CN111739579B - 一种肉鸡产业链沙门氏菌的定量风险评估方法 - Google Patents
一种肉鸡产业链沙门氏菌的定量风险评估方法 Download PDFInfo
- Publication number
- CN111739579B CN111739579B CN202010453385.2A CN202010453385A CN111739579B CN 111739579 B CN111739579 B CN 111739579B CN 202010453385 A CN202010453385 A CN 202010453385A CN 111739579 B CN111739579 B CN 111739579B
- Authority
- CN
- China
- Prior art keywords
- risk
- model
- link
- link model
- bacterial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Bioethics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明为一种肉鸡产业链沙门氏菌的定量风险评估方法,包括:危害识别、暴露评估、危害特征描述和风险特征描述;所述风险特征描述包含风险拟合方法,所述风险拟合方法具体为:步骤1:评估模型输入,构建若干个模型输入参数的分布函数;步骤2:将分布函数采用蒙特卡罗模拟,修正数据缺失,以概率分布的方式表示模拟结果,获得评估结果;步骤3:敏感性分析,分析各风险因子对评估结果的影响,以斯皮尔曼相关系数结合龙卷风图表示。本发明通过分布函数拟合,来描述微生物风险评估的不确定性及在特定条件下的可能数值和范围。
Description
技术领域
本发明涉及微生物风险评估领域,具体涉及一种肉鸡产业链沙门氏菌的定量风险评估方法。
背景技术
风险是指食品中危害因子导致的对人类健康的有害作用及其严重程度的概率函数。1955年,世界粮农组织、世界卫生组织在瑞士日内瓦联合召开风险分析专家委员会,首次提出在食品安全领域进行风险分析的概念。食品安全风险分析分为风险评估、风险管理和风险交流三个重要组成部分。风险评估是计算风险大小及确定影响风险的各种因素,风险管理是发展与实施控制各种风险的策略和政策,风险交流是在各种与风险相关的组织之间进行信息沟通。风险评估是风险管理及风险交流的前提和基础,主要目的为将风险量化到消费特定食品的特定人群,并确定可以降低风险水平的策略和措施。
定量风险评估指通过相关数据的量化分析来描述、推断某一事物发生事故的可能性和后果。食品领域的定量风险评估主要指有害微生物和有害化学成分的量化分析。微生物定量风险评估是人体暴露于食源性危害后对人体健康产生的负面影响和潜在不良作用的科学评价。定量微生物风险评估包含四个部分:1)危害识别,2)暴露评估,3)危害特征描述(剂量效应评估),4)风险特征描述,风险评估框架如图1所示,该图强调风险评估需要两类数据,特定病原菌的污染率和浓度。
微生物风险评估应考虑过程中各环节的不确定性,而目前,对不确定性的评估过程尚有不足。
发明内容
本发明所要解决的技术问题是克服现有技术中的不足,通过分布函数拟合,来描述微生物风险评估的不确定性及在特定条件下的可能数值和范围。
为达到以上目的,本发明采用的技术方案为:一种肉鸡产业链沙门氏菌的定量风险评估方法,包括:危害识别、暴露评估、危害特征描述和风险特征描述;所述风险特征描述包含风险拟合方法,所述风险拟合方法具体为:
步骤1:评估模型输入,构建若干个评估模型的分布函数;
步骤2:将分布函数采用蒙特卡罗模拟,修正数据缺失,以概率分布的方式表示模拟结果,获得评估结果;
步骤3:敏感性分析,分析各风险因子对评估结果的影响,以斯皮尔曼相关系数结合龙卷风图表示。
优选的,所述评估模型包括养殖环节模型、放血环节模型、浸烫环节模型、掏膛环节模型、预冷清洗环节模型、分割环节模型、储藏环节模型、分销环节模型、零售环节模型、运输环节模型和消费环节模型。
优选的,所述养殖环节模型包括:用Pert(a,b,c)分布来肉鸡养殖环节的细菌污染率变化范围;
所述放血环节模型包括:用Normal(μ,σ)分布来表示温度、时间和细菌增长量,其中μ为平均值,σ为标准差;
所述浸烫环节模型包括:温度、时间和细菌死亡量;
所述掏膛环节模型包括:掏膛前细菌污染率和掏膛后细菌污染率;
所述预冷清洗环节模型包括:温度、时间、NaClO浓度、细菌死亡量和污染率;
所述分割环节模型包括:分割前后细菌污染率增加量;
所述储藏环节模型包括:温度、时间和细菌死亡量;
所述分销环节模型包括:污染率增加量;
所述零售环节模型包括:温度、时间和细菌死亡量;
所述运输环节模型包括:温度、时间和细菌增长量;
所述消费环节模型包括:烹饪温度、烹饪时间和细菌死亡量。
优选的,放血环节模型的细菌增长量采用逄海英构建的鸡肉沙门氏菌在13~33℃下的Gompertz一级模型和Arrhenius二级模型计算获得。
优选的,预冷清洗环节模型污染率的计算采用如下所示公式:Ypc=18.28+15.75X1+0.757X2-0.636X3+0.0044X3 2。
优选的,分割环节模型的分割前后细菌污染率增加量计算公式如下:Ppotion-cc=Ppotion-after-Ppotion-before;
式中,Ppotion-cc为分割环节的污染率增加量,Ppotion-after为分割后的细菌污染率,Ppotion-before为分割前细菌污染率即消毒后细菌污染率。
优选的,运输环节模型细菌增长量为在10~45℃下根据Baranyi一级模型和修正的Ratkowsky二级模型计算得到。
优选的,所述危害特征描述,采用公式计算致病概率,所述公式为:
其中P(response)为患病概率,dose为剂量,δ=0.175,N50=1.1×106。
优选的,该方法还包括步骤4:模型验证,将实际沙门氏菌污染数据与评估结果进行比较。
优选的,利用@risk7.5软件中的分布拟合功能,对数据进行随机分布拟合,将风险评估中所涉及到的各变量和参数,用特定的值、公式或分布来表示,在Excel工作表中建立模型。
与现有技术相比,本发明具有以下有益效果:
1、通过分布函数拟合,来描述微生物风险评估的不确定性及在特定条件下的可能数值和范围。
2、增加了模型验证环节,将实际沙门氏菌污染数据与评估结果进行比较,提高评估准确率。
3、@risk7.5软件进行函数拟合,嵌入Microsoft Excel电子表中,无需再安装其他软件,使得操作简便。
4、以斯皮尔曼相关系数结合龙卷风图表示,龙卷风图可直观的表达各风险因子的斯皮尔曼相关系数。
附图说明
图1为风险评估框架图;
图2为黄羽肉鸡养殖至屠宰的细菌污染率敏感性分析图;
图3为黄羽肉鸡养殖至屠宰的污染水平敏感性分析图;
图4为黄羽肉鸡养殖至消费敏感性分析结果图;
图5为白羽肉鸡养殖至屠宰的细菌污染率敏感性分析图;
图6为白羽肉鸡养殖至屠宰的污染水平敏感性分析图;
图7为白羽肉鸡养殖至消费敏感性分析结果图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例,本领域技术人员可以想到其他显而易见的变型。
一种肉鸡产业链沙门氏菌的定量风险评估方法,本实施例以黄羽肉鸡和白羽肉鸡的沙门氏菌的定量风险评估方法为例。
步骤1:评估模型输入,各个评估模型的分布函数构建依据如下:
1)养殖环节模型
养殖环节的沙门氏菌污染率及污染水平为暴露评估模型的初始值,是模型的重要输入参数。Pert(a,b,c)分布被广泛用来描述细菌的污染程度,a、b、c分别表示最小值、平均值和最大值。肉鸡沙门氏菌污染率检测结果如表1所示。黄羽肉鸡沙门氏菌污染率范围为0~17.0%,平均污染率为4%,Pert(0,0.04,0.17)分布被用来描述黄羽肉鸡养殖环节细菌污染率变化范围。白羽肉鸡沙门氏菌污染率范围为0~23.3%,平均污染率为6%,采用Pert(0,0.06,0.23)分布来描述白羽肉鸡养殖环节的细菌污染率变化范围。肉鸡在养殖环节的沙门氏菌污染水平范围为0~6log CFU/g,平均污染水平为3log CFU/g,定义Pert(0,3,6)分布来描述细菌污染水平的变化范围。
表1肉鸡在养殖环节的沙门氏菌污染情况
采样时间 | 样本量 | 黄羽肉鸡污染率(%) | 白羽肉鸡污染率(%) |
2016年第四季度 | 150 | 17.0 | 0 |
2017年第一季度 | 150 | 0 | 14.3 |
2017年第二季度 | 150 | 10.0 | 0 |
2017年第三季度 | 150 | 0 | 23.3 |
2017年第四季度 | 150 | 0 | 8.3 |
2018年第一季度 | 150 | 0 | 0 |
2018年第二季度 | 150 | 5.0 | 3.3 |
2018年第三季度 | 150 | 0 | 0 |
2018年第四季度 | 170 | 0 | 0 |
2)放血环节模型
