Foodborne Pathogens in Leafy Vegetables Grown and Consumed Locally in Yaounde, Cameroon: A Public Health Concern
Notice bibliographique
Résumé
This study sought to understand the health risks of foodborne pathogens in fresh leafy vegetables that are grown and consumed locally in Yaounde, Cameroon. Through a survey, 200 respondents were recruited to relate possible food-related illnesses to leafy vegetable consumption. Additionally, a total of 168 vegetable samples consisting of six leafy vegetables and 15 irrigated water samples from five water sources were collected from farms and local markets for microbiological analysis. Using a high-fidelity DNA polymerase, five potential bacterial pathogens, namely, Shiga-toxin producing Escherichia coli (STEC), Campylobacter spp., Salmonella spp., Listeria monocytogenes and Yersinia enterocolitica were also examined. The mean counts of total viable count and total coliforms followed decreasing trends from vegetables obtained on the farms to the local markets, and these ranged from 4.98-8.74 log cfu/g and 1.77-7.42 log cfu/g respectively. All pathogens detected were of significant concern to public health showing high occurrence in some vegetables: STEC (20%) and Yersinia enterolitica (13%) in cabbage, Campylobacter spp. (21%) in lettuce, Listeria monocytogenes (15%) in African nightshade, and Salmonella spp. (15%) in amaranth. Importantly, 42% of respondents highlighted that they frequently got sick from eating leafy vegetables from the study area. These microbiological and qualitative results along with certain vegetable farming and vending practices (such as the use of untreated sewage water for crop irrigation, the sales of physically dirty, muddy, and unpackaged vegetables) indicated that foodborne diseases could be occurring among leafy vegetable-consuming populations in Cameroon.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,001 |
| 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 ».