Integrating food safety surveillance into early public health detection systems: A framework for preventing foodborne-related cancers
Notice bibliographique
Résumé
Foodborne illnesses remain a persistent public health challenge in the United States and globally, with an estimated 600 million cases and over 400,000 deaths worldwide each year. While acute foodborne infections caused by pathogens such as Salmonella, Listeria monocytogenes, and E. coli have received substantial attention, there is increasing concern over the long-term health effects of chronic exposure to foodborne contaminants. Mounting evidence has linked substances such as aflatoxins, nitrites, nitrates, mycotoxins, polycyclic aromatic hydrocarbons, and heavy metals to various forms of cancer, including liver, stomach, colorectal, and esophageal cancers. These carcinogenic agents often enter the food supply chain through poor agricultural practices, inadequate food storage, or insufficient processing standards—especially in underserved communities and resource-limited regions. Current food safety surveillance systems are primarily designed to detect and respond to immediate outbreaks rather than long-term health outcomes. These systems typically operate in silos, disconnected from cancer registries, environmental health monitoring platforms, and early detection programs. This fragmentation creates missed opportunities for early intervention, risk mitigation, and informed policy development. This paper proposes a novel integrated surveillance framework that bridges food safety monitoring with public health data systems, enabling early identification and tracking of foodborne exposure-related cancer risks. Drawing on global best practices in food regulatory models and advances in public health informatics, we present a cross-sectoral approach involving real-time contaminant detection, data integration with electronic medical records (EMRs) and cancer registries, predictive analytics, and targeted screening for high-risk populations. The proposed system supports timely interventions, strengthens regulatory compliance, and contributes to the long-term goal of reducing the cancer burden linked to foodborne exposures. Implementation of this model will require inter-agency collaboration, modern technological infrastructure, clear data-sharing policies, and the development of a skilled workforce. Ultimately, this paper argues for a paradigm shift—one that unites food safety and chronic disease prevention in a coordinated strategy to safeguard population health and advance health equity. Keywords: Food Safety Surveillance, Cancer Prevention, Public Health Integration, Risk Assessment, Regulatory Compliance.
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 | 0,022 | 0,013 |
| 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 | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 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 ».