1 NAVODILA ZA MIKROBIOLOŠKO OCENO TVEGANJA – PATOGENI MIKROORGANIZMI V
1.5 MODELI ZA MIKROBIOLOŠKO OCENO TVEGANJA
Kvantitativna mikrobiološka ocena tveganja potrebuje matematične modele in spremljajoče podatke, da lahko opiše dinamiko in spremembe v nivojih mikrobiološkega onesnaženja hrane med obdelavo in proizvodnjo ter posledice za javno zdravje. Obstaja več vrst modelov. Ocena tveganja najprej potrebuje vhodne podatke o prisotnosti in koncentraciji mikrobioloških dejavnikov tveganja. Potem pa bodo različni procesi vplivali na prisotnost in koncentracijo mikroorganizmov - z mehanizmi bakterijske rasti in inaktivacije, navzkrižnega onesnaženja in mešanja sestavin ter razdeljevanja živil na obroke.
Nazadnje pa bodo modeli odvisnosti učinka od odmerka (dose-response models) opisali učinek izpostavitve, izražen v bolezni.
1.5.1 Modeli za identifikacijo nevarnosti
1.5.1.1 Modeli za podporo odločitvam
Z združevanjem podatkovnih baz in kvalitativnega sklepanja se lahko vzpostavi strukturirane metode za identifikacijo nevarnosti. Za ta namen lahko uporabimo podatke iz epidemioloških študij. Takšne
»sisteme« za identifikacijo dejavnikov tveganja sta opisala Zwietering (1992) in van Gerwen (1997). Ti sistemi so osnovani na združevanju podatkovnih baz, ki vsebujejo parametre mikroorganizmov in živilskih proizvodov s kombinacijo dobro definiranih pravil kvalitativnega sklepanja.
22
1.5.1.2 Modeli za razvrščanje tveganja
Za izbor relevantnih dejavnikov tveganja se lahko uporabljajo modeli za razvrščanje (Risk ranking models), npr. Risk Ranger, s katerimi se izračuna relativno tveganje za različne kombinacije živilskih proizvodov, patogenih mikroorganizmov in proizvodnih postopkov. Ti modeli lahko pripomorejo pri določanju prioritet za kombinacije med dejavnikom tveganja in živilskim proizvodom ter za izvedbo bolj poglobljenih mikrobioloških ocen tveganja.
1.5.2 Modeli za oceno izpostavljenosti
1.5.2.1 Statistični modeli za razširjenost in koncentracijo mikroorganizmov
Statistični modeli opisujejo razširjenost in koncentracijo porazdelitve z empiričnimi podatki. Za opis teh podatkov je poleg statističnih vidikov treba upoštevati tudi metode vzorčenja in kakovost analitičnih metod (npr. občutljivost, specifičnost, ponovljivost). Kadar uporabljamo podatke za ovrednotenje vpliva specifične analize, je treba te aspekte pretehtati z uporabo statističnih metod.
1.5.2.2 Modeli za rast mikroorganizmov
1.5.2.2.1 Primarni modeli
Modele, ki opisujejo spremembe v številu mikroorganizmov kot funkcije časa (rast ali inaktivacija), imenujemo primarne modele. Različni modeli ustrezajo krivulji razmnoževanja bakterij, kot npr.
Baranyjev model (Baranyi et al., 1993; Baranyi in Roberts, 1994) in tri-fazni linearni modeli (Buchanan et al., 1997). Učinkovitost izbranega modela ni odvisna le od zmožnosti odražanja ugotovitev, temveč tudi od namena modeliranja in kakovosti podatkov, ki so na razpolago.
1.5.2.2.2 Sekundarni modeli
Primarni modeli podajajo informacije o maksimalni stopnji rasti in maksimalni doseženi populaciji glede na začetni inokulat. Ko se okoliščine spremenijo, se tudi te vrednosti spremenijo; sekundarni modeli si prizadevajo te spremembe opisati, kot npr. učinek temperature ali pH na specifično stopnjo rasti. Namen takšnega modeliranja je priprava modela z manj parametri (parsimonija, skladnost z načelom Ockhamovega rezila)6, ki opisujejo opazovane parametre rasti, na način, da so predvidevanja možna (Ratkowsky, 1990). Glavni faktorji, ki vplivajo na rast:
6 Parsimonija (lex parsimoniae) - uporaba najpreprostejše predpostavke pri oblikovanju hipoteze ali interpretacije podatkov;
Ockhamovo rezilo (Ockham's razor) je raziskovalno načelo, ki ga pripisujejo angleškemu logiku Vilijemu iz Ockhama (1287–
1347). Načelo zahteva, da pri oblikovanju hipotez in teorij privzamemo čim manj predpostavk ter pojav pojasnimo s kar najmanjšim številom vplivnih spremenljivk in delnih procesov. Na kratko: če najdemo dve razlagi pojava, ki sta enako verodostojni, izberemo tisto, ki je preprostejša.
23 Temperatura
Od vseh ovir mikrobne rasti v živilih je temperatura najbolj kritična. Razviti so bili različni modeli, ki so empirični in uporabljajo kardinalne temperaturne vrednosti (minimalne, maksimalne in optimalne), kar omogoča dobro prilagajanje opazovanim podatkom (Rosso et al., 1993).
