajadores y el estado de certificación de las granjas/procesadores. En el extremo de consumo/salud pública de la cadena alimentaria, cita el uso de big data y análisis de datos para comunicar retiros del mercado a los consumidores y para rastrear la fuente de alimentos que causan brotes de enfermedades transmitidas por los alimentos. Entre estos puntos finales, indica numerosas áreas durante la fabricación donde se pueden recopilar datos, por ejemplo, pruebas de verificación microbiológica, datos de control de procesos y datos de monitoreo ambiental. “Los datos relevantes para la inocuidad y la calidad de los alimentos se pueden recopilar en tantos pasos a lo largo de [la] cadena alimentaria; incluso el control en tiempo real de la temperatura durante la logística y el transporte en la cadena de suministro puede incorporarse a la gestión dinámica de riesgos”, añade.

Para los fabricantes y procesadores de alimentos, desde pequeñas hasta grandes empresas, el impacto potencial del big data y el análisis de datos para mejorar la inocuidad alimentaria puede ser enorme. Un informe de 2022 del Grupo Asesor de Ciencia y Tecnología (STAG, por sus siglas en inglés) de la Iniciativa Global de Inocuida Alimentaria (GFSI, por sus siglas en inglés) describe el impacto potencial en las empresas, así como lo que las empresas deberían tener en cuenta al considerar el uso de big data y análisis de datos en su propia organización (ver Tablas 1 y 2, abajo).

Una última pregunta clave para las empresas, según el informe de GFSI, es: “¿Las empresas entienden el impacto estratégico del big data en sus operaciones y tienen la estrategia de talento adecuada para estos cambios?”

Varios expertos en inocuidad alimentaria ofrecen sus puntos de vista sobre el valor del big data y el análisis de datos para los fabricantes y procesadores de alimentos que pueden ayudar a las empresas a responder mejor a estas preguntas.

RECOPILACIÓN DE información para BIG DATA: FUENTES INTERNAS Y EXTERNAS

Suzy Sawyer, líder de análisis y inoucidad alimentaria, calidad y regulación digital en Cargill, subrayó el papel cada vez mayor que desempeñan los datos para que las empresas de alimentos garanticen productos seguros y de calidad. “Lo que descubrimos en Cargill es que la gran cantidad de datos recopilados de fuentes internas y externas se puede utilizar para ayudar a identificar posibles mejoras en la inocuidad alimentaria, analizar y administrar el control de calidad y mitigar los riesgos de la cadena de suministro de alimentos”, dice.

Citó una serie de fuentes internas de recopilación de datos, incluidos los datos recopilados manualmente (controles y observaciones de calidad y seguridad de la planta), así como fuentes de tecnologías digitalizadas como sensores (procesamiento en línea de máquinas/procesos), registradores de datos (sensores que capturan características tales como temperatura y humedad) e instrumentación (instrumentos de detección de infrarrojo cercano).

Las fuentes de datos externas incluyen tecnologías diseñadas para intercambiar la recopilación de datos para mejorar la inocuidad alimentaria, como notificaciones o cambios normativos, medios relacionados con los alimentos, el clima y los precios de las materias primas.

La digitalización de datos a lo largo de la cadena de suministro de alimentos permite a las empresas acumular grandes cantidades de datos internos y capturar nuevas fuentes de datos para mejorar el riesgo de inocuidad alimentaria. Las nuevas fuentes de datos, como las disponibles en los teléfonos inteligentes y las redes sociales, están creando conjuntos de datos masivos, mientras que las nuevas tecnologías permiten compartir grandes cantidades de datos a través de lo que se denomina Internet de las cosas (IoT). Los datos de sensores, dispositivos, máquinas y servicios informáticos ahora se pueden compartir a través de Internet o de un medio de comunicación como Bluetooth. Un ejemplo de esto es la gran cantidad de datos capturados por la tecnología RFID, brindando información como fechas de lotes, variables de productos, pesos y tamaños. Los dispositivos inalámbricos se pueden utilizar para leer automáticamente los datos de las etiquetas RFID para mejorar la gestión de existencias. La conexión de sensores a este sistema podría proporcionar datos adicionales sobre la condición ambiental de los bienes a medida que se mueven a lo largo de la cadena de suministro, como temperatura, humedad, polvo, suciedad, microbios o productos químicos que deterioran los alimentos.

