El uso de fitosanitarios en la actividad agrícola es comúnmente extendido tanto a nivel nacional como en la Unión Europea. Actualmente, en la mayoría de los cultivos se emplean estos productos por una amplia diversidad geográfica y climática. La utilización de los productos fitosanitarios garantiza un alto rendimiento de la producción, que permite a las empresas dedicadas al sector agroalimentario proporcionar producto de alta calidad y ser competitivas en el actual contexto de mercados globales (Schäfer et al., 2019).
El empleo de productos químicos es necesario para el control de las plagas. Sin embargo, presentan efectos secundarios indeseados; como la contaminación de suelos y aguas por mecanismos como drenaje, lixiviación y acumulación de sustancias fitosanitarias, produciendo un alto daño medioambiental e importantes perjuicios a la salud humana. (Agüera et al., 2013; González et al., 2019). Por este motivo, es imprescindible utilizar racionalmente los fitosanitarios con el objetivo de controlar la contaminación de suelos y aguas (acuíferos, ríos y entornos marinos entre otros) que potenciaría los efectos perniciosos de estas sustancias sobre el medio ambiente y la salud de las personas.
El uso tan extendido de fitosanitarios en la actividad agrícola plantea la necesidad de reducir el impacto en ecosistemas naturales: suelos, acuíferos, ríos y entornos marinos. Para ello, el uso de modelos de predicción de toxicidad es una herramienta cada vez más utilizada que ayuda en la toma de decisiones. Se plantea aquí su utilización para minimizar la contaminación del medio ambiente y reducir así la incorporación de los agentes químicos a la cadena alimentaria.
En este estudio, se ha analizado del impacto de agentes fitosanitarios en entornos medioambientales basado en el empleo de herramientas predictivas de inteligencia artificial. Los resultados obtenidos permiten determinar la toxicidad, minimizando los ensayos de laboratorio y experimentos en campo o con animales, que han sido tradicionalmente utilizados. La rapidez, confiabilidad y menor costo del uso de modelos de predicción de toxicidad permitirán superar los problemas éticos y legislativos actuales de determinados ensayos que involucran estos fitosanitarios (Pérez Santín et al., 2021).

Agüera A, Martínez Bueno MJ, Fernández-Alba AR. New trends in the analytical determination of emerging contaminants and their transformation products in environmental waters. Environ Sci Pollut Res. 2013;20(6):3496–515.
González García M, Fernández-López C, Bueno-Crespo A, Martínez-España R. Extreme learning machine-based prediction of uptake of pharmaceuticals in reclaimed water-irrigated lettuces in the region of Murcia, Spain. Biosyst Eng. 2019; 177:78–89.
Pérez Santín, E., Rodríguez Solana, R., González García, M., García Suárez, M., Blanco Díaz, G.D., Cima Cabal, M.D., Moreno Rojas, J.M., López Sánchez, J.I., 2021. Toxicity prediction based on artificial intelligence: A multidisciplinary overview. WIREs Comput Mol Sci. e1516.
Schäfer RB, Liess M, Altenburger R, Filser J, Hollert H, Roß-Nickoll M, et al. Future pesticide risk assessment: narrowing the gap between intention and reality. Environ Sci Eur. 2019;31(1):21.