MétaCan
Menu
Back to cohort
Record W2746438683

Quick scan beheersmaatregelen van Tetrodotoxine in schelpdierproductie in de Oosterschelde

2016· article· nl· W2746438683 on OpenAlexaff
M. Poelman, A. Blanco Garcia, Pauline Kamermans, J.W.M. Wijsman, B.C. Bolman, W.J. Strietman

Bibliographic record

VenueData Archiving and Networked Services (DANS) · 2016
Typearticle
Languagenl
FieldEnvironmental Science
TopicMarine Toxins and Detection Methods
Canadian institutionsImpact
Fundersnot available
KeywordsArtTheologyPhilosophy
DOInot available

Abstract

fetched live from OpenAlex

In 2015 is een onderzoek naar het voorkomen en de meetbaarheid van Tetrodotoxine (TTX) in de Nederlandse schelpdierproductiegebieden uitgevoerd. De analyses zijn een gevolg van internationale rapportages over TTX in schelpdieren, zowel mosselen als oesters (voornamelijk in Griekenland en Groot Brittannië). Het onderzoek in Nederland laat zien dat er in verschillende schelpdiermonsters uit de Oosterschelde TTX aanwezig was. Het voorkomen van TTX in Nederland lijkt, op basis van feitelijke metingen, beperkt te zijn. Echter, door het gebrek aan; a) voldoende inzicht in het voorkomen van toxinen, b) inzicht in de kans op toxine aanwezigheid in Nederland en c) inzicht in de oorzaak (de bron) van TTX in Nederland, wordt het voorzorgsprincipe gehanteerd. Het huidige voedselveiligheidsmanagement systeem voorziet niet in het voldoende gericht managen van risico’s met onbekende bron. Hiervoor is aanvullend of specifiekere monitoring nodig, ook om data te verzamelen voor toekomstige management maatregelen. Dit biedt mogelijkheden om de productie- (Oosterschelde) en verwatergebieden voor schelpdieren te analyseren op mogelijke verschillen in potentiele aanwezigheid van TTX. Hierdoor is een monitoring- en managementsysteem ontwikkeld dat aansluit bij de onbekendheden van de toxine aanwezigheid en productie in Nederland. Om dit te bereiken is beoordeeld wat de mogelijke karakteristieken zijn voor de toxine producenten en is er een indeling voorgesteld voor de Oosterschelde die rekening houdt met de verschillen in omgevingsfactoren. Zodat een beeld ontstaat van de mogelijke indeling van een dergelijk gebied voor toepassing in monitoring en management. De oorzaak van het voorkomen van TTX in de Oosterschelde is niet bekend. Mogelijke oorzaken zijn te vinden in Vibrio en andere bacteriën, eventueel in symbiose met andere vectoren. Van de bekende TTX producenten uit de literatuur komt alleen de snoerworm Cephalothrix simula in de Oosterschelde voor. De exemplaren van Cephalothrix simula zijn op de bodem aangetroffen in dichte populaties van schelpkokerwormen en spinragwormen, die mogelijk als voedsel voor deze soort dienen (natuurbericht.nl). Daarnaast komt een Gibbula soort (de Asgrauwe tolhoren Gibbula cineraria) voor in de Oosterschelde. Het is minder waarschijnlijk dat er een direct verband is tussen deze soorten en TTX in schelpdieren, waar een indirecte route (via sediment) niet is uitgesloten. Het huidige monitoring programma houdt onvoldoende rekening met management van risico’s verbonden aan een onbekende bron. De gegevens over de mogelijke bronnen van TTX in schelpdieren en de karakteristieken hiervan geven de volgende criteria (mede op basis van beschikbaarheid van fysische informatie) om een gebiedsindeling te rechtvaardigen:  Temperatuur (mede een functie van o.a. diepte)  Saliniteit  Troebelheid  Verblijftijd water  Stroming / stroomsnelheid  Bodemsoort  Schelpdiersoort (soort schelpdier i.v.m. accumulatie en depuratie tijd) Op basis van verschillen in de fysische gegevens in de deelgebieden betekent dit dat de Oosterschelde opgesplitst kan worden in 16 deelgebieden die allen in meer of minder mate van elkaar te onderscheiden zijn. Een eerste indeling kan gemaakt worden op soort niveau, waarbij de verwaterpercelen en de Oesterproductie percelen in drie gebieden van elkaar gescheiden worden (waardoor 19 verschillende gebieden ontstaan). De gebieden voorzien allen in mogelijk verschil in toxine productie, accumulatie en risico op aanwezigheid van TTX. De verschillen zijn niet kwantificeerbaar, echter vanuit een risicomanagement perspectief zijn de gebieden te benutten voor verbetering van de trefkans, rekening houdend met spreiding. Het is zeer waarschijnlijk dat er verschillen in accumulatie per schelpdiersoort zijn, waardoor het mogelijk lijkt om soortspecifieke monitoring en management toe te passen. Er kan geen indicator IMARES rapport C064/16| 5 van 39 organisme (hoogste trefkans) worden aangewezen bij gebrek aan informatie over accumulatie van TTX. De kosten voor monitoring van productiegebieden die rekening houdt met de mogelijke verschillen in aanwezigheid van TTX in schelpdieren is berekend voor een wekelijkse meting en monitoring gedurende twee maanden. De wekelijkse kosten voor monitoring van de Oosterschelde bedragen 9 – 13 keuro. Dit is een bedrag van 70-103 keuro over een periode van 8 weken. Het is niet uitgesloten dat ook buiten het zomerseizoen monitoring noodzakelijk is. Het is aan te bevelen TTX standaard in het monitoringprogramma op te nemen om meer data te verzamelen. Voor de mosselsector wordt de sociaal-economische waarde van de Yerseke bank in de eerste twee weken van juli geschat op € 5 miljoen met een geschatte werkgelegenheid van 37 fte. Van half juli tot en met eind augustus wordt de waarde geschat op € 3,4 tot € 6,8 miljoen met een geschatte werkgelegenheid van 30 tot 45 fte. Voor de oestersector wordt de sociaal-economische waarde geschat op € 2 miljoen op jaarbasis en een werkgelegenheid van ca 67 fte. Op basis van de analyse kan een managementsysteem worden ingericht dat rekening houdt met de mogelijke bronnen van TTX. Dit systeem kan gebruikt worden om duidelijke inzichten te verkrijgen in de aanwezigheid van TTX in schelpdieren in de Oosterschelde. Daarnaast is het mogelijk om de gebiedsindeling (of delen ervan) te benutten voor een goede beheersing van de mogelijke voedselveiligheid of economische risico’s die het TTX dossier kent.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.

How this classification was reachedexpand

Full frame distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.003
metaresearch head score (Gemma)0.000
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: Observational
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.240
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0030.000
Meta-epidemiology (narrow)0.0000.000
Meta-epidemiology (broad)0.0000.000
Bibliometrics0.0000.001
Science and technology studies0.0000.000
Scholarly communication0.0000.001
Open science0.0020.002
Research integrity0.0000.000
Insufficient payload (model declined to judge)0.0010.000

Machine scores (provisional)

The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.

Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.

Opus teacher head0.015
GPT teacher head0.259
Teacher spread0.244 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designObservational
Domainnot available
GenreEmpirical

How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".

Quick stats

Citations1
Published2016
Admission routes1
Has abstractyes

Explore more

Same venueData Archiving and Networked Services (DANS)Same topicMarine Toxins and Detection MethodsFrench-language works237,207