现场调研发现,由于屠宰放血环节在室温下进行,放血时间较长,细菌易在放血过程中生长,因此放血环节的关键参数为温度、时间和细菌增长量。黄羽肉鸡和白羽肉鸡的放血环节分别在8~40℃(广东四季温度)和4~35℃(山东四季温度)下进行。Normal(μ,σ)分布被广泛用来描述温度的变化情况,其中μ为平均值,σ为标准差。黄羽肉鸡放血环节的温度平均值为24℃,标准差为9℃;白羽肉鸡放血环节的温度平均值为20℃,标准差为11℃。Normal(24,9)和Normal(20,11)分布分别被用来描述黄羽肉鸡和白羽肉鸡放血过程的温度变化情况。Pert分布可用于描述加工过程中的时间变化情况,本研究中采用Pert(0.6,0.8,1.2)和Pert(0.6,2,4)分布来分别描述黄羽肉鸡和白羽肉鸡的放血时间。放血环节的细菌增长量采用逄海英构建的鸡肉沙门氏菌在13~33℃下的Gompertz一级模型和Arrhenius二级模型。
Gompertz一级模型如下式所示:
式中,Y0、Ymax和Y(t)分别为微生物的初始值、最大值和时间为t时的菌落数(logCFU/g),μmax为最大比生长速率(h-1),λ为微生物滞后期持续时间(h)。表2.2为13~33℃下的修正Gompertz模型拟合参数表。
Arrhenius二级模型如下式所示:
式中,R是气体常数(8.134J/mol),ΔG'是与微生物生长相关的活化能,a和n是系数,T为温度(℃)。
Arrhenius二级模型参数估计结果如下所示:
3)浸烫环节模型
浸烫环节是通过将肉鸡浸入热水以达到脱羽和杀灭微生物的目的,关键参数为温度、时间和细菌死亡量。放血后的毛鸡浸入浸烫池,浸烫温度在50~70℃,浸烫时间在1.0~1.6min。经调研,黄羽肉鸡与白羽肉鸡的屠宰浸烫参数一致,Normal(60,5)和Pert(1,1.3,1.6)分布被用来描述浸烫过程中温度和时间变化范围,细菌在浸烫环节的死亡量输入参数为logistic(-0.95,0.07)。
4)掏膛环节模型
肠道内污染物外泄和水平交叉污染是造成掏膛环节细菌污染率升高的主要原因,掏膛环节的关键参数为掏膛前细菌污染率(浸烫后)和掏膛后细菌污染率。掏膛环节的交叉污染影响因素较多,试验场景较难模拟,该环节的污染率变化计算基于掏膛前、后污染率检测数据,计算如下式所示:
Pev-cc=Pev-after-Pev-before
式中Pev-cc为掏膛环节的污染率变化(%),Pev-after为掏膛后的细菌污染率(%),Pev-before为掏膛前的细菌污染率即浸烫后污染率(%)。
表2为黄羽肉鸡和白羽肉鸡在掏膛环节的沙门氏菌污染率变化。对污染率增加量进行分布拟合,根据K-S和卡方检验结果,LogNormal(0.14,0.07)和LogNormal(0.12,0.07)分布分别被用来描述黄羽肉鸡和白羽肉鸡的污染率变化。
表2肉鸡在掏膛环节的沙门氏菌污染情况
5)预冷清洗环节模型
在我国大多数屠宰场中,消毒清洗是通过添加NaClO杀菌剂以降低屠宰环节的微生物污染。细菌在NaClO处理下由于糖代谢失调而致细胞死亡,然而消毒水中残留的细菌易迁移至未被污染的鸡肉表面,发生交叉污染。温度、时间、NaClO浓度、细菌死亡量和污染率变化参数为消毒环节的关键参数。黄羽肉鸡消毒池水温度在1~4℃,预冷时间在20~40min,Normal(2,0.5)和Pert(20,30,40)分布被用来描述消毒过程中温度和时间的变化范围。白羽肉鸡消毒池水温度在10~15℃,消毒时间在8~15min,Normal(13,2)和Pert(8,12,15)分布被用来描述消毒过程中温度和时间的变化范围。
黄羽肉鸡预冷池中NaClO浓度变化为50~100mg/L,Normal(75,13)分布被用来描述NaClO浓度在消毒过程中的变化范围。白羽肉鸡消毒前池的NaClO浓度为20~50mg/L,消毒中池的NaClO浓度为50~100mg/L,Normal(37,10)和Normal(75,13)分布分别被用来描述消毒前池和消毒中池NaClO浓度在消毒过程中的变化范围。预冷环节的细菌死亡量参数为Normal(-0.75,0.1),污染率变化参数如下式所示:
Ypc=18.28+15.75X1+0.757X2-0.636X3+0.0044X3 2。
6)分割环节模型
刀具与鸡肉的交叉污染是造成分割环节细菌污染率升高的主要原因,分割环节的关键参数为分割前细菌污染率(消毒后)和分割后细菌污染率。分割环节的污染率增加量计算基于分割前、后污染率检测数据,计算如下式所示:
