Aflatoxin contamination of maize flour in Kenya: Results from multi-city, multi-round surveillance
Notice bibliographique
Résumé
Foodborne illness is a major source of the global burden of disease, but public monitoring of hazards in food systems is overwhelmingly focused on the formal sector in high income countries. We contribute to the development of an evidence base on food safety risk in low-income and informal settings by monitoring aflatoxin prevalence in maize flour in Kenya. Aflatoxin is a contaminant which causes liver cancer and has been linked to childhood stunting. We carry out systematic monitoring of formally and informally processed maize flour from a range of retail vendors across ten urban sites in Kenya and analyze aflatoxin levels in commercial samples. Samples were obtained every two months from February-December 2021 and 1255 samples in total were analyzed. Almost all samples (97%) showed detectable levels of aflatoxin, with 16% of tested samples exceeding the national regulatory limit of 10 ppb. Mean contamination levels are significantly higher (p < 0.001) in informal market samples (9.9 ppb) than in packaged flour in the formal sector (4.9 ppb). We find important seasonal variation in aflatoxin levels, which are highest in our June sample and lowest in December, which we attribute to variation in sourcing of maize grain. Our results demonstrate the need for policy interventions to reduce aflatoxin exposure in Kenya and demonstrate the utility of coordinated monitoring efforts to track levels of food safety risk in low-income settings.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».