Kislost
Za učinek pH so bili prvotno razviti eksponentni modeli, katerim so sledili kardinalni modeli (Rosso et al., 1995).
Aktivnost vode
Obstaja premo-sorazmerna povezava med aktivnostjo vode in maksimalno specifično stopnjo rasti (McMeekin et al., 1987). Na uspehu modelov s kardinalnimi parametri je bil razvit splošni model za učinek aktivnosti vode (Rosso in Robinson, 2001).
Združeni učinki
Združeni učinki glavnih okoljskih faktorjev pri večini živil preprečujejo ali zmanjšajo mikrobno rast.
Večino modelov, ki so na voljo, so razvili v laboratorijskih okoljih in vsebujejo učinek določenih okoljskih faktorjev. V živilih lahko mikrobno rast ovirajo tudi drugi faktorji, ki niso vključeni v modele, kot npr.
fiziološko stanje celic, struktura hrane, vzajemno mikrobno delovanje ali prisotnost protimikrobnih spojin. Na splošno je bilo ugotovljeno, da je rast v živilih počasnejša kot napovedana rast v modelih.
Modeli »združenih učinkov« omogočajo deterministično informacijo brez ali z malo nakazovanja variabilnosti in negotovosti.
1.5.2.3 Modeli za inaktivacijo mikroorganizmov
1.5.2.3.1 Primarni modeli
Modeli, ki opisujejo inaktivacijo ali preživetje patogenih mikroorganizmov se uporabljajo že od leta 1920, ko so jih uporabili za spore Clostridium botulinum v konzerviranih živilih z nizko kislinsko stopnjo, kar je povzročilo uporabo D vrednosti (decimalni redukcijski čas). Z D-vrednostjo izražamo čas, ki je potreben, da pri določeni temperaturi zmanjšamo mikrobno populacijo za 10 krat. D vrednost je na razpolago za številne mikroorganizme (McKellar in Lu, 2004).
1.5.2.3.2 Sekundarni modeli
Relativno malo modelov obravnava učinke številnih okoljskih faktorjev na stopnjo bakterijske smrti (Ross in Dalgaard, 2004). V glavnem je bila opisana variabilnost v ne-termičnih postopkih inaktivacije mikroorganizmov, kot kombinacije pH in aktivnosti vode.
24
1.5.2.4 Modeli za navzkrižno onesnaženje
Živila se lahko med proizvodnjo onesnažijo na različne načine - s stikom z onesnaženimi surovinami, živili, rokami, delovnimi pripomočki in opremo ter iz zunanjih (okoljskih) virov. Ponovno/navzkrižno onesnaženje predstavlja problem, predvsem ko se že toplotno obdelana živila (prosta patogenih mikroorganizmov) ponovno onesnažijo po zadnji proizvodni fazi.
Modeli opisujejo različne poti in vire navzkrižnega onesnaženja - od surovin, površin v stiku z živili, onesnaženja preko zraka, insektov in okolja priprave oz. proizvodnje hrane. Do navzkrižnega onesnaženja lahko pride pri industrijski proizvodnji hrane, ob prodaji ter med pripravo hrane, tako v domačem kakor tudi poklicnem okolju (Reij et al., 2004).
Navzkrižno onesnaženje ni pogosto vključeno v mikrobiološke ocene tveganja. Omejena pozornost navzkrižnemu onesnaženju je lahko posledica pomanjkanja znanja o dinamiki navzkrižnega onesnaženja, pomanjkanja podatkov in izključitve iz načrtovanega obsega ocene tveganja.
Kljub temu pa so bili modeli navzkrižnega onesnaženja uporabljeni v ocenah tveganja. V teh modelih je izraz navzkrižno onesnaženje (cross-contamination) pogosto uporabljen za opis ponovnega onesnaženja (re-contamination) živilskih proizvodov, s strani mikroorganizmov, ki izhajajo od drugih živilskih proizvodov, z direktnim ali indirektnim kontaktom preko opreme, pripomočkov, rok, itd. Npr.
če je površina delovne opreme onesnažena, lahko mikroorganizmi preidejo na živilski proizvod, v kolikor pride do stika med površino opreme in živila. Takšno onesnaženje se lahko modelira z uporabo stopnje prenosa (transfer rate) in verjetnostjo prenosa posamezne kolonijske enote (colony-forming unit, CFU), z ene površine na drugo. Število podatkov o prenosu bakterij med rokovanjem s hrano se v zadnjem času povečuje (Chen et al., 2001; Montville et al., 2001; Kusumaningrum et al., 2004; Luber et al., 2006; de Jong et al., 2008; van Asselt et al., 2008; Nauta et al., 2008).
Za mikrobiološko oceno tveganja je bilo razvitih nekaj različnih modelov navzkrižnega onesnaženja.
