Potential for in-field pre-harvest control of foodborne human pathogens in leafy vegetables: Identification of research gaps and opportunities
Notice bibliographique
Résumé
Leafy vegetables (LVs) used as raw ingredients in salads have become a crucial part of our healthy diets. However, they are considered to be high-risk foods due to the lack of reliable measures to fully mitigate food safety risks in the absence of cooking prior to consumption. Indeed, outbreaks of foodborne illnesses and recalls associated with LVs continue to occur. This highlights the potential for additional strategies, such as pre-harvest sanitization, to better address the risks. This review undertook a comprehensive analysis of the current state of pre-harvest technologies that apply chemical sanitisers via treated irrigation water or via sanitization sprays of the field crop. Several potential chemical sanitisers were shown to be effective against various food-borne pathogens when applied pre-harvest to crops. The review identified significant knowledge gaps concerning the efficacy of chemical sanitisers including their effect on the ecosystem health such as plant health, soil health, impacts on the natural leaf and soil microbiome. Addressing these gaps will provide a better understanding of the feasibility of these sanitization methods, including cost-benefit analyses. It is proposed that a risk framework, tailored to specific crops, soil types and weather conditions, should be developed to provide a science-based justification for the implementation of pre-harvest sanitization to improve the safety of LVs. • Pre-harvest sanitization of leafy vegetables can reduce food safety risks. • Spraying chemical sanitizers on the crop shows potential to reduce microbial loads. • Preliminary cost-benefit analysis suggests that field sanitization can be feasible.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».