Mô hình xác suất & thống kê phân tích các mối nguy hiểm thực phẩm docx

Rencontre Matrisq/Mét@risk/Morse le 23/02/2010 Modélisation probabiliste & statistique pour l’analyse des risques alimentaires Isabelle Albert, CR1, Unité Mét@risk, Département MIA (Mathématiques et Informatique appliquées), INRA Modélisation probabiliste & statistique pour l’analyse des risques alimentaires • Le risque (alimentaire) : notion qui sous-entend l’incertain, domaine des probabilités et de la statistique • Objectif : développer des méthodes quantitatives d’évaluation de risque alimentaire de risque alimentaire • Données : de consommation (fréquences, quantités en g consommées), mesures de contamination (mesures au mieux de concentration par g), informations sur les paramètres déterminant l’évolution de la contamination (données de la littérature (ex: sur la demi-vie d’un contaminant), mesures (températures de cuisson d’un aliment) et/ou dires d’experts (ex: température minimale de croissance d’une bactérie)) Modélisation probabiliste & statistique pour l’analyse des risques alimentaires • Le(s) but(s) de la modélisation : – rendre compte de situations et permettre le calcul du risque (sources de variabilité/incertitude, données au caractère « sparse », risques « extrêmes », sur le court/long terme, etc. ) – déterminer les facteurs influents • Utilisation et développement de méthodes statistiques originales : Théorie des valeurs extrêmes (pour déterminer la probabilité de dépassement d’une exposition tolérable), méthodes d’apprentissage statistique (pour déterminer des régimes alimentaires), statistiques des processus (pour le suivi de la contamination dans l’organisme), techniques bayésiennes (pour la quantification du risque), etc. Plan • Modélisation stochastique de la fourche à la fourchette • Modélisation stochastique et intégration de données par statistique bayésienne de données par statistique bayésienne • Elicitation de dires d’experts • Perspectives Modélisation probabiliste & statistique pour l’analyse des risques alimentaires • Modélisation stochastique de la fourche à la fourchette • Applications : – Projet AFSSA/INRA : Évaluation par un modèle stochastique de la croissance de Listeria monocytogenes dans un tank à lait réfrigérant réfrigérant » Distinction variabilité/incertitude (Modèle hiérarchique bayésien, simulation de Monte Carlo d’ordre 2) – ANR B. cereus : Appréciation quantitative du risque d'émergence de Bacillus cereus, des matières premières au consommateur – Perspectives : Projet ANR RIBENUT : Nouvelles approches pour une évaluation du compromis risque microbiologique – bénéfice nutritionnel pour les légumes traités thermiquement » modèles de dégradation de la vitamine C selon la chaleur, le pH, l’oxygène… 1. Contexte et objectif B. cereus 2. Matériel Couple B. Cereus / REPFED (refrigerated processed food of extended durability; ici purée de courgette) B. cereus extended durability; ici purée de courgette)  Continuum de mésophiles, …, psychrotrophes  Processus biologiques (croissance, destruction, germination) couplés à des traitements industriels (cuisson, mélange, pasteurisation, partitionnement) Hétérogénéité de B. cereus Groupe génétique Croissance à Type TIA 7°C 10°C 43°C I Non Oui* Non* B. pseudomycoïdes Non II Oui* Oui Non Non défini Oui B. cereus Référence : Guinebretière et al., 2008 II Oui* Oui Non Non défini Oui III Non Non Oui Emetic B. cereus strains Oui IV Non Oui Oui* Non défini Oui V Non Oui Non Non défini Oui VI Oui Oui Non B. weihenstephanensis, B. mycoïdes Non VII Non Non Oui “French killer” Oui Considérer la diversité des souches dans la population Si la population des souches était mésophile alors…. Si la population des souches était psychrotrophe alors… B. cereus psyc1 psyc2 méso1 méso2 méso3 p 1 =p 2 =p 3 =1/6 p 4 =p 5 =1/4 Vers une réelle prévalence Diagramme de flux Batch de légumes Broyage Transport réfrigéré Prot é ine de Conservation au froid en usine Cuisson Batch de légumes Broyage Transport réfrigéré Prot é ine de Conservation au froid en usine Cuisson Batch de légumes Broyage Transport réfrigéré Prot é ine de Prot é ine de Conservation au froid en usine Cuisson G E R M I N A C T C R O I S B. cereus Broyage Mélange Partitionnement Conservation au froid en magasin Transport à la maison Conservation au froid au réfrigérateur domestique Prot é ine de lait Amidon Autres ingrédients Intervalle de temps Pasteurisation Broyage Mélange Partitionnement Conservation au froid en magasin Transport à la maison Conservation au froid au réfrigérateur domestique Prot é ine de lait Amidon Autres ingrédients Intervalle de temps Pasteurisation Broyage Mélange Partitionnement Conservation au froid en magasin Transport à la maison Conservation au froid au réfrigérateur domestique Prot é ine de lait Amidon Autres ingrédients Prot é ine de lait Amidon Autres ingrédients Amidon Autres ingrédients Intervalle de temps Pasteurisation M I N A T I O N T I V A T I O N S S A N C E [...]... 13% VII: 0.3% II: 50.5% VI: 13.1% V: 0.2% VI: 48.3% IV: 7.1% II: 54.9% V: 0.3% III: 0.3% III: 11.7% IV: 0.3% (1) Avant cuisson des courgettes (2) Après cuisson des courgettes Modélisation probabiliste & statistique pour l’analyse des risques alimentaires • Modélisation stochastique et intégration de données par statistique bayésienne • Construction d’un Réseau bayésien sur l’ensemble de la chaîne à... l_e d_bf m_b p_e p_b p_ey p_it p_ib p_h g_bs p_bs Broiler Production p_iq s_b p_hc p_hh Hygiene p_ie g_ie Illness Campylobacter Validation a priori et a posteriori du modèle Modélisation probabiliste & statistique pour l’analyse des risques alimentaires • Elicitation de dires d’experts • Combinaison de dires d’experts – Application : Modèle dose-réponse Listeria mono sur des souris Xd = nombre de souris... posée q* P(| Φ-1(qijt) - Φ-1(qtrueijt) | . & statistique pour l’analyse des risques alimentaires Isabelle Albert, CR1, Unité Mét@risk, Département MIA (Mathématiques et Informatique appliquées), INRA Modélisation probabiliste &. d’experts (ex: température minimale de croissance d’une bactérie)) Modélisation probabiliste & statistique pour l’analyse des risques alimentaires • Le(s) but(s) de la modélisation : –. statistique bayésienne • Elicitation de dires d’experts • Perspectives Modélisation probabiliste & statistique pour l’analyse des risques alimentaires • Modélisation stochastique de la fourche