Challenges in the microbiological food safety of fresh produce: Limitations of post-harvest washing and the need for alternative interventions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Fresh produce (processed fruit and vegetables) continues to be the main source of foodborne illness outbreaks implicating pathogens such as Escherichia coli O157:H7, Salmonella, Listeria monocytogenes and human parasites (e.g. hepatitis A, Cyclospora). Previously, outbreaks were primarily limited to leafy greens, tomatoes, and cantaloupes, but more recently there has been a trend of more diverse produce types (e.g. cucumbers and papayas) being implicated. Although on-farm good agriculture practices (GAP) contribute to preventing pathogens entering the fresh produce chain, it cannot be relied upon completely due to the open nature of farming. As a consequence, there is an identified need for interventions that can remove field-acquired contamination, especially given fresh produce is eaten raw. In the following review, an overview of foodborne illness outbreaks linked to contaminated fresh produce will be described along with potential sources of contamination. Post-harvest washing that was once considered decontamination is now viewed as a high-risk cross-contamination point. The challenges in monitoring the post-harvest wash process will be discussed along with processing factors that need to be considered. A range of alternative, or supplemental, non-aqueous interventions will be described including irradiation, ultraviolet light, high hydrostatic pressure, gas phase (ozone and chlorine dioxide), and hydroxyl radicals generated through advanced oxidative process or gas plasma. All have been proved to be effective at pathogen control on the laboratory scale and are poised to enter commercial application. The current status of these alternative interventions along with challenges of integrating into commercial practice will be described.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle