58 PESCADO Modelos Predictivos A partir de los resultados anteriores, se obtuvieron los si- guientes modelos predictivos: • Índice de Frescura de acuerdo con la escala oficial (UE) expresado en %: IFS = 4,51TM – 7,95TS + 9,88TI + 7,97pH – 29,21 (1) • Tiempo transcurrido durante el almacenamiento en hielo expresado en horas: TAH (h) = - 11,02TM – 467,46pH – 65,02TI + 5278,25 (2) Donde IFS es el Índice de Frescura Sensorial, TAH es el Tiempo de Almacenamiento en Hielo, TM es la conducti- vidad eléctrica obtenida con el torrymeter, pH es el po- tencial de hidrogeniones libres, TI es la temperatura in- terna y finalmente TS es la temperatura en la superficie del pescado. La ecuación para IFS (%) presentó en la validación una m= 0,97 y r2=0,95. Un análisis de superficie de respuesta demostró un intervalo de confianza (α=0,05) para la pre- dicción desde un valor de 85% hasta 30%. Por su parte, la estimación de TAH exhibió un m= 0,97 y r2=0,95. El análisis de superficie de respuesta demostró un intervalo de confianza (α=0,05) para el modelo que abarca desde 3 hasta 268 h. Los modelos fueron validados con 3 lotes de doradas distintos, mostrando en todos los casos una exactitud superior al 90% entre los valores predichos y los determinados experimentalmente, bajo condiciones de reproducibilidad.I Conclusiones Se establecieron modelos predictivos sencillos que demostraron ser muy efectivos para determinar el índice de frescura sensorial y el tiempo de almacenamiento de dorada fresca en hielo, prescindiendo de la evaluación sen- sorial y empleando técnicas analíticas rutinarias usadas en el control de calidad. Es bien sabido que la sustitución de los métodos únicos, subjetivos u objetivos, con métodos capaces de utilizar una combinación de parámetros implica beneficios adicionales siendo precisamente esto la fortaleza de los modelos propuestos. En este sentido, el diseño de modelos multivariados para predecir aspectos de interés en productos acuícolas, tanto frescos como procesados, resulta muy útil para el control, aseguramiento y gestión de la calidad en la in- dustria del pescado además de constituirse en una herramienta indispensable para la I+D+i, y otras aplicaciones científicas o industriales. Referencias bibliográficas • Alasalvar, C., Taylor, K., Oksuz, T., Garthwaite, M., Alexis, M &. Grigorakis, K. (2001). Aseguramiento de la frescura de dorada de cultivo (Sparus aurata) por métodos químicos, físicos y sensoriales. Food Chemistry 72, 33-40 • APROMAR, 2011. La acuicultura marina en España 2011. Último acceso: 09-06-2011. Disponible en http://www.apromar.es/In- formes/Informe-APROMAR-2011.pdf. • AZTI. 2008. Frescura del pescado: guía visual para su evaluación sensorial. Publicaciones AZTI-tecnalia • IFST. (1999). Desarrollo y uso de criterios microbiológicos en alimentos. London: Institute of Food Science & Technology (UK). • Membré, J. & Lambert, R. (2008). Aplicación de técnicas de modelación predictiva en la industria de alimentos: Desde el diseño hasta el aseguramiento. International Journal of Food Microbiology, 128, 10-15. • REGLAMENTO (CE) No 1022/2008 DE LA COMISIÓN, de 17 de octubre de 2008. “por el que se modifica el Reglamento (CE) no 2074/2005 en lo que respecta a los valores límite de nitrógeno básico volátil total (NBVT)”. • Smart, G. (2001). Los problemas de calidad en la lubina y dorada de cultivo del mediterráneo. In S. C. Kestin & P. D. Warriss (Eds.), Farmed Fish quality (pp. 120–128). Oxford: Fishing News (Boks)/Blackwell. tecnología