Otras fuentes de datos que se están generando a partir de la secuenciación del genoma completo (WGS) y otros métodos “basados en ómicas” ofrecen una manera de identificar y caracterizar con mayor precisión, por ejemplo, una bacteria específica dentro de un sistema alimentario. Estos datos se basan en avances tecnológicos, como el aprendizaje automático y la inteligencia artificial, para generar algoritmos que puedan ofrecer modelos predictivos de riesgo. La red GenomeTrakr de la FDA, por ejemplo, utiliza WGS para ayudar a reducir las enfermedades y muertes transmitidas por los alimentos. Otro uso potencial de GenomeTrakr es secuenciar patógenos que no se transmiten por los alimentos pero que aún pueden estar relacionados con interrupciones en la cadena de suministro de alimentos; hasta la fecha, la red GenomeTrakr ha realizado WGS en bacterias como Salmonella, Listeria, E. coli, Campylobacter, Vibrio y Cronobacter, así como parásitos y virus, todos los cuales están disponibles públicamente a través del sitio web del Centro Nacional de Información Biotecnológica.

Abani K. Pradhan, PhD, profesora del departamento de nutrición y ciencia de los alimentos y del Centro de Inocuidad Alimentaria y Sistemas de Seguridad de la Universidad de Maryland en College Park, ve el uso cada vez mayor de métodos “basados en ómicas” como un cambio de paradigma en la vigilancia bacteriana. Él dice que el aprendizaje automático tiene el potencial de “extraer patrones útiles que podrían ayudar a mejorar los métodos y modelos actuales para predecir el riesgo o ayudar a mejorar la toma de decisiones relacionadas con la fabricación y el procesamiento”.

Sin embargo, el Dr. Pradhan enfatiza que los marcos de evaluación de riesgos y los modelos predictivos actuales no suelen incorporar información útil, como datos de genómica de patógenos. Él y sus colegas de la Universidad de Maryland actualmente están probando formas de mejorar la inocuidad alimentaria mediante la integración de datos experimentales y de campo con modelos matemáticos y el desarrollo de modelos predictivos y de riesgo para ayudar a guiar a los formuladores de políticas, las agencias gubernamentales y la industria alimentaria en la toma de decisiones informadas de gestión de riesgos. También están desarrollando modelos para usar datos genómicos bacterianos, junto con los metadatos que los acompañan, para ayudar a predecir si una bacteria es más o menos virulenta en los sistemas huésped. Se están realizando más investigaciones que implican el desarrollo de un nuevo método para incorporar datos genómicos bacterianos en un marco de modelado de respuesta a la dosis (Risk Analysis. 2022; 43: 440-445).

“La principal ventaja de estos modelos es que introducen una forma de predecir el comportamiento microbiano desde una perspectiva genómica, particularmente en especies microbianas que se sabe que tienen varios subtipos (con características potencialmente diferentes) que pueden causar infecciones y enfermedades humanas”, agrega.

Ya sea recopilando datos de forma interna o externa, los macrodatos son solo la fuente. Y como lo indica la investigación que se acaba de describir, el impacto real de los grandes datos es analizarlos e interpretar lo que significa la información para un objetivo procesable.

ANÁLISIS DE DATOS: TRADUCCIÓN DE DATOS EN INFORMACIÓN ACCIONABLE

Para aprovechar la capacidad del big data para mejorar la inocuidad alimentaria, se necesitan análisis para traducir los datos en información procesable. El término “inocuidad alimentaria de precisión” ahora se aplica para referirse al uso de macrodatos, en particular las nuevas fuentes de datos obtenidas de la secuenciación genómica y otros métodos “basados en ómicas”, para mejorar la inocuidad alimentaria.

El uso estratégico de big data se basa en la capacidad de analizar la información, ya sea por un científico de alimentos dentro de una empresa o por un investigador que trabaja en el desarrollo de modelos predictivos y de riesgo para ayudar a la industria alimentaria a mitigar los riesgos de inocuidad alimentaria.

Los expertos citan varios desafíos para este objetivo, uno de los cuales es precisamente la “grandeza” en big data. El Dr. Donaghy se refiere a esto como el volumen y la veracidad de los datos. “El usuario debe comprender dónde puede obtener el mayor valor de todos estos datos y si son lo suficientemente confiables”, dice.

El Dr. Pradhan describe este desafío para procesar grandes cantidades de datos como la necesidad de “extraer información significativa de ellos, mientras se ignora el ‘ruido’ o los datos irrelevantes”.

El Dr. Pradhan describe este desafío para procesar grandes cantidades de datos como la necesidad de “extraer información significativa de ellos, mientras se ignora el ‘ruido’ o los datos irrelevantes”.