Npr. model vpliva navzkrižnega onesnaženja na industrijsko obdelavo govejega mesa (Cassin et al., 1998), model navzkrižnega onesnaženja z listerijo (Schaffner, 2004), model navzkrižnega onesnaženja pri industrijski obdelavi perutninskega mesa (Nauta et al., 2005). Modeli se razlikujejo po kompleksnosti modeliranih postopkov in namenu modeliranja.
V zadnjem času so se številne mikrobiološke ocene tveganja osredotočale na navzkrižno onesnaženje v domačem okolju. K temu so vodila opažanja, da je izpostavitev patogenim mikroorganizmom, ki izhajajo iz surovega mesa, pogosto posledica uživanja gotovih obrokov, ki so bili med pripravo onesnaženi ob posrednem stiku z onesnaženim surovim mesom. Tak način izpostavitve je relevanten predvsem za kampilobaktre v perutninskem mesu (Brynestad et al., 2008; Calistri in Giovannini, 2008;
van Asselt et al., 2008; Nauta et al., 2009).
1.5.2.5 Modeli za mešanje sestavin in porazdelitev
Kadar živilske proizvode mešamo, združimo različne enote skupaj (npr. mleko molznic združimo v zbiralniku za mleko; kosi različnih trupov klavnih živali so združeni za mletje). Posledica tega postopka
25
je prerazporeditev mikroorganizmov – poveča se razširjenost, zmanjša pa se povprečna koncentracija v onesnaženih enotah.
Kadar živilske proizvode porazdelimo, večje enote živila ločimo v manjše (npr. mleko se porazdeli v steklenice, mleto meso se oblikuje v izdelke (npr. hamburgerje, pleskavice, čevapčiče). V tem primeru ima lahko prerazporeditev mikroorganizmov za posledico manjšo razširjenost in večjo koncentracijo v onesnaženih enotah. Čeprav ti postopki nimajo za posledico povečanja ali zmanjšanja števila mikroorganizmov v skupni količini živila, pa spremenijo porazdelitev mikroorganizmov med posameznimi enotami živil. Ta sprememba ima vpliv na variabilnost odmerkov mikroorganizmov med enotami hrane oz. porcijami, kar lahko vpliva na oceno tveganja. Modeli za mešanje in porazdelitev obravnavajo posledice nehomogenega mešanja in odvisnosti med posameznimi enotami obravnavanega živila (Nauta, 2005).
1.5.3 Modeli za karakterizacijo nevarnosti
Matematično modeliranje odnosa med odmerkom in učinkom (dose-response relationship) predstavlja koristen dodatek k opisnim analizam kliničnih in epidemioloških študij ter podatkov, ki se nanašajo na bolezni, ki so pogojene s hrano. Mikrobiološki model odvisnosti učinka od odmerka opisuje verjetnost specifičnega odgovora na izpostavitev določenemu patogenemu mikroorganizmu (ali njegovemu toksinu), v določeni populaciji, kot posledice zaužitja določenega odmerka. Za biološke dejavnike tveganja se modelira odnos odvisnosti učinka od odmerka, v kolikor je možno pridobiti relevantne podatke (CAC, 2004).
Biološka osnova za modele odvisnosti učinka od odmerka izhaja iz glavnih stopenj bolezni: izpostavitev, okužba, bolezen in posledice (okrevanje, posledice ali smrt). Vprašanje odzivnosti izhaja iz medsebojnega vplivanja med patogenim mikroorganizmom, gostiteljem in živilom.
Trenutno mišljenje je, da je okužba lahko posledica preživetja enega samega nalezljivega patogenega organizma, sposobnega za življenje (the »single-hit concept«) (FAO/WHO, 2003). Matematična verjetnost okužbe ali bolezni ni nična, kadar je gostitelj izpostavljen nalezljivemu patogenemu organizmu. Tak model nima praga učinka (non-treshod model), je previdnejši in bolj primeren pristop kot model s pragom učinka, ki za merilo nalezljivosti patogenega mikroorganizma uporablja minimalno infektivno dozo (MID). MID izraža najnižje število organizmov, ki so v danih okoliščinah potrebni za sprožitev okužbe pri posamezniku. Premišljena javno-zdravstvena strategija pri oceni mikrobnega odnosa odvisnosti učinka od odmerka potrebuje pristope brez praga učinka.
Modeli odvisnosti učinka od odmerka podajajo verjetnost bolezni glede na količino zaužitih patogenih mikroorganizmov. Opisani so bili različni modeli (Buchanan et al., 2000; Buchanan et al., 2009; Teunis et al., 1996; Teunis et al., 1999; Zwietering in Havelaar, 2006). Ob domnevi, da nalezljivost ni konstantna, temveč variabilna, lahko uporabimo model »Beta-Poisson« (Haas et al.,. 1999). Če pa je vključena tudi variabilnost gostitelja, je primeren model »Weibull-Gamma« (Buchanan et al., 2000).
26
1.5.4 Modeli za karakterizacijo tveganja
Verjetnost in resnost tveganja za zdravje za dano populacijo ali skupino proizvodov, je določena z združevanjem informacij, ki izhajajo iz identifikacije in karakterizacije nevarnosti ter izpostavljenosti.
Za karakterizacijo tveganja za zdravje se ne uporabljajo specifični modeli.