| Title | Characterization of variability and uncertainty in process risk modeling of food chains |
|---|---|
| Period | 11 / 2002 - 12 / 2007 |
| Status | Completed |
| Dissertation | Yes |
| URL | http://www.ftns.wau.nl/pdq/research/systems_analysis/research_judith.htm |
| Research number | OND1300933 |
| Data Supplier | METIS Wageningen Universiteit en Researchcentrum |
| [Introduction]: In the past few years, food safety has gained increased interest in the industry and the government. This resulted in the introduction of GMP and HACCP to guarantee food safety. However, food production is not a static situation: changes in the food chain (e.g. other raw materials, distribution channels etc.) will occur and influence food safety. Quantitative insight is required to evaluate the effect of these changes. Process Risk Modelling (PRM) is a quantitative microbial risk assessment (QRMA) method, which helps with this. PRM estimates the risk to the consumer as a function of process parameters in the food chain (Figure 1). By changing the values of the process parameters, the effect of, for instance, a new technology can be evaluated. [The current QRMA-studies have a number of flaws]: - The studies do not separate variability and uncertainty of the process parameters. Suppose that a model indicates that the temperature of the refrigerator determines the final risk for a large part. For instance, a model uses a range from 2 to 10°C for the temperature of a refrigerator. This can imply that the temperature indeed varies so much (variability) or that the temperature is constant on a certain value, which is known to lie between 2 and 10°C (uncertainty). This difference is important with regard to future decisions. When the temperature is uncertain, it is advisable to do further study to determine the value of the temperature more precisely. When the temperature has a large variability, it is advisable to put more effort into temperature control. - Criteria for model selection are lacking. Each study uses different methods for data-collection and data-combination, different models for microbial growth etc. - The studies examine specific pathogen/product-combinations (for instance, Campylobacter spp. in broiler chickens). The studies evaluate risk management options without considering the effects on other organisms (e.g. Salmonella) and on the sensorial quality of the products. - The majority of the studies adopt a farm-to-fork approach, but often the primary production phase is not considered due to a lack of data. A more logical starting point would be to specify a certain acceptable risk to the consumer, and reason backwards to how the risk is influenced. [Aim]: Development of a general method for modelling the hazards in a food chain, which includes variability as well as uncertainty, and validation of this methodology with a reference chain. [Method]: - Analysis of existing studies - Collection of missing data - Exploration of the performance of different modelling methods (Point-estimates, Monte Carlo simulations, Bayesian statistics etc.) - Development of methods and criteria for risk assessments of food chains - Apply methodology for case-study salmonella on chicken |
| De belangstelling van industrie en overheid voor voedselveiligheid is de laatste jaren gegroeid, wat heeft geresulteerd in de invoering van GMP en HACCP om de voedselveiligheid te waarborgen. Veranderingen in de keten (bijv. andere grondstoffen, distributiemethoden etc.) kunnen de voedselveiligheid echter beïnvloeden. Kwantitatief inzicht is vereist om het effect van deze veranderingen in te kunnen schatten. Process Risk Modelling (PRM) is een methode van kwantitatieve microbiële risicoschatting (QRMA), die hierbij kan helpen. PRM schat het risico voor de consument als functie van de procesparameters in de voedselketen, zoals schematisch weergegeven in Figuur 1. Door het wijzigen van deze procesparameters kan bijvoorbeeld het effect van een nieuwe technologie worden geëvalueerd. De huidige QRMA-studies hebben een aantal problemen, zoals: · De variabiliteit en onzekerheid in de procesparameters wordt niet gescheiden. In het model kan bijvoorbeeld zijn ingevoerd dat de koeltemperatuur tussen de 2 en 10°C ligt, omdat de koeltemperatuur werkelijk zoveel varieert (variabiliteit) of omdat de koeltemperatuur constant is op een bepaalde waarde, waarvan men weet dat die tussen de 2 en 10°C ligt (onzekerheid). Als de koeltemperatuur het uiteindelijke risico sterk beïnvloedt, dan is het in het laatste geval aan te raden om verdere studie te doen naar de koeltemperatuur. In het eerste geval heeft dat geen zin, maar is het aan te raden om de koelapparatuur preciezer af te stellen. · Criteria voor modelkeuze e.d. ontbreken. Elke studie gebruikt verschillende methoden voor het verzamelen en combineren van data, verschillende modellen voor microbiële groei, etc. · De studies bekijken specifieke pathogeen/produkt-combinaties (bijvoorbeeld Campylobacter spp. in braadkip). Bij de keuze van handelingsalternatieven worden de effecten op andere micro-organismen (bijv. Salmonella) en op de sensorische kwaliteit buiten beschouwing gelaten. · Het uitgangspunt van de meeste studies is een boerderij-tot-bord benadering, maar vaak laat men de boerderijschakel weg bij gebrek aan data. Een logischer uitgangspunt is te beginnen bij een specificatie van een risico voor de consument en dan terug te redeneren waardoor dit risico wordt beïnvloed. Doel: Het ontwikkelen van een conceptuele methode voor risicomodellering van een voedselketen, waarbij zowel variabiliteit als onzekerheid wordt meegenomen, en het valideren van deze methodologie op een voorbeeldketen. Methode: · analyse van bestaande studies · verzamelen ontbrekende data · vergelijken performance van verschillende modelleertechnieken (puntschatters, monte-carlo simulaties, bayesiaanse statistiek etc.) · ontwikkelen methode en criteria voor risico-analyse voedselketens · toepassen methodologie op case-study salmonella in kip |
| Supervisor | Prof.dr.ir. T. van Boekel |
|---|---|
| Supervisor | Prof.dr.ir. M.H. Zwietering |
| Co-supervisor | Dr. R.R. Beumer |
| Co-supervisor | Dr.ir. A.R. Linnemann |
| Project leader | Ir. J.M. Straver |
| Doctoral/PhD student | Ir. J.M. Straver |
| A71000 | Nutrition |
|---|---|
| D16800 | Computer simulation, virtual reality |
Go to page top
Go back to contents
Go back to site navigation