IT værktøjer i fødevareproduktionen - hvad mener Fødevarestyrelsen? Niels Nielsen Foder og fødevaresikkerhed Fødevarestyrelsen

Transkript

1 IT værktøjer i fødevareproduktionen - hvad mener Fødevarestyrelsen? Niels Nielsen Foder og fødevaresikkerhed Fødevarestyrelsen UCS Ankerhus 30.maj 2013

2 Emner: Lidt om rammerne Forventninger til modeller og data Fordele og ulemper Hvor ska vi hen du? Titel 2

3 Rammerne for af IT værktøjer i fødevareproduktion Europa-Parlamentets og Rådets Forordning (EF) Nr. 852/2004 af 29. april 2004 om fødevarehygiejne Gennemføre en risikoanalyse Sikre overholdelse af mikrobiologiske kriterier Dokumentation Retningslinjer for god produktionspraksis jf. Listeria i 2073/2005 Titel 3

4 Rammerne for af IT værktøjer i fødevareproduktion Kommissionens Forordning (EF)Nr. 2073/2005 af 15. november 2005 om mikrobiologiske kriterier for fødevarer Artikel 3 2. Hvor det er nødvendigt, gennemfører de fødevarevirksomhedsledere, der er ansvarlige for fremstillingen af produkterne, undersøgelser, jf. bilag II, for at efterprøve, om kriterierne opfyldes i hele holdbarhedsperioden. Dette gælder især for spiseklare fødevarer, der understøtter vækst af Listeria monocytogenes, og som kan indebære en Listeria monocytogenes-risiko for folkesundheden. Titel 4

5 Rammerne for af IT værktøjer i fødevareproduktion /2005 BILAG II specifikation af produktets fysisk-kemiske egenskaber, f.eks. ph, a w, saltindhold, indhold af konserveringsmidler og type emballeringssystem, idet opbevarings- og forarbejdningsvilkårene, kontamineringsmulighederne og den forventede holdbarhedsperiode tages i betragtning Hvis nødvendigt: opstilling af matematiske prognosemodeller for den pågældende fødevare, hvor der anvendes kritiske vækst- eller overlevelsesfaktorer for de pågældende mikroorganismer i produktet nærmere undersøgelser af den pågældende korrekt podede mikroorganismes evne til at vokse eller overleve i produktet under forskellige vilkår for opbevaring, som med rimelighed kan forudses undersøgelser med henblik på at evaluere vækst- eller overlevelsesevne hos de pågældende mikroorganismer, der måtte forekomme i produktet i holdbarhedsperioden under de vilkår for Titel 5

6 Listeria monocytogenes: Vejledning nr af 21/02/2013 om holdbarhedsvurdering af fødevarer for Listeria monocytogenes 12.1 Generelle matematiske modeller Software til beregning af mikrobiel vækst og inaktivering er frit tilgængelige på nettet, fx: Seafood Spoilage and Safety Predictor (SSSP) software v. 3.1 (link: Combase predictor (link: Pathogen Modelling Programme (link: Listeria model, Danish Meat Research Institute (link: Titel 6

7 Listeria monocytogenes: Vejledning nr af 21/02/2013 om holdbarhedsvurdering af fødevarer for Listeria monocytogenes 12.2 Specifikke matematiske modeller Vækstdata for specifikke fødevarer fra litteraturen ligger enten som matematiske vækstformler eller som målingsresultater over et tidsforløb, evt. med beregnet nølefase og maksimal væksthastighed. Disse kan omsættes til specifikke vækstmodeller ved at indsætte de rå måledata i softwaren DMFit, der også er frit tilgængelig på internettet. DMFit kan udregne vækstkurvetype (liniær, eksponentiel etc.), nølefase og µmax. Disse data kan sammenstilles med resultatet fra ComBase Predictor, og om muligt kan der findes en omregningsfaktor mellem de to forløb, hvorved den tilpassede ComBasemodel kan anvendes til andre simuleringer på lignende produkter. Mere detaljeret vejledning kan indgå i visse branchekoder. Titel 7

8 Codex Alimentarius: PROPOSED DRAFT PRINCIPLES AND GUIDELINES FOR THE ESTABLISHMENT AND APPLICATION OF MICROBIOLOGICAL CRITERIA RELATED TO FOODS (at Step 3) 4.3 Relationship between Microbiological Criteria, ALOP and other Microbiological Risk Management Metrics 18. MC may be used by competent authorities and food business operators, to operationalize the ALOP either directly or through other microbiological risk management metrics (e.g. PO, FSO) 4.8 Statistical performance 41. The statistical performance of a sampling plan is usually illustrated by its operating characteristic (OC) curve, which describes the probability of acceptance as a function of the actual proportion of nonconforming analytical units or concentration of the microorganisms in the food. An OC curve can be used to evaluate the influence of individual parameters of the sampling plan on the overall performance of the plan. 42. Web-based tools developed by FAO/WHO through JEMRA5 for estimating the performance of sampling plans can be utilised to evaluate sampling plans under consideration. Titel 8

9 Forventninger til modeller og data: Validerede modeller / data Krav til ensartede recepter (f.eks. vandaktivitet, ph) og produktionsbetingelser (f.eks. temperatur, tid) Brugervenlig få og relevante parametre Verifikation (f.eks. laboratorieundersøgelser) Titel 9

10 Fordele og ulemper ved brug af IT baserede redskaber: Fordele Reduceret prøveantal både for virksomheden og fødevarekontrollen Mere effektiv og rentabel produktion Mere standardiserede vurderinger af produktionsforløb både for virksomheden og fødevarekontrollen Højere niveau af sikkerhed Ulemper Kritisk holdning hos visse importlande ikke nødvendigvis international accept Titel 10

11 Hvor ska vi hen du? Fortsætte den udvikling af effektive IT redskaber, der allerede er sat i gang på fødevareområdet Implementering af nye værktøjer også i offentligt regi (risikorangering af frugt & grønt, vurdering af kvantitative analyseresultater i forhold til f.eks. brancher) Se på fremtidige behov for verifikation baseret på analyseresultater Titel 11

12 Tak for opmærksomheden! kommentarer, spørgsmål? 12