Existe um momento da inspeção post mortem que nenhuma foto de divulgação consegue mostrar: o instante em que quem inspeciona aproxima o rosto da carcaça e respira. Odores anormais, como o de urina ou o odor sexual em suínos, podem mudar o destino de uma carcaça inteira. E esse julgamento depende de algo que não tem certificado de calibração: o olfato de uma pessoa, depois de horas de turno, num ambiente que já cheira a muita coisa.
A pergunta que um grupo de pesquisadores suecos decidiu testar é direta: um conjunto de sensores químicos, combinado com aprendizado de máquina, consegue reconhecer esse tipo de alteração de forma consistente? A resposta do estudo é um “sim” promissor. Mas é um “sim” de laboratório, com várias condições que o leitor precisa conhecer antes de imaginar a máquina instalada ao lado da mesa de inspeção.
O que a ciência encontrou
O trabalho foi publicado em abril de 2025 no Journal of Big Data por pesquisadores da Universidade de Linköping e da Universidade Sueca de Ciências Agrárias (SLU), com financiamento que inclui a Agência Sueca de Alimentos. O equipamento é um “nariz eletrônico” de 32 elementos sensores de óxido metálico — sensores cuja resistência elétrica muda quando entram em contato com compostos voláteis. Os autores informam que, por restrição do desenvolvedor, não podem revelar os tipos de sensores usados.
A amostra foi de 100 porções de carne suína do diafragma, de cerca de 1,5 g cada, provenientes de suínos abatidos na ilha de Gotland. Metade foi mantida como controle; a outra metade foi marinada por cerca de 24 horas na urina retirada da bexiga do próprio animal, no abate. Ou seja: a contaminação foi simulada, porque, segundo os autores, amostras com odor de urina de ocorrência natural são difíceis de reunir. Parte da carne não contaminada também foi acompanhada durante semanas sob refrigeração (+5 °C), para testar se o sistema conseguia estimar o “envelhecimento” da carne.
Os sinais dos sensores foram transformados em 60 variáveis numéricas e submetidos a 43 modelos de classificação disponíveis no software MATLAB. Sete superaram 91% de acurácia na validação. O melhor foi um modelo de conjunto (Optimizable Ensemble), que combina centenas de árvores de decisão.
Os números — com as letras miúdas
Na tarefa principal — separar carne fresca de carne contaminada com urina —, o melhor modelo registrou, na validação cruzada, sensibilidade de 96,5% e especificidade de 95,3%. No conjunto de teste, a acurácia foi de 96,3%, com índice kappa de aproximadamente 0,926, que os autores descrevem como concordância quase perfeita com a referência (a informação do médico-veterinário do abatedouro, com o nariz eletrônico operando “às cegas”).
Na estimativa de frescor, o quadro é mais irregular. Distinguir a carne do primeiro dia daquela com um a dois dias adicionais chegou a 93,5% de acurácia. Mas tentar separar três classes (dia 0, dia 1 e dia 2) ficou abaixo de 50%. E, numa das comparações de envelhecimento, a classe de carne com 3 a 31 dias foi reconhecida corretamente em apenas 59,8% dos sinais. Para carne contaminada, o classificador de idade teve desempenho que os próprios autores chamaram de insatisfatório e foi descartado.
O que poucos percebem é que esses números respondem perguntas diferentes. Reconhecer uma alteração intensa e artificial é uma tarefa; reconhecer uma alteração sutil, natural e misturada a outros odores é outra. O algoritmo vê — ou, neste caso, cheira — o que foi treinado para perceber.
Os limites do estudo
Este é o parágrafo que separa a promessa do resultado. Primeiro, a contaminação foi produzida por marinada em urina, não encontrada na rotina; a intensidade do odor provavelmente é diferente da que aparece numa carcaça real. Segundo, as amostras eram pequenas porções de laboratório, medidas a cerca de 21 °C, longe do ambiente úmido, frio e carregado de odores de uma sala de abate. Terceiro, a divisão entre treino e teste foi aleatória e estratificada, sem um conjunto externo de outro abatedouro, de outra estação do ano ou de outro lote de animais — e o artigo não deixa claro se medições da mesma amostra física podem ter aparecido tanto no treino quanto no teste, o que tende a inflar o desempenho. Quarto, os sensores são proprietários e não descritos, o que dificulta a replicação por outros grupos.
