Evaluation of Potential Impacts of Free Chlorine during Washing of Fresh‐Cut Leafy Greens on <i>Escherichia coli</i> O157:H7 Cross‐Contamination and Risk of Illness
Notice bibliographique
Résumé
Addition of chlorine-based antimicrobial substances to fresh-cut leafy green wash water is done to minimize microbial cross-contamination during processing. We developed the FDA Leafy Green Risk Assessment Model (FDA-LGRAM) to quantify the impact of free chlorine concentration in wash water during fresh-cut lettuce processing on the extent of water-mediated cross-contamination between shredded lettuce and the associated risk of illness due to exposure to Escherichia coli O157:H7. At different contamination prevalence and levels of E. coli O157:H7 on incoming lettuce heads, the model compared the predicted prevalence of contaminated fresh-cut lettuce packages and the risk of illness per serving between: (1) a scenario where fresh-cut lettuce was packaged without washing; and (2) scenarios involving washing fresh-cut lettuce with different levels of free chlorine (0 ppm, 5 ppm, 10 ppm, 15 ppm, and 20 ppm) prior to packaging. Our results indicate that the free chlorine level in wash water has a substantial impact on the predicted prevalence of contaminated fresh-cut lettuce packages and the risk of illness associated with E. coli O157:H7 in fresh-cut lettuce. Results showed that the required level of free chlorine that can minimize water-mediated cross-contamination and reduce the corresponding risk of illness depended on contamination prevalence and levels of E. coli O157:H7 on incoming lettuce heads. Our model also indicated that the pathogen inactivation rate in wash water via free chlorine was a key model parameter that had a significant impact on the extent of cross-contamination during washing and the predicted associated risk of illness.
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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».