Contadores de colonias manuales y automáticos: selección y verificación

Un contador de colonias ayuda a leer las colonias visibles en una placa. No identifica automáticamente microorganismos ni demuestra, solo mediante la imagen, la viabilidad de cada objeto clasificado. Su selección requiere verificar todo el recorrido desde la placa hasta el resultado aprobado.

La comparación útil incluye las placas del laboratorio, también las difíciles. Una correlación alta o un procesamiento breve no demuestran que el resultado sostenga la decisión de calidad. Las tablas y el caso siguientes son herramientas originales de evaluación, no criterios farmacopeicos.

1. Definir la tarea de lectura

Describe formato y material de la placa, medio, posible membrana, matriz, morfologías esperadas, densidades observadas e intervalo de lectura. Incluye colonias pequeñas, irregulares, próximas al borde y placas sin colonias. El ámbito de uso debe indicar cuándo puede contar el sistema y cuándo debe señalar una condición no interpretable.

Relaciona el recuento con el uso del dato: tendencias, control del proceso o resultado próximo a un umbral de decisión. Unos pocos objetos mal clasificados pueden tener efectos distintos según el contexto. Los límites de recuperación se tratan en carga microbiana e idoneidad del método; aquí se evalúa la lectura, sin modificar las condiciones de cultivo.

2. Comparar lectura manual, asistida y automática

En la lectura manual influyen iluminación, contraste, aumento, ergonomía y reglas del lector. Un contador electrónico puede reducir errores de registro sin decidir necesariamente qué objetos son colonias.

Un sistema automático adquiere imágenes y aplica reglas o modelos de clasificación. Puede uniformar la lectura y conservar un registro visual, pero sigue dependiendo de adquisición y configuración. Young et al., 2018 muestran que morfología y densidad afectan a la comparación entre lectura humana y automática. No constituye una garantía trasladable a cualquier placa farmacéutica.

3. Buscar errores en imágenes difíciles

No recortes el borde ni elimines una zona problemática sin una regla justificada: también podrías eliminar colonias reales. La calidad y la interpretabilidad de la imagen preceden al número de la pantalla.

4. Diseñar una comparación que revele diferencias

Prepara un conjunto representativo de placas e imágenes distribuido por formato, medio, densidad y dificultad visual. Justifica tamaño y repeticiones según variabilidad y decisión. Separa los casos utilizados para ajustar el sistema de los empleados para verificarlo con configuración fijada; de lo contrario podrías medir la adaptación a los mismos ejemplos.

Define un comparador, como lecturas independientes de operadores cualificados con una regla para resolver discrepancias. Conserva las lecturas iniciales: el consenso no es una verdad sin incertidumbre. Compara diferencias por placa, error con signo, error absoluto, repetibilidad y consecuencias sobre la clasificación del resultado. Evalúa por separado recuentos bajos, casos densos y correcciones.

Establece antes del estudio criterios ligados al uso, no un porcentaje elegido tras ver los datos. La diferencia porcentual se vuelve inestable cerca de cero y no está definida si el comparador vale cero. Reprocesar la misma imagen con un algoritmo determinista no evalúa la variabilidad de una nueva adquisición.

5. Controlar parámetros y correcciones

Gestiona superficie de lectura, umbrales, filtros de tamaño y reglas de separación como una configuración controlada. No cambies un parámetro placa por placa para obtener el valor esperado. Define cuándo se permite una corrección manual, quién puede realizarla y qué resultados requieren revisión.

Conserva imagen original, marcas iniciales, modificación, autor, motivo y resultado final. En Heuser et al., 2023, la revisión visual mejoró la concordancia, pero eliminó la ventaja de tiempo en la configuración estudiada. Mide también manipulación, corrección, revisión y exportación, no solo los segundos del software.

6. Cualificar el sistema y proteger los datos

Relaciona requisitos, verificaciones de instalación y funcionamiento, prestaciones locales y formación. Las imágenes de prueba del proveedor pueden comprobar ciertas funciones, pero no sustituyen la verificación con placas del laboratorio. Un contador no queda validado por utilizar un modelo de inteligencia artificial.

Identifica cámara, iluminación, software, algoritmo y versiones. Verifica asociación placa-imagen-resultado, accesos, pistas de auditoría pertinentes, transferencias y recuperación de registros. Una impresión del número puede no conservar todo lo necesario para reconstruir el análisis: evalúa datos originales, configuración e historial de correcciones según los principios FDA de integridad de datos.

7. Vigilar la rutina sin ocultar los casos críticos

Caso simulado, no experimento real: tres placas producen los valores siguientes. El comparador manual es una lectura acordada para el ejemplo, no una verdad certificada.

Ambas medias son aproximadamente 33,3 colonias por placa y la diferencia media con signo es cero. Sin embargo, dos placas difieren en diez colonias; el error absoluto medio es de aproximadamente 6,7. La compensación entre sobreestimación y subestimación oculta el problema. Tres casos ilustran el riesgo, no constituyen un plan de validación.

En rutina, define comprobaciones funcionales, competencia de los lectores, seguimiento de correcciones y acciones ante diferencias no explicadas. Nuevas placas, matrices, iluminación o actualizaciones exigen evaluar el impacto y realizar pruebas proporcionadas antes de su uso. Vuelve al laboratorio microbiológico para relacionar lectura, método y sistema de calidad.

Fuentes y límites de consulta

• OMS, TRS 961, anexo 2, 2011: buenas prácticas de equipos, métodos y calidad del laboratorio microbiológico farmacéutico.
• Young et al., 2018, PMID 29341168; Heuser et al., 2023, PMID 37395656: resúmenes públicos consultados. Sistemas y conjuntos de placas específicos, no criterios universales para el control de calidad farmacéutico.
• FDA, Data Integrity and Compliance With Drug CGMP, diciembre de 2018: datos originales, contexto y revisión. Fuentes verificadas el 30 de septiembre de 2026.