Developing Estimating Incidences of Foodborne Diseases: Probabilistic Profiling Modelling
Diese Studie entwickelte und validierte ein robustes probabilistisches Modellierungsframework, das an die WHO-Envelope-Prinzipien angepasst wurde, um die Inzidenz wichtiger lebensmittelbedingter Krankheiten in Saudi-Arabien unter Verwendung begrenzter Überwachungsdaten genau zu schätzen und somit eine evidenzbasierte gesundheitspolitische Entscheidungsfindung zu unterstützen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich die Welt der Lebensmittelsicherheit wie eine riesige, geschäftige Küche vor, in der jeden Tag Millionen von Mahlzeiten serviert werden. Manchmal schleichen sich unsichtbare Unruhestifter wie winzige Bakterien in das Essen und machen Menschen krank. Das ist das, was Wissenschaftler als „lebensmittelbedingte Krankheiten“ bezeichnen. Lange Zeit hatten Gesundheitsbehörden ein schwieriges Problem: Sie konnten nur die Menschen zählen, die tatsächlich in ein Krankenhaus gehen oder einem Arzt sagen, dass sie krank sind. Aber was ist mit den Millionen, die Bauchschmerzen bekommen, zu Hause bleiben, eine Suppe essen und es nie melden? Es ist, als würde man versuchen, die Anzahl der Fische in einem See zu schätzen, indem man nur die zählt, die auf das Dock springen. Um dies zu lösen, verwenden Wissenschaftler „Modelle“, die im Grunde komplexe Computersimulationen sind, die wie eine Kristallkugel funktionieren. Sie nehmen die wenigen Fische, die sie sehen können, und nutzen Mathematik, um zu erraten, wie viele unter Wasser versteckt sind. In dieser Arbeit geht es darum, eine bessere, genauere Kristallkugel für Saudi-Arabien zu bauen, um die wahre Anzahl der Menschen zu ermitteln, die durch schlechte Lebensmittel krank werden, selbst wenn sie es niemandem erzählen.
Das Team hinter dieser Studie, unter der Leitung von Forschern der Saudi Food and Drug Authority (SFDA) und der Princess Nourah bint Abdulrahman University, beschloss, eine neue Art von „probabilistischem Profiling-Modell“ zu entwickeln. Denken Sie an dieses Modell als einen superintelligenten Detektiv, der nicht nur den Tatort betrachtet (die gemeldeten Fälle), sondern auch versucht, die ganze Geschichte des Verbrechens zu verstehen, einschließlich der Teile, die niemand gesehen hat. Sie verwendeten eine Methode namens „Envelope-Ansatz“, was so ist, als würde man einen riesigen Kasten um alle möglichen Fälle zeichnen. In diesem Kasten kombinierten sie zwei Arten von Hinweisen: der tatsächlichen Anzahl der gemeldeten kranken Menschen in Riad zwischen 2015 und 2018 und großen globalen Schätzungen der Weltgesundheitsorganisation (WHO) darüber, wie oft verschiedene Bakterien Probleme verursachen.
Die Forscher konzentrierten sich auf vier spezifische „Übeltäter“: Salmonella, Shigella, Staphylococcus aureus und Bacillus cereus. Sie ließen ihre Computersimulation 10.000 Mal laufen (einen Prozess namens Monte-Carlo-Simulation), um zu sehen, wie die Zahlen wackeln und sich verändern könnten. Es ist, als würde man einen Würfel 10.000 Mal werfen, um das wahrscheinlichste Ergebnis zu sehen, anstatt nur einmal zu raten. Das Ziel war es, die Gesamtzahl der kranken Menschen zu schätzen, einschließlich der „stummen“ Fälle, die nie gemeldet wurden.
Die Ergebnisse waren sehr vielversprechend. Das Modell deutete darauf hin, dass es in Saudi-Arabien tatsächlich etwa 2,63 Millionen Fälle von lebensmittelbedingten Erkrankungen pro Jahr gibt. Das ist eine riesige Zahl! Die offiziellen Berichte erfassen jedoch nur einen winzigen Bruchteil davon. Beispielsweise sagte das Modell für die Stadt Riad voraus, dass Salmonella etwa 62 gemeldete Fälle pro Jahr verursachen würde, während die tatsächlichen Aufzeichnungen 70 zeigten. Für Shigella schätzte das Modell 36 Fälle, und die Aufzeichnungen zeigten 37. Bei Staphylococcus aureus stimmten das Modell und die Aufzeichnungen perfekt überein (3 Fälle). Der einzige Punkt, der etwas kniffliger war, war Bacillus cereus, bei dem das Modell 0,3 Fälle vorhersagte (was bedeutet, dass im Durchschnitt weniger als ein Fall pro Jahr auftritt) im Vergleich zu den aufgezeichneten 0,25. Der Unterschied zwischen der Schätzung des Modells und den tatsächlichen Aufzeichnungen war sehr gering – meist weniger als 11 % für die Hauptbakterien.
Die Autoren schlagen vor, dass ihr neues Modell ein zuverlässiges Werkzeug ist, um die wahre Belastung durch Lebensmittelerkrankungen zu schätzen, selbst wenn Daten knapp sind. Sie fanden heraus, dass die Vorhersagen des Modells sehr nah an dem lagen, was tatsächlich beobachtet wurde, mit einem „Bias-Faktor“ von 1,015, was praktisch perfekt ist (ein Wert von 1 bedeutet, dass die Schätzung exakt richtig ist). Dies deutet darauf hin, dass das Modell die Gefahr nicht maßlos über- oder unterschätzt. Sie merkten jedoch auch an, dass die Zahlen für Bacillus cereus etwas unsicherer waren, da es so wenige Fälle gab, auf die man zurückgreifen konnte, was es schwieriger machte, präzise zu sein.
Warum ist das wichtig? Das Papier argumentt, dass dieses Modell den Gesundheitsbehörden hilft, den „Eisberg“ der lebensmittelbedingten Krankheiten zu sehen. Die Spitze des Eisbergs ist das, was wir in den Berichten sehen, aber der massive Teil unter Wasser ist die nicht gemeldete Krankheit. Durch die Verwendung dieses Computermodells können Agenturen wie die SFDA klügere Entscheidungen darüber treffen, wohin sie Inspektoren schicken und wie sie die Öffentlichkeit schützen können. Die Autoren kommen zu dem Schluss, dass dieses Modell zwar gut mit den Daten funktioniert, die sie zur Verfügung hatten, es aber in anderen Regionen und mit mehr Arten von Bakterien getestet werden muss, bevor es zum Standardwerkzeug für alle werden kann. Es ist ein starker Schritt nach vorn, aber die Arbeit ist noch nicht abgeschlossen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.