Ppotion-cc=Ppotion-after-Ppotion-before
式中Ppotion-cc为分割环节的污染率增加量(%),Ppotion-after为分割后的细菌污染率(%),Ppotion-before为分割前细菌污染率即消毒后细菌污染率(%)。
表3为白羽肉鸡分割环节的沙门氏菌污染率变化,根据K-S和卡方检验结果,LogNormal(0.14,0.05)分布被用来描述白羽肉鸡的污染率增加量。
表3白羽肉鸡分割环节的沙门氏菌污染率变化
采样时间 | 样本量 | 白羽肉鸡污染率增加量(%) |
2016年第四季度 | 150 | 20.0 |
2017年第一季度 | 150 | 10.0 |
2017年第二季度 | 150 | 3.3 |
2017年第三季度 | 150 | 3.3 |
2017年第四季度 | 150 | 10.0 |
2018年第一季度 | 150 | 10.0 |
2018年第二季度 | 150 | 13.3 |
2018年第三季度 | 150 | 8.9 |
2018年第四季度 | 170 | 6.0 |
7)储藏环节模型
沙门氏菌在低温储藏下易失活,因此该环节的关键参数为温度、时间和细菌死亡量。经调研,鸡肉产品储藏于2~8℃环境中,储藏时间为7天,Weibull(0.03t1.45)模型被用来描述鸡胸肉在4~8℃储藏过程中的沙门氏菌变化范围。
8)分销环节模型
肉鸡分销环节的沙门氏菌污染率增加量被定义为Normal(0.2,0.05)。
9)零售环节模型
经现场调研,零售环节的温度、时间和细菌死亡量参数变化范围与储藏环节的一致,为Weibull(0.03t1.45)。
10)运输环节
沙门氏菌在常温运输过程中易生长,因此该环节的关键参数为温度、时间和细菌增长量。黄羽肉鸡与白羽肉鸡运输环节的温度分别服从Normal(24,9)和Normal(20,11)分布,运输时间服从Pert(0,1,3)分布,黄羽肉鸡与白羽肉鸡在运输环节的细菌增长量为构建的10~45℃下Baranyi一级模型如下式所示:
式中Y0、Ymax和Y(t)分别为微生物的初始值、最大值和时间为t时的菌落数(logCFU/g),μmax为最大比生长速率(h-1),h0为一定外界条件下微生物的生理状态,A(t)为调整方程。
修正的Ratkowsky二级模型如下式所示:
式中μ为微生物的生长速率(h-1),a,b为系数,T和T0分别为温度和微生物最低生长温度(℃)。
参数估计结果如下式所示:
μmax=(0.00019(T-3.35)2)(1-exp(0.29(T-48.01)))。
11)消费环节模型
沙门氏菌在高温烹饪下易失活,因此消费环节的关键参数为烹饪温度、时间和细菌死亡量。肉鸡在消费环节的细菌死亡量用Normal(6,0.5)分布来表示。
黄羽肉鸡和白羽肉鸡暴露评估模型输入参数见表4和表5。
表4黄羽肉鸡暴露评估模型输入参数
表5白羽肉鸡暴露评估模型输入参数
步骤2:将分布函数采用蒙特卡罗模拟,修正数据缺失,以概率分布的方式表示模拟结果,获得评估结果;
分布函数可描述参数的不确定性及在特定条件下的可能数值和范围。以@risk7.5软件对数据进行分布拟合,@risk软件是目前QMRA中用到的软件。它是澳大利亚Palisade公司推出的一款跨平台的、嵌入Microsoft Excel电子表中以及使用蒙特卡罗模拟进行风险评估的工具。本研究利用风险评估软件@risk7.5中的分布拟合功能,对数据进行随机分布拟合。
参与拟合的分布函数类型选择基于以下3种情况:1)当参数值具有固定界限时,特定的分布类型(如Pert三角分布函数等)具有固定的上限和下限,具有该特征的分布函数可被选择参与拟合;2)当参数值无固定界限时,即参数值范围为正无穷和/或负无穷时,特定的分布类型(如正态分布等)可能扩展到任何可能的正值或负值,无界限的分布函数可被选择参与拟合;3)当参数值的范围不确定是否有固定界限时,所有分布函数可被选择参与拟合。参与拟合的分布函数基于卡方和科尔莫戈洛夫-斯米尔诺夫(K-S)统计结果进行排序,其中卡方检验适用于连续变量,K-S检验适用于离散变量和连续变量。检验值越接近于0,表明分布函数的拟合效果越好,此分布函数为参与拟合函数中的最适函数。