Há ainda inconsistências internas que um leitor atento encontra: o texto fala em 900 medições, embora 100 amostras com três medições cada resultem em 300; as taxas de verdadeiro positivo e verdadeiro negativo do teste aparecem com valores diferentes em trechos distintos; e o resumo combina métricas de validação com o kappa do teste sem avisar. Nada disso invalida o trabalho, mas recomenda cautela com cada casa decimal. Os próprios autores classificam o sistema como prova de conceito, em nível de maturidade tecnológica 4 (validado em laboratório), destinado à pesquisa e não à aplicação industrial, e afirmam que mais validação é necessária antes de qualquer uso em escala.
O que já se sabia
Narizes eletrônicos não são novidade na ciência de alimentos. O próprio artigo lembra trabalhos anteriores voltados ao odor sexual de machos inteiros (associado à androstenona e ao escatol) e ao frescor da carne suína, com acurácias relatadas entre 84% e 90%. O estudo sueco amplia esse campo em duas direções: mira o odor de urina — que, segundo os autores, é a alteração de odor de carcaça mais frequente nos dados de controle oficial sueco — e usa animais castrados e fêmeas, justamente para não confundir o sinal com o odor sexual.
Os autores também situam o problema na regulação europeia: o Regulamento de Execução (UE) 2019/627 exige que carcaças com alterações organolépticas detectadas sejam declaradas impróprias. É uma decisão com consequência econômica e sanitária, hoje baseada em uma avaliação que eles próprios descrevem como altamente subjetiva. E reconhecem que as regras europeias sobre IA e dados limitam o uso dessa tecnologia: o pessoal do controle oficial, dizem, não pode ser substituído.
O que isso pode mudar na prática — e a lacuna brasileira
Se, no futuro, um sistema desse tipo for validado em condições reais, o papel mais plausível não é decidir, e sim padronizar e documentar. Um sensor pode oferecer um registro objetivo para casos duvidosos, ajudar a reduzir a variação entre turnos e entre pessoas e gerar dados para auditoria. A decisão sobre a destinação da carcaça continua sendo um ato do serviço oficial, com responsabilidade legal de quem assina.
Para o Brasil, a avaliação de características sensoriais, como odores anormais, faz parte do exame post mortem conduzido pelo serviço de inspeção. Não encontramos, até aqui, estudos brasileiros publicados que testem narizes eletrônicos na linha de abate de suínos sob inspeção oficial. Essa é a lacuna: antes de qualquer discussão sobre adoção, seria preciso medir o desempenho do sensor e o desempenho humano nas mesmas carcaças, em plantas brasileiras, com contaminação natural, temperatura real e uma referência bem definida. Sem isso, qualquer comparação entre “máquina” e “inspetor” fica sem régua.
Também vale a pergunta sobre o erro que mais importa. Em segurança dos alimentos, um falso negativo — a carcaça alterada que passa — tem peso diferente de um falso positivo. Um sensor com 96,5% de sensibilidade ainda deixaria passar alguns casos em cada cem alterados, e o estudo não informa como esse erro se comportaria com alterações leves.
Conclusão
O estudo não diz que um nariz eletrônico já pode inspecionar carcaças. Diz que, em laboratório, com contaminação simulada e intensa, 32 sensores e um algoritmo separaram bem carne fresca de carne marinada em urina — e tiveram mais dificuldade quando a pergunta foi sobre o tempo de vida da carne. É um bom primeiro degrau. Os próximos — validação externa, condições reais e comparação honesta com o julgamento humano — ainda não foram subidos.
Por trás de um carimbo existe ciência, responsabilidade e saúde pública. A tecnologia pode afinar os sentidos da inspeção; a responsabilidade continua tendo nome e assinatura.
Referências
- Shtepliuk I, Domènech-Gil G, Almqvist V, Kautto AH, Vågsholm I, Boqvist S, Eriksson J, Puglisi D (2025). Electronic nose and machine learning for modern meat inspection. Journal of Big Data, 12, 96. DOI 10.1186/s40537-025-01151-4 — https://link.springer.com/article/10.1186/s40537-025-01151-4
Leia também no Além do Carimbo: “Do curral à mesa de inspeção: o que são os exames ante mortem e post mortem — e por que nenhum funciona sozinho”; “99,2% no teste, 96,7% na vida real: por que a câmera que inspeciona alimentos precisa provar mais do que acurácia”; “Quem assina quando a câmera vê? IA, julgamento do inspetor e a responsabilidade que nenhum algoritmo carrega”.
Deixe um comentário