Otro desafío es la necesidad de digitalizar los datos para que estén en una forma que pueda ser analizada, ya sea por algoritmos de máquinas o por personal capacitado. Sawyer señala que en las empresas que no se han modernizado y todavía trabajan con tecnología heredada o procesos manuales, puede que no sea posible recopilar datos digitalmente o en un formato estructurado. Ella dice que un tema común que escucha Cargill cuando se compara con las empresas es que hay grandes cantidades de intercambio de datos no estructurados entre organizaciones. “Las empresas deben tener la capacidad de extraer información significativa de estos formatos e idiomas inconsistentes”, dice.

Otro desafío es la falta de estandarización de los datos. “En ausencia de estándares de datos para toda la industria y entre industrias, las fuentes de datos han establecido sus propias definiciones que no siempre se traducen entre los sistemas internos de una organización o externos”, dice Sawyer.

Esto no solo dificulta la conexión o el intercambio de datos entre múltiples fuentes para hacer que la información sea consumible e informativa, Sawyer dice que la falta de estándares de datos puede afectar la capacidad de filtrar grandes conjuntos de datos que pueden ser relevantes para una organización o un problema que resolver. “Una forma en que Cargill aborda algunos de estos desafíos es mediante el uso de metadatos y conceptos de ciencia de datos, como el procesamiento del lenguaje natural”, agrega. “Nuestro equipo de expertos en digital, datos y análisis dentro de nuestra organización reguladora, de calidad y inocuidad alimentaria también se centra en nuevas formas de trabajar y mejorar la inocuidad alimentaria a través de tecnologías de generación de datos”.

El Dr. Donaghy subraya que no todas las empresas podrán enfrentar fácilmente estos desafíos. “Las empresas necesitan ver el valor/beneficio de cambiar sus formas actuales de trabajo”, dice. Cita ejemplos de cómo las empresas de diferentes tamaños pueden comenzar a utilizar big data en sus operaciones. Para las empresas más pequeñas, cita las muchas soluciones digitales listas para usar que se pueden comprar, como el software para el seguimiento de retiros del mercado al que las empresas se pueden conectar y los programas para el monitoreo ambiental listos para usar que las empresas pueden usar para conectar sus datos de prueba resultados.

Sin embargo, el Dr. Donaghy señala que las empresas seguirán necesitando expertos en calidad e inocuidad alimentaria para dirigir a los científicos de datos. Citó el ejemplo de la secuenciación de última generación como herramienta de diagnóstico/investigación para la inocuidad de los alimentos. “Las empresas pueden emplear un laboratorio externo para que haga esto por ellas, o pueden hacerlo internamente”, dice. “Si hacen esto último, requerirán especialistas en inocuidad alimentaria y bioinformáticos”.

Para el Dr. Pradhan, contratar a un analista de datos para procesar y analizar big data puede parecer lógico, pero cree que los fabricantes de alimentos u otras partes involucradas en la cadena de alimentos pueden beneficiarse al obtener capacitación de expertos en la materia, como científicos e investigadores que tienen una buena comprensión de la paradigmas de procesamiento, fabricación y seguridad de alimentos en estas técnicas.

Ya sea que una empresa contrate a alguien nuevo o eduque a los empleados actuales, se necesitará cierto conjunto de habilidades para navegar este nuevo terreno de big data y análisis de datos aplicados a la inocuidad alimentaria. Sawyer enumera cuatro conjuntos de habilidades principales: alfabetización de datos (la capacidad de leer, comprender e interpretar datos), traducción de datos (la capacidad de comprender las necesidades comerciales, hablar tecnología y traducir entre las entidades), análisis de datos (la capacidad de analizar datos para obtener información y tomar decisiones) y ciencia de datos (la capacidad de descubrir patrones en los datos y construir modelos predictivos con algoritmos artificiales como el aprendizaje automático).

COMPARTIENDO DATOS

Para aprovechar todo el potencial del big data y el análisis de datos para mejorar la inocuidad alimentaria, es vital compartir datos entre empresas, organismos reguladores e investigadores. La acumulación de grandes cantidades de entradas de datos de un gran número de fuentes y la mayor cantidad de datos disponibles para trabajar fortalece la capacidad de una empresa para utilizar los datos para ver patrones, predecir riesgos y tomar decisiones.