@risk软件是目前QMRA中用到的软件。它是澳大利亚Palisade公司推出的一款跨平台的、可嵌入Microsoft Excel电子表中并使用蒙特卡罗模拟进行风险评估的软件。本研究利用@risk 7.5软件中的分布拟合功能,对数据进行随机分布拟合,将风险评估中所涉及到的各变量和参数,用特定的值、公式或分布来表示,在Excel工作表中建立模型。模型模拟时采用拉丁超立方抽样方法进行蒙特卡洛模拟,模型的每次模拟包括10000次迭代运算,每次运算时计算机从模型的每个概率分布中抽取1个值,以这些随机抽取的数值进行运算。在本研究中,将利用概率模型,采用蒙特卡罗模拟,修正数据缺失,以概率分布的方式表示模拟结果,获得所有可能的估计。
风险评估模型运行结果显示,因食用鸡肉(黄羽、白羽)造成沙门氏菌中毒事件的平均概率为1.5×10-8人/餐和1.0×10-8人/餐。
步骤3:敏感性分析
敏感性分析确定了模型输入,即各风险因子对模型输出结果的影响,以斯皮尔曼相关系数表示,龙卷风图可直观的表达各风险因子的斯皮尔曼相关系数。当斯皮尔曼相关系数为正数时,风险因子与风险大小呈正相关;当斯皮尔曼相关系数为负数时,风险因子与风险大小呈负相关。斯皮尔曼相关系数越大,风险因子对风险的影响越显著。
如图2-3所示,敏感性分析结果显示,初始污染水平及消毒清洗中杀菌剂的浓度是黄羽肉鸡屠宰环节最重要的2个风险因子。
如图4所示,黄羽肉鸡养殖至消费的供应链中烹饪环节的细菌死亡量、初始污染水平、杀菌剂浓度为最重要的3个风险因子。
如图5-6所示,初始污染水平、浸烫环节的细菌死亡量为白羽肉鸡屠宰环节最重要的风险因子。
如图7所示,在白羽肉鸡的全供应链中,烹饪环节的细菌死亡量、初始污染水平、浸烫环节的细菌死亡量是减少风险的最重要措施。
步骤4:模型验证
模型验证的数据来源于华南农业大学兽医学院的污染率检测结果,如表6所示,本研究对黄羽肉鸡浸烫、掏膛、储藏和零售环节的沙门氏菌污染数据与评估模型的模拟结果进行比较,浸烫、掏膛、储藏和零售环节的采样结果范围均位于风险评估模型模拟结果范围内(95%置信区间),模型模拟结果与实际监测污染率范围吻合。
表6风险评估模型验证
所述危害特征描述为黄羽肉鸡和白羽肉鸡沙门氏菌的致病概率计算。我国肉鸡2018年的消费量为1198万吨,每日人均消费量为25.2g,黄羽肉鸡和白羽肉鸡消费环节的平均细菌污染水平分别为6.6×10-5CFU/g和1.1×10-5CFU/g,黄羽肉鸡和白羽肉鸡沙门氏菌的致病概率计算如下式所示:
其中P(response)为患病概率,dose为剂量,δ=0.175,N50=1.1×106。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (8)
1.一种肉鸡产业链沙门氏菌的定量风险评估方法,包括:危害识别、暴露评估、危害特征描述和风险特征描述;其特征在于:所述风险特征描述包含风险拟合方法,所述风险拟合方法具体为:
步骤1:评估模型输入,构建若干个评估模型的分布函数并确定输入参数;
步骤2:将输入参数采用蒙特卡罗模拟,模拟以拉丁超立方抽样方法进行,模型的每次模拟包括10000次迭代运算,每次运算时计算机从模型的每个概率分布中随机抽取1个值,修正数据缺失,以概率分布的方式表示模拟结果,获得评估结果;
步骤3:敏感性分析,分析各风险因子对评估结果的影响,以斯皮尔曼相关系数结合龙卷风图表示;
所述评估模型包括养殖环节模型、放血环节模型、浸烫环节模型、掏膛环节模型、预冷清洗环节模型、分割环节模型、储藏环节模型、分销环节模型、零售环节模型、运输环节模型和消费环节模型;
所述养殖环节模型包括:用Pert(a,b,c)分布来肉鸡养殖环节的细菌污染率变化范围;a、b、c分别表示最小值、平均值和最大值;
所述放血环节模型包括:用Normal(μ,σ)分布来表示温度、时间和细菌增长量,其中μ为平均值,σ为标准差;
所述浸烫环节模型包括:温度、时间和细菌死亡量;
所述掏膛环节模型包括:掏膛前细菌污染率和掏膛后细菌污染率;
所述预冷清洗环节模型包括:温度、时间、NaClO浓度、细菌死亡量和污染率;
所述分割环节模型包括:分割前后细菌污染率增加量;
所述储藏环节模型包括:温度、时间和细菌死亡量;
所述分销环节模型包括:污染率增加量;
所述零售环节模型包括:温度、时间和细菌死亡量;
所述运输环节模型包括:温度、时间和细菌增长量;
所述消费环节模型包括:烹饪温度、烹饪时间和细菌死亡量。
2.根据权利要求1所述的一种肉鸡产业链沙门氏菌的定量风险评估方法,其特征在于,放血环节模型的细菌增长量采用逄海英构建的鸡肉沙门氏菌在13~33℃下的Gompertz一级模型和Arrhenius二级模型计算获得。
3.根据权利要求1所述的一种肉鸡产业链沙门氏菌的定量风险评估方法,其特征在于,预冷清洗环节模型污染率的计算采用如下所示公式:Ypc=18.28+15.75X1+0.757X2-0.636X3+0.0044X3 2。
4.根据权利要求1所述的一种肉鸡产业链沙门氏菌的定量风险评估方法,其特征在于,分割环节模型的分割前后细菌污染率增加量计算公式如下:Ppotion-cc=Ppotion-after-Ppotion-before;
式中,Ppotion-cc为分割环节的污染率增加量,Ppotion-after为分割后的细菌污染率,Ppotion-before为分割前细菌污染率即消毒后细菌污染率。
5.根据权利要求1所述的一种肉鸡产业链沙门氏菌的定量风险评估方法,其特征在于,运输环节模型细菌增长量为在10~45℃下根据Baranyi一级模型和修正的Ratkowsky二级模型计算得到。
7.根据权利要求1所述的一种肉鸡产业链沙门氏菌的定量风险评估方法,其特征在于,还包括:
步骤4:模型验证,将实际沙门氏菌污染数据与评估结果进行比较。
8.根据权利要求1所述的一种肉鸡产业链沙门氏菌的定量风险评估方法,其特征在于,利用@risk7.5软件中的分布拟合功能,对数据进行随机分布拟合,将风险评估中所涉及到的各变量和参数,用特定的值、公式或分布来表示,在Excel工作表中建立模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010453385.2A CN111739579B (zh) | 2020-05-26 | 2020-05-26 | 一种肉鸡产业链沙门氏菌的定量风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010453385.2A CN111739579B (zh) | 2020-05-26 | 2020-05-26 | 一种肉鸡产业链沙门氏菌的定量风险评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111739579A CN111739579A (zh) | 2020-10-02 |
CN111739579B true CN111739579B (zh) | 2022-06-14 |
Family
ID=72647707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010453385.2A Active CN111739579B (zh) | 2020-05-26 | 2020-05-26 | 一种肉鸡产业链沙门氏菌的定量风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111739579B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114048987B (zh) * | 2021-11-04 | 2023-06-27 | 中国动物卫生与流行病学中心 | 一种用于畜禽产品中微生物的风险评估预警方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768711A (zh) * | 2012-03-13 | 2012-11-07 | 山东省射频识别应用工程技术研究中心有限公司 | 一种肉制品加工过程微生物风险评估方法 |
CN109147865A (zh) * | 2018-09-26 | 2019-01-04 | 青岛农业大学 | 基于快速检测技术的鸡肉中沙门氏菌风险评估系统 |
CN109871640A (zh) * | 2019-03-07 | 2019-06-11 | 常州大学 | 一种基于蒙特卡罗模拟的粉尘二次爆炸风险预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070124186A1 (en) * | 2005-11-14 | 2007-05-31 | Lev Virine | Method of managing project uncertainties using event chains |
FR2919932B1 (fr) * | 2007-08-06 | 2009-12-04 | Inst Francais Du Petrole | Methode pour evaluer un schema de production d'un gissement souterrain en tenant compte des incertitudes |
-
2020
