intTypePromotion=1
zunia.vn Tuyển sinh 2024 dành cho Gen-Z zunia.vn zunia.vn
ADSENSE
 » 
 » 

Mô hình xác suất & thống kê phân tích các mối nguy hiểm thực phẩm

Chia sẻ: Nguyen Toan | Ngày: | Loại File: PDF | Số trang:26

Thêm vào BST
Báo xấu
192
lượt xem 20
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Giá trị lý thuyết cực đoan (để xác định xác suất vượt quá một giới hạn tiếp xúc cho phép), phương pháp Thống kê Học (để xác định kế hoạch thực phẩm), quá trình thống kê (để theo dõi ô nhiễm trong cơ thể), kỹ thuật Bayesian (Đối với định lượng rủi ro), vv.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Mô hình xác suất & thống kê phân tích các mối nguy hiểm thực phẩm

  1. Rencontre Matrisq/Mét@risk/Morse le 23/02/2010 Modélisation probabiliste & statistique pour l’analyse des risques alimentaires Isabelle Albert, CR1, Unité Mét@risk, Département MIA (Mathématiques et Informatique appliquées), INRA
  2. Modélisation probabiliste & statistique pour l’analyse des risques alimentaires • Le risque (alimentaire) : notion qui sous-entend l’incertain, domaine des probabilités et de la statistique • Objectif : développer des méthodes quantitatives d’évaluation de de risque alimentaire • Données : de consommation (fréquences, quantités en g consommées), mesures de contamination (mesures au mieux de concentration par g), informations sur les paramètres déterminant l’évolution de la contamination (données de la littérature (ex: sur la demi-vie d’un contaminant), mesures (températures de cuisson d’un aliment) et/ou dires d’experts (ex: température minimale de croissance d’une bactérie))
  3. Modélisation probabiliste & statistique pour l’analyse des risques alimentaires • Le(s) but(s) de la modélisation : – rendre compte de situations et permettre le calcul du risque (sources de variabilité/incertitude, données au caractère « sparse », risques « extrêmes », sur le court/long terme, etc. ) – déterminer les facteurs influents • Utilisation et développement de méthodes statistiques originales : Théorie des valeurs extrêmes (pour déterminer la probabilité de dépassement d’une exposition tolérable), méthodes d’apprentissage statistique (pour déterminer des régimes alimentaires), statistiques des processus (pour le suivi de la contamination dans l’organisme), techniques bayésiennes (pour la quantification du risque), etc.
  4. Plan • Modélisation stochastique de la fourche à la fourchette • Modélisation stochastique et intégration de de données par statistique bayésienne • Elicitation de dires d’experts • Perspectives
  5. Modélisation probabiliste & statistique pour l’analyse des risques alimentaires • Modélisation stochastique de la fourche à la fourchette • Applications : – Projet AFSSA/INRA : Évaluation par un modèle stochastique de la croissance de Listeria monocytogenes dans un tank à lait réfrigérant réfrigérant » Distinction variabilité/incertitude (Modèle hiérarchique bayésien, simulation de Monte Carlo d’ordre 2) – ANR B. cereus : Appréciation quantitative du risque d'émergence de Bacillus cereus, des matières premières au consommateur – Perspectives : Projet ANR RIBENUT : Nouvelles approches pour une évaluation du compromis risque microbiologique – bénéfice nutritionnel pour les légumes traités thermiquement » modèles de dégradation de la vitamine C selon la chaleur, le pH, l’oxygène…
  6. B. cereus 1. Contexte et objectif
  7. B. cereus 2. Matériel Couple B. Cereus / REPFED (refrigerated processed food of extended durability; ici purée de courgette) Continuum de mésophiles, …, psychrotrophes Processus biologiques (croissance, destruction, germination) couplés à des traitements industriels (cuisson, mélange, pasteurisation, partitionnement)
  8. B. cereus Hétérogénéité de B. cereus Groupe Croissance à Type TIA génétique 7°C 10°C 43°C I Non Oui* Non* Non B. pseudomycoïdes II Oui* Oui Non Non défini Oui III Non Non Oui Emetic Oui B. cereus strains Non défini IV Non Oui Oui* Oui Non défini V Non Oui Non Oui VI Oui Oui Non Non B. weihenstephanensis, B. mycoïdes VII Non Non Oui “French killer” Oui Référence : Guinebretière et al., 2008
  9. B. cereus Considérer la diversité des souches dans la population Si la population des souches était mésophile alors…. Si la population des souches était psychrotrophe alors… méso2 p1=p2=p3=1/6 méso1 p4=p5=1/4 méso3 psyc1 psyc2 Vers une réelle prévalence
  10. B. cereus Diagramme de flux Conservation au I Batch de C froid en usine G légumes N R E Transport A O Cuisson R réfrigéré C I M Prot Protéine de Broyage Broyage T S lait Conservation au froid I en magasin I Amidon S N Mélange V A Autres A ingrédients Transport à la A N maison T Partitionnement T C I I E Conservation au froid au Intervalle de temps O réfrigérateur domestique O N Pasteurisation N
