Influência das condições de manejo pré-abate na qualidade da carne suína

• Autor(a) principal: Machado, Sivanilza Teixeira
• Data de Publicação: 2013
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFGD
• Texto Completo: http://200.129.209.58:8080/handle/prefix/130
• topic: CNPQ::CIENCIAS AGRARIAS::ENGENHARIA AGRICOLA; Carne de suíno; Transporte frigorífico; Pork; Refrigerated transport

Este trabalho teve como objetivo investigar a influência do manejo pré-abate e das operações de transporte na incidência de carne PSE (Pale, Soft and Exudative), a partir de um banco de dados de suínos abatidos em um frigorífico comercial, localizado na região da grande Dourados-MS. Para tanto, adotou-se duas estratégias de avaliação, a primeira refere-se à aplicação de Análise Multivariada Integrada, em 1.832 carcaças e a segunda à aplicação de Regressão Logística Múltipla em 854 carcaças selecionadas. Para o primeiro estudo foram consideradas nove variáveis que podem influenciar a qualidade da carne suína, sendo que destas, sete estão relacionadas ao manejo pré-abate. A finalidade foi identificar quais das variáveis avaliadas eram mais relevantes para o estudo qualitativo da carcaça. Dessa forma, por meio da Análise de Componentes Principais, observou-se que as cinco primeiras componentes explicaram 89,28% da variância total. O segundo estudo, teve a finalidade de constatar a influência do transporte e da ambiência na probabilidade de risco de incidência de carne PSE, para tanto considerou-se oito variáveis, adotando o pH45 como variável dependente e as demais como variáveis explicativas: temperatura de carcaça, ambiência, tempo de embarque, viagem, distância entre a granja e o abatedouro, velocidade média durante o transporte e tempo de descanso nas baias do frigorífico. Assim, foi elaborado um modelo de regressão logística múltipla, em que a variável dependente foi construída pela identificação de carne PSE em carcaças de suínos com valores de pH45 inferior ou igual a 5,8. Para obtenção do modelo com maior capacidade de predição, aplicou-se o método de máxima verossimilhança para estimação de parâmetros e a técnica stepwise para seleção de variáveis explicativas. O modelo obtido apresentou capacidade de predição de 91,8%.