Peanut Can Be Used as a Reference Allergen for Hazard Characterization in Food Allergen Risk Management: A Rapid Evidence Assessment and Meta-Analysis
Notice bibliographique
Résumé
Regional and national legislation mandates the disclosure of "priority" allergens when present as an ingredient in foods, but this does not extend to the unintended presence of allergens due to shared production facilities. This has resulted in a proliferation of precautionary allergen ("may contain") labels (PAL) that are frequently ignored by food-allergic consumers. Attempts have been made to improve allergen risk management to better inform the use of PAL, but a lack of consensus has led to variety of regulatory approaches and nonuniformity in the use of PAL by food businesses. One potential solution would be to establish internationally agreed "reference doses," below which no PAL would be needed. However, if reference doses are to be used to inform the need for PAL, then it is essential to characterize the hazard associated with these low-level exposures. For peanut, there are now published data relating to over 3000 double-blind, placebo-controlled challenges in allergic individuals, but a similar level of evidence is lacking for other priority allergens. We present the results of a rapid evidence assessment and meta-analysis for the risk of anaphylaxis to a low-level allergen exposure for priority allergens. On the basis of this analysis, we propose that peanut can and should be considered an exemplar allergen for the hazard characterization at a low-level allergen exposure.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,051 | 0,101 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,031 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».