  11. B. cereus 3. Méthode : approche probabiliste Modèle stochastique (simulation de Monte Carlo) : Modélisation de la croissance et décroissance bactérienne à chaque « étape-clé » La quantité de bactérie à une étape dépend de la quantité de bactérie à l’étape précédente À chaque paramètre d’entrée est associée une distribution de probabilité reflétant son incertitude et/ou sa variabilité Les profiles temps-températures de cuisson et pasteurisation enregistrés par les industriels ont été convertis en temps équivalents pour une température cible de 90°C Partitionnement des batchs de courgettes en paquet : répartition aléatoire de la contamination dans les paquets 2 000 batchs, 860 paquets, 100 paquets contaminés suivis Une itération : suivi des 6 groupes génétiques 28 paramètres par groupe génétique : • input : contamination initiale du légume et des 2 types d’ingrédients, • paramètres industriels (ex : temps de cuisson et température de cuisson) • paramètres microbiologiques (Tr, z, p, delta, température maximale de germination, Tmin, Topt, Tmax, …)
  12. B. cereus Modélisation des paramètres Source d’industriels et de microbiologistes • Données observées • Données de littérature • Avis d’experts Distribution de probabilité • Valeur nominale • Ajustement à des données validé par des tests d’adéquation • Distribution établie par avis d’experts ex : BetaPert(min,,valeur la plus probable, max) Pert(0,5; 1; 1,4) 2,5 2,0 1,5 1,0 0,5 0,0 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3 1,4 1,5 100,0% 0,500 1,400
  13. 4. Résultats Pourcentage d’unités (batch ou paquet) contenant au moins une spore bactérienne de l’un au moins des groupes génétiques 83% Total 100% 87% 62% II 33% groupe génétique de B. cereus 19% 54% III 81% 37% 49% IV 100% 82% 30% V 4% 0,1% Après cuisson Après mélange et partitionnement 47% VI 6% Après pasteurisation 0,1% 65% VII 9% 0,6% 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% paquets contaminés (%)
  14. Proportion moyenne de chaque groupe génétique sur la population totale de B. cereus VII: 13% VII: 0.3% VI: 13.1% II: 50.5% V: 0.2% VI: 48.3% IV: 7.1% II: 54.9% III: 11.7% III: 0.3% V: 0.3% IV: 0.3% (1) Avant cuisson (2) Après cuisson des courgettes des courgettes
  15. Modélisation probabiliste & statistique pour l’analyse des risques alimentaires • Modélisation stochastique et intégration de données par statistique bayésienne • Construction d’un Réseau bayésien sur l’ensemble de la chaîne à partir d’informations a priori (dires d’experts; données résumées de la littérature) • Amélioration des connaissances et évaluation du risque de manière manière bayésienne une fois les données introduites – Applications : • Campylobacter/Poulet • PNRA Quant’HACCP : l’appréciation quantitative des risques microbiologiques au service des mesures de maîtrise des dangers afin de respecter des objectifs de sécurité des aliments – WP4 : B. cereus
  16. Campylobacter Construction du réseau : notamment définir les liens stochastiques ou fonctionnels entre les variables Cons Consumption Chicken Farm a_c s_f l_c b_c m_f p_f logit(p_b) ~ Normal(m_b,s_b^2) Exposure m_b = m_f + d_bf l_e p_e p_ey d_bf >= 0 d_bf m_b p_b p_ib p_it p_h p_iq s_b Broiler p_ie p_hc p_hh Production Hygiene Illness
  17. Campylobacter Incorporation des données : - Rattachement des données aux réseaux - Calcul des distributions a posteriori des quantités non observées Consumption Cons Chicken Farm a_c l_cs l_csb g_fs p_fs s_f g_situ n_csb l_c b_c m_f p_f p_situ Exposure l_e p_e p_ey d_bf m_b p_b p_ib p_it p_h p_iq g_bs p_bs s_b Broiler p_ie g_ie p_hc p_hh Production Hygiene Illness
  18. Campylobacter Validation a priori et a posteriori du modèle
  19. Modélisation probabiliste & statistique pour l’analyse des risques alimentaires • Elicitation de dires d’experts • Combinaison de dires d’experts – Application : Modèle dose-réponse Listeria mono. sur des souris Xd = nombre de souris mortes quand n souris reçoivent la même dose de pathogène (listeria) Xd | p(d) ~Bino(n, p(d)), où p(d) = Prob de mourir avec une dose d
  20. Modèle Modèle sur p(d) Exponentiel : p(d) = 1 – exp(-αd) 1 paramètre α α = shape parameter, Pas d’interprétation concrète !
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

THÔNG TIN
TRỢ GIÚP
HỖ TRỢ KHÁCH HÀNG
Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.

 

Đồng bộ tài khoản
2=>2