Toepassing van risico-evaluatie in de voedselketen - Favv

De resultaten werden samengevat in een tornadogra ek
(Figuur 6). Aangezien het niet eenvoudig is om vaste en probabilistische
inputs te vergelijken werden deze op verschillende
gra eken geplaatst. Uit de guur blijkt duidelijk dat
temperatuur één van de meest belangrijke factoren is. Ook
de membraan-afbraaktijd blijkt belangrijk, wat verwacht kon
worden aangezien dit een alternatief lagfaseconcept is.
De binnentoom prevalentie heeft ook een belangrijke impact
op de modelresultaten, meer dan de actuele toomprevalentie.
Het bereik voor deze factor is zodanig groot, wat erop kan
Temperature
Yolk membrane breakdown time
Time
Prevalence
b (square root model)
Initial number of bacteria
Tmin (square root model)
a
10000 20000 30000 40000 50000
Annual salmonellosis cases
wijzen dat de inputdistributie niet voldoende nauwkeurig
is bepaald. Deze distributie is inderdaad bepaald op basis
van gegevens van één studie10 . Bijkomende gegevens lijken
noodzakelijk om deze onzekerheid te minimaliseren.
Desondanks blijkt deze factor van groot belang, maar is in
werkelijkheid moeilijk te manipuleren en zou waarschijnlijk
structurele ingrepen vergen in de huisvestingssystemen en
het operationeel beheer.
Within flock prevalence
Probability of egg contamination
Probability of yolk contamination
a (beta-Poisson model)
b (beta-Poisson model)
b
1e+1 1e+2 1e+3 1e+4 1e+5 1e+6
Annual salmonellosis cases
Figuur 6. Sensitiviteitsanalyse van een aantal vaste (a) en probabilistische (b) inputs van het model. Vaste waarden variëren tussen -25 tot 25% van de basiswaarde, probabilistische
inputs werden gevarieerd tussen het eerste en 99ste percentiel
33