Un equipo internacional de investigadores ha identificado que los procesos actuales de depuración de aguas residuales no logran eliminar más del 8 % de las bacterias resistentes a antibióticos presentes en los vertidos urbanos. El hallazgo, publicado en Scientific Reports, confirma que las estaciones depuradoras convencionales constituyen una vía significativa de retorno de patógenos resistentes al medio acuático.
El trabajo, liderado por investigadores del Helmholtz Centre for Environmental Research (UFZ) en Leipzig, Alemania, analizó un total de 203 muestras de agua recogidas en cuatro estaciones depuradoras alemanas, antes y después del tratamiento biológico. Mediante técnicas de citometría de flujo y secuenciación del gen 16S rRNA, el estudio identificó la presencia de bacterias viables, algunas de las cuales portaban genes relacionados con resistencias a antibióticos de última línea, como los carbapenémicos y las quinolonas.
Los procesos actuales de depuración de aguas residuales no logran eliminar más del 8 % de las bacterias resistentes a antibióticos presentes en los vertidos urbanos
Según los resultados, el tratamiento secundario —que incluye procesos biológicos convencionales como la aireación con lodos activados— logra reducir de manera significativa la carga bacteriana total, pero no impide que una fracción persistente de bacterias multirresistentes escape a los mecanismos de eliminación. En concreto, el 92 % de las bacterias detectadas tras el tratamiento pertenecen a cepas resistentes que ya estaban presentes en la fase inicial del afluente.
Aunque el volumen final de bacterias es menor, la composición de las comunidades microbianas en el efluente tratado muestra una preocupante concentración relativa de patógenos potenciales, algunos asociados a infecciones nosocomiales, como Pseudomonas aeruginosa, Acinetobacter baumannii o miembros del grupo Enterobacter cloacae.
El 92 % de las bacterias detectadas tras el tratamiento pertenecen a cepas resistentes que ya estaban presentes en la fase inicial del afluente
Los autores advierten que esta persistencia tiene implicaciones relevantes en el contexto del uso de aguas regeneradas para riego, la recarga de acuíferos y la protección de ecosistemas acuáticos receptores. “Los datos sugieren que los tratamientos convencionales, por sí solos, no son suficientes para contener la diseminación ambiental de resistencias bacterianas”, concluye el estudio, que recomienda explorar tecnologías terciarias más avanzadas, como la ozonización o la oxidación avanzada.
Un modelo predictivo más preciso para anticipar la persistencia de bacterias resistentes
Uno de los principales hallazgos metodológicos del estudio radica en el desempeño del modelo de predicción desarrollado por los autores, denominado Ensemble Model (EM). Esta propuesta computacional, que integra múltiples algoritmos de aprendizaje automático, ha mostrado una capacidad predictiva superior respecto a los modelos individuales empleados habitualmente en el análisis de datos ambientales.
Concretamente, el EM combina tres enfoques distintos de regresión —Gradient Boosting (GB), Random Forest (RF) y Extreme Gradient Boosting (XGB)— a través de una técnica de stacking, que permite aprovechar las fortalezas de cada uno para generar una predicción final más robusta. Los resultados experimentales demuestran que esta arquitectura conjunta supera sistemáticamente a cada uno de los modelos por separado, y lo hace de forma consistente en todos los horizontes temporales considerados (1, 3 y 7 días), tanto en precisión como en estabilidad.
Lai, J. Research on prediction algorithm of effluent quality and development of integrated control system for waste-water treatment. Sci Rep 15, 19257 (2025). https://doi.org/10.1038/s41598-025-03612-5.
El rendimiento del modelo se evaluó utilizando métricas estándar como el error cuadrático medio (RMSE) y el coeficiente de determinación (R²), obteniendo los mejores valores en todos los casos. Por ejemplo, para la predicción a un día vista, el EM logró un R² de 0,95, mientras que los modelos individuales no superaron el 0,91. Esta superioridad se mantuvo también en las predicciones a más largo plazo, lo que sugiere una mayor capacidad del modelo para capturar tanto las fluctuaciones diarias como las tendencias semanales de la dinámica bacteriana en aguas residuales.
Según los autores, esta ventaja no solo es relevante desde un punto de vista técnico, sino que refuerza la utilidad de las herramientas basadas en inteligencia artificial para la monitorización proactiva de contaminantes microbiológicos resistentes, un ámbito que exige precisión operativa para guiar decisiones de gestión en tiempo real.
