Ready-to-eat Meat Plant Characteristics Associated with Food Safety Deficiencies During Regulatory Compliance Audits, Ontario, Canada
Notice bibliographique
Résumé
Food safety deficiencies in ready-to-eat (RTE) meat processing plants can increase foodborne disease risks. The purpose of this study was to identify common deficiencies and factors related to improved food safety performance in RTE meat plants in Ontario. Routine food safety audit records for licensed provincial free-standing meat processing plants (FSMPs) and abattoirs that process RTE meats were obtained and analyzed in Ontario, Canada, from 2015 to 2019. A Bayesian regression analysis was conducted to examine the association between selected plant characteristics and two outcomes: overall audit rating (pass vs. conditional pass or fail) and individual audit item fail rate. The audit rating was examined in a logistic model, while the audit item fail rate was evaluated in a negative binomial model. The majority (87.7%, n = 800/912) of audits resulted in a pass rating (compared to conditional pass or fail). The mean number of employees per plant, among 200/204 plants with employee data available, was 11.6 (SD = 20.6, range = 1-200). For the logistic regression model, FSMPs were predicted to have a much higher probability of passing audits than abattoirs (32.0% on average, with a 95% credible interval [CI] of 13.8-52.8%). The number of plant employees, water source (municipal vs. private), and types of RTE meat products produced had little to no consistent association with this outcome. The negative binomial model predicted a -0.009 points lower fail rate, on average, for audit items among FSMPs than abattoirs (95% CI: -0.001, -0.018). Meat plants producing jerky had a higher audit item fail rate compared to those that did not produce such products. The other investigated variables had little to no association with this outcome. The results found in this study can support and guide future inspection, audit and outreach efforts to reduce foodborne illness risks associated with RTE meats.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».