Barbara Kowalcyk, PhD, directora del Centro de Investigación y Prevención de Enfermedades Transmitidas por Alimentos (CFI) y profesora asociada de inocuidad alimentaria y salud pública en la Universidad Estatal de Ohio en Columbus, y sus colegas han estado trabajando en cómo facilitar el intercambio de datos, dada la necesidad agregar datos en toda la industria para informar mejor a los algoritmos basados ​​en inteligencia artificial y aprendizaje automático. “El intercambio de datos entre organizaciones en la industria [alimentaria] es difícil desde una perspectiva de propiedad, por lo que debemos encontrar una manera de compartir datos y agregarlos”, dice. “Si tiene suficientes datos, puede extraerlos para ayudar a informar situaciones específicas sobre lo que funciona mejor y luego compartirlo”. Por ejemplo, si una intervención ha funcionado bien para una empresa, compartirla con otras puede permitir que esas empresas destinen recursos a esa intervención.

La Dra. Kowalcyk y sus colegas están trabajando para desarrollar un marco de gobernanza de datos para compartir datos del sector público y privado que respaldará el desarrollo de modelos de evaluación de riesgos y estimaciones de lo que representa la carga financiera de las enfermedades. El proyecto ayudará a responder las preguntas que tienen muchas personas en los sectores público y privado con respecto al intercambio de datos, como quién tendrá acceso a los datos, cómo se usarán y cómo se protegerá la confidencialidad.

Las iniciativas en marcha ya están destacando tanto las razones como el beneficio de compartir datos para mejorar la inocuidad alimentaria. Junto con GenomeTrakr Network, la FDA está poniendo a prueba varias otras iniciativas bajo la Nueva Era de Inocuidad Alimentaria Más Inteligente de la FDA. Lanzada en 2020, esta iniciativa emplea una serie de herramientas y enfoques “más inteligentes” para mejorar la inocuidad de los alimentos, como los análisis predictivos y de causa raíz, así como otras herramientas, como la asociación con los estados para aprovechar los datos y el análisis. Otras iniciativas de la FDA incluyen el Piloto de Mariscos Importados con Inteligencia Artificial, la Confianza Mutua Nacional y las Evaluaciones Regulatorias Remotas.

Con acceso a nuevas herramientas para capturar grandes cantidades de datos y los medios para interpretar esos datos para mejorar la inocuidad alimentaria, las empresas de alimentos tienen una nueva y poderosa forma de garantizar la seguridad de sus productos alimenticios a lo largo de la cadena de suministro de alimentos, justo al alcance de su mano. “Todos los sectores alimentarios se beneficiarán del mayor uso de grandes datos interrelacionados desde la fuente de alimentos hasta el consumo”, dice el Dr. Donaghy, “desde la forma más inteligente en que hacemos agricultura hasta la forma más precisa en que las autoridades y los fabricantes realizan la atribución e investigación de la fuente”.

TABLA 1. CÓMO EL ANÁLISIS DE DATOS PUEDE BENEFICIAR A LAS EMPRESAS ALIMENTARIAS

• Proporcionar una comprensión precisa del motivo del deterioro de los alimentos.
• Mejorar la vida útil de un alimento mediante el examen de la microflora en el entorno de la planta.
• Realizar un seguimiento de cómo se introdujo un patógeno en una planta y cómo se transfiere de un lugar a otro.
• Seguimiento del origen de un ingrediente/lote de alimentos.
• Evaluar mejor los riesgos relacionados con los alimentos/mercancías desde el origen hasta la cosecha, el transporte, etc.
• Asegurarse de que un producto no esté involucrado en un brote de enfermedades transmitidas por los alimentos.
• Identificar rápidamente un lote contaminado si un producto está involucrado en un brote de origen alimentario para reducir el tamaño y el alcance de un retiro.
• Autenticar productos.
• Utilizar las redes sociales para la alerta temprana y la mitigación de retiros o brotes de enfermedades transmitidas por alimentos.

Fuente: GFSI Science Technology Advisory Group Report 2022.

TABLA 2. LO QUE LAS EMPRESAS ALIMENTARIAS DEBEN SABER AL UTILIZAR BIG DATA

• Reconocer cómo el big data puede ayudar a impulsar la mejora continua de la calidad, así como sus limitaciones y brechas.
• Contrate personal que reconozca cuándo y dónde tiene sentido recopilar, almacenar, analizar y visualizar big data.
• Implementar mecanismos para usar los resultados del análisis de datos para tomar decisiones, como la recopilación de datos con tableros necesarios para, por ejemplo, usar alertas tempranas, análisis de causa raíz de incidentes, perfiles de riesgo de proveedores o reacción de fabricación.
• Comparta datos a nivel mundial y entre agencias para ayudar a monitorear el flujo de patógenos a través de las cadenas de suministro globales.

Fuente: GFSI Science Technology Advisory Group Report 2022.

Por: Mary Beth Nierengarten

Fuente: foodqualityandsafety.com