- 2020-05-26 CN CN202010453385.2A patent/CN111739579B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768711A (zh) * | 2012-03-13 | 2012-11-07 | 山东省射频识别应用工程技术研究中心有限公司 | 一种肉制品加工过程微生物风险评估方法 |
CN109147865A (zh) * | 2018-09-26 | 2019-01-04 | 青岛农业大学 | 基于快速检测技术的鸡肉中沙门氏菌风险评估系统 |
CN109871640A (zh) * | 2019-03-07 | 2019-06-11 | 常州大学 | 一种基于蒙特卡罗模拟的粉尘二次爆炸风险预测方法 |
Non-Patent Citations (2)
Title |
---|
Modeling the Reduction of Salmonella spp. on;Xingnign Xiao 等;《Microorganisms 2019》;20190606;第1-12页 * |
出入境特殊物品风险管理现状;黄坚辉 等;《中国国境卫生检疫杂志》;20100228;第33卷(第1期);第67-70页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111739579A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dogan et al. | A quantitative microbial risk assessment model of Campylobacter in broiler chickens: Evaluating processing interventions | |
Havelaar et al. | Effectiveness and efficiency of controlling Campylobacter on broiler chicken meat | |
McMeekin et al. | Predictive microbiology: providing a knowledge-based framework for change management | |
Hald et al. | A Bayesian approach to quantify the contribution of animal‐food sources to human salmonellosis | |
Pérez‐Rodríguez et al. | Closing gaps for performing a risk assessment on Listeria monocytogenes in ready‐to‐eat (RTE) foods: activity 2, a quantitative risk characterization on L. monocytogenes in RTE foods; starting from the retail stage | |
Frey et al. | Recommended practice regarding selection, application, and interpretation of sensitivity analysis methods applied to food safety process risk models | |
Bollaerts et al. | Evaluation of scenarios for reducing human salmonellosis through household consumption of fresh minced pork meat | |
Gkogka et al. | The application of the Appropriate Level of Protection (ALOP) and Food Safety Objective (FSO) concepts in food safety management, using Listeria monocytogenes in deli meats as a case study | |
Vigre et al. | Characterization of the human risk of salmonellosis related to consumption of pork products in different EU countries based on a QMRA | |
Huang et al. | Campylobacter spp. in chicken-slaughtering operations: A risk assessment of human campylobacteriosis in East China | |
CN111739579B (zh) | 一种肉鸡产业链沙门氏菌的定量风险评估方法 | |
Spaur et al. | A systematic review of post-harvest interventions for Vibrio parahaemolyticus in raw oysters | |
Valverde-Garcia et al. | An avian reproduction study historical control database: A tool for data interpretation | |
Osiriphun et al. | Exposure assessment and process sensitivity analysis of the contamination of Campylobacter in poultry products | |
Ross | A philosophy for the development of kinetic models in predictive microbiology | |
Juneja et al. | Growth and heat resistance kinetic variation among various isolates of Salmonella and its application to risk assessment | |
Nauta et al. | A model for evaluating intervention strategies to control Salmonella in the poultry meat production chain | |
Augustin et al. | Design of control charts to monitor the microbiological contamination of pork meat cuts | |
Horvat et al. | The impacts of biosecurity measures on Campylobacter contamination in broiler houses and slaughterhouses in the Netherlands: A simulation modelling approach | |
Lammerding | Modeling and risk assessment for Salmonella in meat and poultry | |
Kelly et al. | Microbiological safety of poultry meat: risk assessment as a way forward | |
Ruzante et al. | Microbial risk assessment | |
Tuominen et al. | Studying the effects of POs and MCs on the Salmonella ALOP with a quantitative risk assessment model for beef production | |
Muth et al. | Analysis of Salmonella control performance in US young chicken slaughter and pork slaughter establishments | |
Amézquita et al. | Modelling microbiological shelf life of foods and beverages |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |