KR101209404B1 - Apparatus and method for determine and prediction of risk level using statistic approaches on pathogenic microorganism in food - Google Patents

Apparatus and method for determine and prediction of risk level using statistic approaches on pathogenic microorganism in food Download PDF

Info

Publication number
KR101209404B1
KR101209404B1 KR1020120032650A KR20120032650A KR101209404B1 KR 101209404 B1 KR101209404 B1 KR 101209404B1 KR 1020120032650 A KR1020120032650 A KR 1020120032650A KR 20120032650 A KR20120032650 A KR 20120032650A KR 101209404 B1 KR101209404 B1 KR 101209404B1
Authority
KR
South Korea
Prior art keywords
food
data
risk level
pathogenic microorganisms
level
Prior art date
Application number
KR1020120032650A
Other languages
Korean (ko)
Inventor
박경진
Original Assignee
군산대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 군산대학교산학협력단 filed Critical 군산대학교산학협력단
Priority to KR1020120032650A priority Critical patent/KR101209404B1/en
Application granted granted Critical
Publication of KR101209404B1 publication Critical patent/KR101209404B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/22—Social work
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Abstract

PURPOSE: A device for statistically diagnosing and predicting levels of danger caused by pathogenic microorganism in food and a method thereof are provided to diagnose and predict the levels of danger and hygiene of food related to the pathogenic microorganism through a statistical simulation about a probability distribution model. CONSTITUTION: An input module(100) inputs basic data for predicting danger levels, data about environment conditions, and data about consumption patterns. A control module(200) quantifies the data about environment conditions and the data about consumption patterns through a probability distribution model. An analyzing module(300) predicts and diagnoses levels of danger caused by pathogenic microorganism in food by using a mathematical model and the quantified value. An output module(500) outputs related data including the danger level. [Reference numerals] (100) Input module; (200) Control module; (300) Analyzing module; (400) Database; (500) Output module

Description

식품 내의 병원성미생물에 의한 위해수준의 통계적 예측 진단장치 및 방법{Apparatus and Method for determine and Prediction of risk Level using Statistic Approaches on pathogenic microorganism in Food}Apparatus and Method for determine and Prediction of risk Level using Statistic Approaches on pathogenic microorganism in Food}

본 발명은 식품 내 오염된 병원성미생물에 의해 위해수준을 예측 진단하는 장치에 관한 것으로, 식품 내에 오염된 병원성미생물의 오염수준 및 식품의 공급과정에서의 환경조건에 대한 데이터와 해당 식품의 소비량 등 소비패턴에 대한 데이터를 확률분포모델을 이용하여 정량화한 후 통계적으로 분석하여 식품의 위해수준을 예측 진단하는 장치 및 방법에 대한 것이다.
The present invention relates to a device for predicting and diagnosing a risk level by contaminated pathogenic microorganisms in a food. The present invention relates to data on the contamination level of pathogenic microorganisms contaminated in food and environmental conditions in the process of food supply, and consumption of the food. The present invention relates to an apparatus and method for predicting and diagnosing risk levels of food by quantifying data on a pattern using a probability distribution model and statistically analyzing the data.

식품의 위해수준은 물리적 요인, 화학적 요인 및 생물학적 요인 등 여러 가지 요인을 통해 판단하지만 가장 큰 영향을 미치는 요인은 미생물과 관련된 생물학적 요인이라고 할 수 있다. 미생물과 관련된 생물학적 요인은 인체에 직접적으로 영향을 미치며, 그 파급효과 또한 다른 요인에 비해 크지만 종래 미생물에 대한 위해수준의 관리는 샘플조사에 의해 부분적으로 이루어지거나 개별인자 수준의 단편적인 관리만이 이루어지고 있었다.The risk level of food is determined by various factors such as physical, chemical and biological factors, but the most influential factor is the biological factors associated with microorganisms. Biological factors related to microorganisms directly affect the human body, and its ripple effect is larger than other factors, but the risk level management of conventional microorganisms is only partially managed by sample inspection or only at the individual factor level. It was done.

식품의 위해요인 중 식중독 발생 등 병원성미생물과 관련한 식품안전 사건사고의 발생은 주로 원료에서의 병원성미생물 오염수준, 공정조건에 따른 이들 미생물의 감소 및 증가수준, 유통, 소비단계에서의 보관온도와 시간에 따른 증식정도와 오염된 식품의 섭취량 등 복합적인 요인에 의해 결정되나, 종래에는 이러한 복합적인 요인들 및 이들 요인들 간의 관계를 종합적으로 고려하지 않고 식품위생법 등 법규를 통해 단편적으로 관리함에 따라 미생물에 의한 위해수준이 정확하지 않거나 요인들 간의 상관관계를 고려하지 않아 위해수준의 관리가 효율적이지 못한 문제가 있다.The occurrence of food safety incidents related to pathogenic microorganisms such as food poisoning among food hazards is mainly caused by the level of pathogenic microbial contamination in raw materials, the reduction and increase of these microorganisms according to process conditions, and the storage temperature and time at distribution and consumption stages. It is determined by the complex factors such as the degree of proliferation and the intake of contaminated food, but in the past, microorganisms are managed in a fragmentary manner through regulations such as food hygiene law without comprehensive consideration of these complex factors and the relationship between these factors. There is a problem that the management of risk level is not efficient because the risk level is not accurate or the correlation between factors is not considered.

즉, 현재수준에서는 이들 인자에 대해 종합적인 접근이 아닌 각각의 개별인자에 대한 연구 등이 이루어지고 있고, 이들 결과만을 이용하여 식품 안전수준 예측(성장예측모델 등) 및 관리방법(HACCP 등)이 제시되고 있는 실정일 뿐만 아니라 1~2개 인자의 복합 또는 단독인자만을 적용할 경우 인자 상호간에 작용할 수 있는 변이성(variability)이나 불확실성(uncertainty) 등을 제대로 표현할 수 없어 예측수준이나 관리방법 설정에 한계가 있을 수 있다.In other words, at the current level, research is conducted on individual factors, not a comprehensive approach to these factors, and using these results, food safety level predictions (such as growth forecasting models) and management methods (HACCP, etc.) In addition to the present situation, it is not possible to express the variability or uncertainty that can interact with each other when only one or two factors are applied or only one factor is limited. There can be.

따라서 기존의 방법보다 보다 과학적이고 구체적으로 식품에서의 주요 병원성미생물에 대한 위생 및 위해수준을 예측하기 위해서는 식중독 발생 등에 관련한 인자들에 대한 변이성, 불확실성 등을 복합적으로 고려한 예측 진단장치가 필요한 실정이다.Therefore, in order to predict the hygiene and risk level of major pathogenic microorganisms in food more specifically and scientifically than conventional methods, it is necessary to use a predictive diagnostic device that combines the variability and uncertainty of factors related to food poisoning.

또한, 미생물은 식품에 대한 다른 요인에 비해 환경의 영향이 매우 크지만 종래 위해수준은 단순히 식품에 포함된 미생물의 개체수만을 기준으로 하여 관리하고 있는 바 위해수준의 적절한 관리가 이루어지지 않을 뿐만 아니라 개개 환경조건과 위해수준의 연관성을 밝히기 어려워 정확한 위해수준의 관리가 어려운 문제점이 있다.
In addition, microorganisms have a greater environmental impact than other factors on food, but the conventional risk level is based only on the number of microorganisms contained in food. It is difficult to clarify the relationship between environmental conditions and risk levels, making it difficult to accurately manage risk levels.

본 발명은 상기와 같은 문제점을 해결하기 위한 것으로, 본 발명의 목적은 식중독 발생 등 병원성미생물과 관련한 식품안전 사건사고의 발생 등에 영향을 줄 수 있는 인자들을 종합적으로 고려하기 위하여 각각의 인자에 대해 확률분포모델을 적용하고, 이들 모델에 대한 통계적 시뮬레이션을 통해 주요 병원성미생물과 관련된 식품의 미생물학적 위생수준 및 위해수준을 예측 진단할 수 있는 장치 및 방법을 제공하는 것에 있다
The present invention is to solve the above problems, an object of the present invention is to provide a probability for each factor to comprehensively consider factors that may affect the occurrence of food safety incidents related to pathogenic microorganisms such as food poisoning The present invention provides an apparatus and method for applying a distribution model and predicting the microbiological hygiene level and risk level of foods related to major pathogenic microorganisms through statistical simulation of these models.

상기와 같은 목적을 달성하기 위해 본 발명의 식품 내의 병원성미생물에 의한 위해수준의 통계적 예측 진단장치는 식품 명칭 및 병원성미생물 명칭을 포함하는 위해수준 예측에 필요한 기본데이터와 식품원료 및 식품의 제조, 유통, 소비단계를 포함하는 식품의 공급과정 중 각 단계에서의 병원성미생물의 오염수준 및 각 단계에서의 온도, 시간을 포함하는 환경조건에 대한 데이터와 상기 식품의 소비량을 포함하는 소비패턴에 대한 데이터가 입력되는 입력모듈과, 상기 입력모듈을 통해 입력된 병원성미생물의 오염수준 및 상기 공급과정 중 각 단계에서의 환경조건에 대한 데이터와 소비패턴에 대한 데이터를 확률분포모델을 통해 정량화하는 제어모듈과, 상기 병원성미생물이 식품 내에서 성장, 감소, 사멸하는 과정에 대해 정량화할 수 있는 수학적 모델과 상기 병원성미생물의 섭취에 따른 인체 내 반응을 정량적으로 산출하는 수학적 모델을 포함하여 위해수준의 예측 진단에 필요한 데이터가 저장된 데이터베이스와, 상기 제어모듈에서 정량화된 값과 상기 데이터베이스에 저장된 수학적 모델을 이용하여 상기 식품 내에 포함된 병원성미생물에 의한 위해수준을 예측 진단하는 분석모듈과, 상기 분석모듈에서 예측 진단된 위해수준을 포함하여 관련 데이터를 출력하는 출력모듈을 포함한다.In order to achieve the above object, the statistical predictive diagnosis apparatus for risk level by pathogenic microorganisms in the food of the present invention includes basic data necessary for risk level prediction including food name and pathogenic microorganism name, and manufacturing and distribution of food raw materials and foods. In addition, data on environmental conditions, including the level of contamination of pathogenic microorganisms at each stage, temperature and time at each stage, and consumption patterns including consumption of the food, A control module for quantifying the contamination level of pathogenic microorganisms inputted through the input module, the data on environmental conditions and consumption patterns at each stage of the supply process through a probability distribution model; Mathematics that can quantify the process of growth, reduction, and death of the pathogenic microorganisms in food A database storing data necessary for predictive diagnosis of a risk level, including a model and a mathematical model for quantitatively calculating a response in the human body according to the intake of the pathogenic microorganism, and a value quantified by the control module and a mathematical model stored in the database. And an analysis module for predicting and diagnosing a risk level caused by pathogenic microorganisms included in the food, and an output module for outputting related data including the risk level predicted and diagnosed in the analysis module.

또한, 상기 제어모듈은 상기 입력모듈을 통해 입력된 각 데이터를 통계적 검정에 의한 피팅(fitting)과정을 통해 특정 확률분포모델을 선택한 후 선택된 확률분포모델을 이용하여 데이터를 정량화하는 것을 특징으로 한다.In addition, the control module is characterized by quantifying the data using the selected probability distribution model after selecting a specific probability distribution model through a fitting process by a statistical test for each data input through the input module.

또한, 상기 제어모듈의 통계적 검정에 의한 피팅과정은 상기 입력모듈을 통해 입력된 각 데이터를 빈도분포로 전환한 후 수행하는 것을 특징으로 한다.In addition, the fitting process by the statistical test of the control module is characterized in that performed after converting each data input through the input module to the frequency distribution.

또한, 상기 분석모듈은 상기 정량화된 환경변수에 대한 데이터를 상기 식품 내에서 성장, 감소, 사멸과정에 대해 정량화할 수 있는 수학적 모델에 대입하여 산출된 값을 이용하여 각 단계에서의 병원성미생물의 오염수준을 보정하는 것을 특징으로 한다.In addition, the analysis module contaminates pathogenic microorganisms at each stage by using the calculated value by substituting the data on the quantified environmental variables into a mathematical model that can be quantified for the growth, reduction and killing process in the food. It is characterized by correcting the level.

또한, 상기 분석모듈에서 예측 진단되는 위해수준은 공급과정 중 소비단계의 병원성미생물의 오염수준을 상기 병원성미생물의 섭취에 따른 인체 내 반응을 정량적으로 산출하는 수학적 모델에 대입하여 상기 병원성미생물에 의한 위해수준을 정량적으로 산출하는 것을 특징으로 한다.In addition, the risk level predicted and diagnosed in the analysis module substitutes the contamination level of the pathogenic microorganisms during the feeding process into a mathematical model that quantitatively calculates the response in the human body according to the intake of the pathogenic microorganisms. It is characterized by calculating the level quantitatively.

또한, 상기 데이터베이스에 저장된 위해수준의 예측 진단에 필요한 데이터에는 각 식품별로 입력변수 리스트가 포함되고, 상기 입력모듈은 상기 입력된 식품명에 따라 해당 식품에 대한 입력변수 리스트를 참조하여 입력변수 리스트에 포함된 데이터의 입력을 위한 식품별 맞춤형 인터페이스를 제공하는 것을 특징으로 한다.In addition, the data necessary for the prediction of the risk level stored in the database includes a list of input variables for each food, and the input module is included in the input variable list by referring to the input variable list for the corresponding food according to the input food name. It is characterized by providing a food-specific customized interface for the input of the data.

또한, 특정 위해수준 값에 대한 각 환경조건의 기준 값을 산출하기 위해 상기 분석모듈은 상기 입력모듈을 통해 입력된 특정 환경조건에 대한 값을 상기 제어모듈의 확률분포모델에 의한 정량화를 거치지 않고 상기 수학적 모델에 대입하여 위해수준을 산출하는 것을 특징으로 한다.In addition, in order to calculate a reference value of each environmental condition with respect to a specific hazard level value, the analysis module does not quantify the value for the specific environmental condition inputted through the input module without quantification by the probability distribution model of the control module. The risk level is calculated by substituting a mathematical model.

또한, 상기와 같은 목적을 달성하기 위해 본 발명의 식품 내의 병원성미생물에 의한 위해수준의 통계적 예측 진단방법은 식품 명칭 및 병원성미생물 명칭을 포함하는 위해수준 예측에 필요한 기본데이터와 식품원료 및 식품의 제조, 유통, 소비단계를 포함하는 식품의 공급과정 중 각 단계에서의 병원성미생물의 오염수준 및 각 단계에서의 온도, 시간을 포함하는 환경조건에 대한 데이터와 상기 식품의 소비량을 포함하는 소비패턴에 대한 데이터를 입력하는 단계; 상기 데이터를 입력하는 단계에서 입력된 병원성미생물의 오염수준 및 상기 공급과정 중 각 단계에서의 환경조건에 대한 데이터와 소비패턴에 대한 데이터를 확률분포모델을 통해 정량화하는 단계; 상기 정량화하는 단계에서 정량화된 데이터와 데이터베이스에 저장된 병원성미생물이 식품 내에서 성장, 감소, 사멸하는 과정을 정량화하는 수학적 모델과 상기 병원성미생물의 섭취에 따른 인체 내 반응을 정량적으로 산출하는 수학적 모델을 포함하여 위해수준의 예측 진단에 필요한 데이터를 이용하여 입력된 식품의 위해수준을 예측 진단하는 단계; 상기 예측 진단하는 단계에서 예측 진단된 위해수준을 포함하여 관련 데이터를 출력하는 단계를 포함한다.In addition, in order to achieve the above object, the statistical predictive diagnosis method of risk level by pathogenic microorganisms in the food of the present invention includes the basic data necessary for the prediction of risk level, including food name and pathogenic microorganism name, and production of food raw materials and foods. Data on environmental conditions, including the level of contamination of pathogenic microorganisms at each stage of the food supply process, including distribution, consumption, and temperature and time at each stage, and consumption patterns including consumption of the food. Inputting data; Quantifying the contamination level of the pathogenic microorganisms input at the step of inputting the data, the data on the environmental conditions and the consumption patterns at each stage of the supply process through a probability distribution model; And a mathematical model for quantifying the growth, reduction, and killing of the pathogenic microorganisms stored in the database and the data quantified in the quantifying step, and a mathematical model for quantitatively calculating the response in the human body according to the intake of the pathogenic microorganisms. Predicting and diagnosing the risk level of the input food using data necessary for predicting the risk level; And outputting relevant data including the risk level predicted and diagnosed in the predictive diagnosis.

또한, 상기 정량화하는 단계에서, 상기 입력하는 단계에서 입력된 각 데이터를 통계적 검정에 의한 피팅(fitting)과정을 통해 특정 확률분포모델을 선택한 후 선택된 확률분포모델을 이용하여 데이터를 정량화하는 것을 특징으로 한다.In the quantifying step, a specific probability distribution model is selected through a fitting process by a statistical test on each data input in the inputting step, and then data is quantified using the selected probability distribution model. do.

또한, 상기 통계적 검정에 의한 피팅과정은 상기 입력하는 단계에서 입력된 각 데이터를 빈도분포로 전환한 후 수행하는 것을 특징으로 한다.In addition, the fitting process by the statistical test may be performed after converting each data input in the input step into a frequency distribution.

또한, 상기 예측 진단하는 단계에서, 상기 정량화된 환경변수에 대한 데이터를 상기 식품 내에서 성장, 감소, 사멸과정에 대해 정량화할 수 있는 수학적 모델에 대입하여 산출된 값을 이용하여 각 단계에서의 병원성 미생물의 오염수준을 보정하는 것을 특징으로 한다.Further, in the predictive diagnosis step, the pathogenicity at each step is obtained by substituting the data for the quantified environmental variables into a mathematical model that can be quantified for the growth, reduction, and death process in the food. It is characterized by correcting the contamination level of microorganisms.

또한, 상기 예측 진단하는 단계에서, 상기 예측 진단되는 위해수준은 공급과정 중 소비단계의 병원성미생물의 오염수준을 상기 미생물의 섭취에 따른 인체 내 반응을 정량적으로 산출하는 수학적 모델에 대입하여 상기 병원성미생물에 의한 위해수준을 정량적으로 산출하는 것을 특징으로 한다.Further, in the predictive diagnosis step, the predicted risk level is substituted for the level of contamination of pathogenic microorganisms at the consumption stage of the supply process into a mathematical model that quantitatively calculates the response in the human body according to the intake of the microorganisms. It is characterized by calculating the risk level by quantitatively.

또한, 상기 예측 진단하는 단계에서, 미리 설정된 일정 위해수준에 대한 각 환경조건의 기준 값을 산출하기 위해 환경조건에 대한 값을 상기 확률분포모델에 의한 정량화하는 단계를 거치지 않고 상기 수학적 모델에 대입하여 위해수준을 산출하는 시나리오 분석단계를 더 포함한다.
In the predicting and diagnosing step, in order to calculate a reference value of each environmental condition for a predetermined predetermined risk level, the value of the environmental condition is substituted into the mathematical model without quantifying the probability by the probability distribution model. It further includes a scenario analysis step of calculating the risk level.

이상과 같은 구성의 본 발명은 단순한 수치를 통한 위해수준의 관리가 아닌 종합적이고 위해수준에 영향을 미치는 요인들 간의 상관관계를 고려하여 정확한 위해수준의 관리가 가능한 효과가 있다.The present invention having the above configuration has the effect of being able to accurately manage the risk level in consideration of the correlation between the factors affecting the comprehensive and risk level rather than the management of the risk level through a simple numerical value.

또한, 식품에 대한 환경조건 및 소비패턴까지 반영하여 병원성미생물에 기인하는 식품의 위해수준을 정확하게 예측 진단할 수 있는 효과가 있다.In addition, it is possible to accurately predict and diagnose the risk level of foods caused by pathogenic microorganisms by reflecting environmental conditions and consumption patterns of foods.

또한, 식품의 공급과정 중 병원성미생물의 증감량을 반영하여 신뢰성 있는 위해수준의 예측 진단이 가능한 효과가 있다.In addition, it is possible to predict and diagnose a reliable risk level by reflecting the increase and decrease of pathogenic microorganisms during the food supply process.

또한, 각 환경조건에 대한 위해수준에의 영향정도를 다른 환경조건 및 소비패턴 등을 종합적으로 감안하여 정확하게 예측 진단할 수 있는 효과가 있다.
In addition, it is possible to accurately predict and diagnose the degree of impact on the risk level for each environmental condition in consideration of different environmental conditions and consumption patterns.

도 1은 본 발명의 일실시예에 따른 개략적인 블록도이고,
도 2는 채소류에 대해 식품원료에서부터 최종소비단계까지 식품공급체인(Food supply chain)을 예시한 도면이고,
도 3은 본 발명의 제어모듈에서 활용할 수 있는 확률분포모델을 예시한 도면이고,
도 4는 식품 내에서 측정된 일반세균수의 발생에 대한 그래프이고,
도 5는 본 발명의 제어모듈에서 도 4의 데이터를 빈도분포로 전환 후의 그래프이고,
도 6은 본 발명의 제어모듈에서 통계적 검정을 활용한 피팅(fitting)과정을 통해 적정 확률분포모델로 정량화하는 과정을 나타내는 도면이고,
도 7은 본 발명의 민감도 분석결과를 예시한 도면이고,
도 8은 본 발명의 일실시예에 따른 식품 내의 병원성미생물에 의한 위해수준의 통계적 예측 진단방법의 흐름도이다.1 is a schematic block diagram according to an embodiment of the present invention,
FIG. 2 is a diagram illustrating a food supply chain from food ingredients to final consumption stage for vegetables;
3 is a diagram illustrating a probability distribution model that can be utilized in the control module of the present invention.
Figure 4 is a graph of the generation of general bacterial counts measured in food,
5 is a graph after the data of FIG. 4 is converted into a frequency distribution in the control module of the present invention;
FIG. 6 is a diagram illustrating a process of quantifying a proper probability distribution model through a fitting process using a statistical test in a control module of the present invention.
7 is a diagram illustrating a sensitivity analysis result of the present invention,
8 is a flowchart of a method for statistically predicting a risk level of a risk level caused by pathogenic microorganisms in food according to one embodiment of the present invention.

이하에서 도면을 참조하여 본 발명에 따른 식품 내의 병원성미생물에 의한 위해수준의 통계적 예측 진단장치에 대해 상세히 설명한다.Hereinafter, with reference to the drawings will be described in detail the statistical predictive diagnostic apparatus of the risk level by the pathogenic microorganisms in the food according to the present invention.

도 1은 본 발명의 일실시예에 따른 개략적인 블록도이고, 도 2는 채소류에 대한 식품공급체인을 표시한 도면이다.1 is a schematic block diagram according to an embodiment of the present invention, Figure 2 is a view showing a food supply chain for vegetables.

본 발명에 따른 식품 내의 병원성미생물에 의한 위해수준의 통계적 예측 진단장치는 식품 내에 포함된 병원성미생물과 관련된 요인을 종합적으로 고려하여 식중독 등 병원성미생물에 의해 발생할 수 있는 위해수준을 정확히 예측 진단할 수 있는 장치로서, 식품 명칭, 병원성미생물 명칭 등 위해수준의 예측에 필요한 기본데이터와 식품원료 및 식품의 제조단계, 유통단계, 소비단계 등 식품의 공급과정 중 각 단계에서의 병원성미생물의 오염수준 및 온도, 시간, 공정관리상태, 첨가물의 함량, pH 등 식품의 최종 소비단계까지의 외부조건인 환경조건에 대한 데이터와 식품의 소비량을 포함하여 소비패턴에 대한 데이터를 입력하는 입력모듈(100)과 입력모듈(100)을 통해 입력되는 각 데이터를 정량화에 적합한 형태로 변환한 후 각 데이터의 특징에 맞는 확률분포모델을 이용하여 정량화하는 제어모듈(200)과 병원성미생물이 식품 내에서 성장, 감소, 사멸하는 등 식품의 공급과정 중 각 단계에서 환경조건에 따라 증감하는 부분을 정량화할 수 있는 수학적 모델과 식품의 섭취에 따라 병원성미생물이 인체 내에서 반응하는 부분을 정량화 하는 수학적 모델을 포함하여 위해수준의 예측 진단에 필요한 데이터가 저장된 데이터베이스(400)와 제어모듈(200)에서 정량화된 데이터와 데이터베이스(400)에 저장된 데이터를 이용하여 식품 내에 포함된 병원성미생물에 의한 위해수준을 예측 진단하는 분석모듈(300)과 해당 식품에 대한 기본데이터 및 분석모듈(300)에서 예측 진단된 위해수준 등을 출력하는 출력모듈(500)을 포함하여 이루어진다.Statistical predictive diagnosis of the risk level by the pathogenic microorganisms in the food according to the present invention can accurately predict the risk level that can be caused by pathogenic microorganisms, such as food poisoning in consideration of the factors associated with the pathogenic microorganisms contained in the food As a device, basic data necessary for the prediction of risk level such as food name, pathogenic microorganism name, contamination level and temperature of pathogenic microorganisms at each stage of the food supply process such as food raw materials, food manufacturing stage, distribution stage, consumption stage, Input module 100 and input module for inputting data on consumption patterns, including data on environmental conditions, such as time, process control status, content of additives, pH, etc. After converting each data input through the (100) into a form suitable for quantification and fit the characteristics of each data The control module 200 and the pathogenic microorganism quantify using the rate distribution model and the mathematical model that can quantify the increase or decrease according to the environmental conditions at each stage of the food supply process, such as growth, reduction, and death in the food and Data and database quantified in the database 400 and the control module 200 in which data necessary for predictive diagnosis of risk level are stored, including a mathematical model for quantifying the reaction part of the pathogenic microorganism in the human body according to the intake of food. Output the output of the analysis module 300 for predicting and diagnosing the risk level by the pathogenic microorganisms included in the food using the data stored in the) and the basic data for the food and the risk level predicted and diagnosed in the analysis module 300 Module 500.

입력모듈(100)은 식품 내에 포함된 병원성미생물에 의한 위해수준을 예측하기 위한 각종 데이터를 입력하는 모듈로서 컴퓨터 기반으로 본 발명의 예측 진단장치를 구성할 경우 키보드, 마우스 등 일반적인 입력수단을 예로 들 수 있으나 위해수준에 대한 각 데이터를 파일로 구성하여 제어모듈(200)로 전송하는 구성도 가능하고, 식품 내에 포함된 병원성미생물을 실험 분석하는 장치와 연결하여 직접 병원성미생물의 오염수준에 대한 데이터를 입력하는 것도 가능하다. 다만, 미생물에 대한 데이터를 파일로 구성하여 제어모듈(200)로 전송하는 경우 제어모듈(200)과 입력모듈(100)을 통해 전송되는 파일의 규격을 일치시키는 사전 작업은 필요하고, 이러한 사전 작업은 병원성미생물을 실험 분석하는 장치와 연결하는 경우에도 필요함은 물론이다. 또한, 파일 등을 통해 위해수준의 예측에 필요한 데이터 중 일부 데이터를 입력하더라도 그 외 환경조건에 대한 데이터, 소비패턴에 대한 데이터 등은 입력모듈(100)을 통해 직접 입력하여야 한다.The input module 100 is a module for inputting various data for estimating the level of risk by pathogenic microorganisms contained in food. For example, when the predictive diagnosis apparatus of the present invention is configured on a computer, general input means such as a keyboard and a mouse may be used. However, it is also possible to configure each data on the hazard level as a file and transmit it to the control module 200, and to directly connect with a device for experimental analysis of the pathogenic microorganisms contained in the food and directly to the data on the contamination level of the pathogenic microorganisms. It is also possible to enter. However, when the data on the microorganisms are configured as a file and transmitted to the control module 200, the preliminary work is required to match the specifications of the file transmitted through the control module 200 and the input module 100. Of course, it is necessary to connect the pathogenic microorganisms with the device for experimental analysis. In addition, even if some data of the data required for the prediction of the risk level is input through a file, data on environmental conditions, data on consumption patterns, etc. must be directly input through the input module 100.

병원성미생물의 오염수준 등 입력하여야 하는 데이터의 양이 많을 경우 직접 입력모듈(100)을 통해 입력하는 경우 시간이 오래 걸리고 입력 중 오타가 있을 수 있으나 파일을 통한 입력은 대용량의 데이터를 한꺼번에 입력할 수 있고 기존에 축적된 자료를 손쉽게 이용할 수 있는 효과가 있으며 병원성미생물을 실험 분석하는 장치와 직접 연결하여 입력하는 경우 실험부터 위해수준에 대한 예측 진단까지 자동적으로 수행할 수 있는 장점이 있다.If there is a large amount of data to be entered, such as the contamination level of pathogenic microorganisms, when input directly through the input module 100 takes a long time and there may be a typo during the input, but input through a file can enter a large amount of data at once In addition, there is an effect that it is easy to use the accumulated data, and there is an advantage that it can automatically perform the prediction from the experiment to the risk level when directly inputting the pathogenic microorganism to the apparatus for analyzing the experiment.

또한, 도 2와 같이 각 식품별로 일정한 패턴의 공급체인(supply chain)을 나타내고 있으므로 데이터베이스(400)에 각 식품 별로 위해수준의 예측에 필요한 항목들을 정리한 입력변수 리스트를 작성 저장한 후 입력모듈(100)을 통해 식품의 명칭이 입력되는 경우 해당 식품에 대한 맞춤형 인터페이스를 출력모듈(500)을 통해 제공한다면 더욱 효율적인 데이터의 입력이 가능한 효과가 있다. In addition, as shown in Figure 2 for each food supply chain (supply chain) of a predetermined pattern, the input module after creating and storing the input variable list to summarize the items necessary for the prediction of risk level for each food in the database (400) When the name of the food is input through 100, if a customized interface for the corresponding food is provided through the output module 500, more efficient data input is possible.

도 2는 식품공급체인(food supply chin)에 대한 일예로 신선채소류에 대한 것으로 식품원료(Raw)는 수입(imported) 22%, 국내(Domestic) 78%의 비중으로 이루어지고, 최종 소비단계까지 저장(storage), 세척(washing), 손질(cutting), 완제품(product)의 단계를 거치고, 환경조건에 의해 저장단계에서는 병원성미생물이 증가(G : Growth), 세척단계에서는 감소(R : Reduction), 손질단계에서는 교차오염(T : Transfer 또는 Cross-contamination)의 가능성이 있게 된다. 위와 같이 식품의 공급체인의 경로를 따라서 병원성미생물은 변이성과 다양성을 가지지만 종래 식품 내의 병원성미생물에 의한 위해수준의 관리는 어느 한 부분에서의 오염수준을 기준으로 하거나 환경조건에 따른 변이성과 다양성을 반영하지 못하고 개별인자를 기준으로 위해수준에 대해 판단함에 따라 위해수준의 관리가 정확하지 못하고 최종 소비자에 대한 병원성미생물의 노출정도를 제어할 수 없는 문제점이 있어왔다.2 is an example of a food supply chain (food supply chin) for fresh vegetables, raw material (raw) is made up of 22% imported (domestic) 78%, stored until the final consumption stage (storage), washing (washing), cutting (cutting), product (product), the pathogenic microorganisms in the storage phase (G: Growth), storage phase (R: Reduction), In the grooming stage, there is a possibility of T (Transfer or Cross-contamination). Although pathogenic microorganisms have variability and diversity along the food supply chain path as described above, the management of risk levels by pathogenic microorganisms in conventional foods is based on the contamination level in any part or variability and diversity according to environmental conditions. As it is not reflected and judges the risk level based on individual factors, there has been a problem that the management of the risk level is not accurate and the degree of exposure of pathogenic microorganisms to the end consumer cannot be controlled.

제어모듈(200)은 입력모듈(100)을 통해 입력된 병원성미생물의 오염수준, 공급과정 중 각 단계에서의 환경조건에 대한 데이터 및 소비패턴에 대한 데이터를 확률분포모델을 통해 정량화하는 구성으로서 도 3에 예시된 확률분포모델 중 입력모듈(100)을 통해 입력된 각 데이터의 특성에 맞는 확률분포모델을 선택하여 각 데이터를 정량화하게 된다.The control module 200 is a configuration that quantifies the contamination level of pathogenic microorganisms input through the input module 100, data on environmental conditions and consumption patterns at each stage of the supply process through a probability distribution model. Among the probability distribution models illustrated in FIG. 3, a probability distribution model suitable for the characteristics of each data input through the input module 100 is selected to quantify each data.

다만, 병원성미생물의 오염수준에 대한 데이터는 주로 식품 내에 포함된 미생물의 수를 기준으로 하는데 미생물 수에 대한 데이터는 도 4와 같이 미생물 집단의 분포, 크기, 제조공정 등의 환경적 요인 등 여러 요인에 의해 결정되므로 어떠한 경향성을 보이는 것이 아니라 불규칙한 패턴을 나타내는 것이 일반적이다. 따라서 이러한 불규칙한 패턴을 통해서는 위해수준의 공정 내, 업체 간의 상호비교가 어려울 뿐만 아니라 어떠한 경향성을 찾을 수 없기 때문에 식품에 대한 위해수준에 대한 통합적이고 전체적인 관리대책을 수립할 수 없는 문제점이 있다. 이러한 문제점을 극복하기 위해 본 발명의 제어모듈(200)에서는 우선 도5에 도시한 바와 같이 도 4의 불규칙한 패턴을 나타내는 병원성미생물 수에 대한 데이터를 빈도분포로 전환한다. 이렇게 빈도분포로 전환된 후의 데이터는 일정한 경향성을 나타내며 빈도분포 전환된 후의 데이터를 적절한 확률분포모델을 매칭시키면 확률분포모델에 해당하는 확률밀도함수를 통해 정량화할 수 있게 된다.However, the data on the contamination level of pathogenic microorganisms is mainly based on the number of microorganisms contained in the food. The data on the number of microorganisms are various factors such as the distribution of microorganism population, size, and environmental factors such as manufacturing process as shown in FIG. Since it is determined by, it does not show any tendency but generally shows an irregular pattern. Therefore, through this irregular pattern, there is a problem in that it is not only difficult to compare each other in the process of the risk level and between companies, but also cannot establish an integrated and overall management measure for the risk level for food because no trend is found. In order to overcome this problem, the control module 200 of the present invention first converts the data on the number of pathogenic microorganisms exhibiting the irregular pattern of FIG. 4 into frequency distribution as shown in FIG. 5. The data after the frequency distribution has a certain tendency and the data after the frequency distribution is converted can be quantified through the probability density function corresponding to the probability distribution model by matching the appropriate probability distribution model.

이러한 정량화는 환경조건에 대한 데이터 및 소비패턴에 대한 데이터에도 적용되는데 환경조건에 대한 데이터나 소비패턴에 대한 데이터가 병원성미생물의 오염수준 만큼 불규칙한 패턴을 나타내는 것은 아닐지라도 개별적인 데이터에 의미가 있는 것이 아니라 경향성 또는 패턴에 의미가 있는 것이므로 병원성미생물의 오염수준과 마찬가지로 빈도분포로 변환한 후 변환된 데이터에 대해 적절한 확률분포모델로 정량화하는 것이 보다 효율적이다. 물론 제어모듈(200)은 위에 설명한 바와 같이 빈도분포로 변환할 필요가 없는 데이터에 대해서는 빈도분포로의 변환 없이 바로 적절한 확률분포모델을 선택하여 정량화할 수도 있다.This quantification also applies to data on environmental conditions and data on consumption patterns, although data on environmental conditions or data on consumption patterns do not represent irregular patterns as contaminated with pathogenic microorganisms. As trends or patterns are meaningful, it is more efficient to convert them to frequency distributions and then quantify them with appropriate probability distribution models, as with pathogenic microbial contamination levels. Of course, as described above, the control module 200 may select and quantify an appropriate probability distribution model for data that does not need to be converted into a frequency distribution without converting into a frequency distribution.

빈도분포로 변환 여부와 상관없이 제어모듈(200)은 통계적 검정을 이용한 피팅과정(fitting)을 통해 각 데이터의 특성에 맞는 적절한 확률분포모델을 선정하여 정량화 과정을 수행하게 된다. 통계적 검정에는 Kolmogorov-Smirnov[KS] 또는 Anderson-Darling[AD]-test가 포함되는데 KS 또는 AD-test를 통한 GOF(적합도, Goodness of Fit) 정도를 이용하여 적절한 확률분포모델을 선정하게 되는데 도 6을 참조하면 입력된 데이터를 빈도분포로 변환하고(청색 막대그래프) 변환된 빈도분포에 맞는 확률분포모델 후보(Gamma, Lognormal, Log-logistic)를 대략적으로 선정한 후 아래의 표1과 같이 통계적 검정(KS, AD값이 낮을수록 적합도가 높음)을 통해 Gamma를 입력된 데이터에 가장 적합한 확률분포모델로 선택하게 된다.
Regardless of whether it is converted into a frequency distribution or not, the control module 200 selects an appropriate probability distribution model suitable for the characteristics of each data through a fitting process using a statistical test to perform a quantification process. Statistical tests include Kolmogorov-Smirnov [KS] or Anderson-Darling [AD] -test. Using the GOF (Goodness of Fit) through KS or AD-test, an appropriate probability distribution model is selected. Referring to Figure 1, the input data is converted to a frequency distribution (blue bar graph), and the probability distribution model candidates (Gamma, Lognormal, Log-logistic) corresponding to the transformed frequency distribution are roughly selected, and then the statistical test is performed as shown in Table 1 below. The lower the KS and the AD value, the higher the fitness.), Gamma is selected as the best probability distribution model for the input data.

Input data(g)Input data (g) Probability distribution modelsProbability distribution models GammaGamma
(1.6251,94.076)(1.6251,94.076) LognormalLognormal
(161.98,178.03)(161.98,178.03) LoglogisticLoglogistic
(0,114.83,1.9884)(0,114.83,1.9884) Mean S.D.Mean S.D. 152.9 ± 124.2152.9 ± 124.2 152.9 ± 119.93 152.9 ± 119.93 161.98 ±178.03 161.98 ± 178.03 181.43 ± NA 181.43 ± NA 5%
50%
95%5%
50%
95% 22.6
140.26
420.7722.6
140.26
420.77 20.36
122.92
387.7920.36
122.92
387.79 25.22
109.01
341.0525.22
109.01
341.05 26.12
114.83
504.8426.12
114.83
504.84 A-D statisticA-D statistic -- 1.32631.3263 2.442.44 2.262.26 K-S statisticK-S statistic -- 0.10140.1014 0.120.12 0.110.11

제어모듈(200)에서 식품의 위해수준의 예측에 필요한 데이터를 확률분포모델로 정량화한 후 확률분포모델간의 통계적 계산을 통해 식품의 위해수준을 예측하는 것은 식품의 안전관리에서는 병원성미생물의 오염수준이나 위해수준 등이 낮은 경우에는 큰 문제가 없지만, 높은 수준인 경우가 주로 문제가 되기 때문인데 이는 식품안전관리에서는 어느 빈도로 발생하느냐의 문제가 아니라 어떠한 경우에도 발생하면 안된다는 것을 목표로 이루어지는 특성 때문이다. 즉, 식품안전관리에서는 정상적인 경우뿐만 아니라 비정상적으로 높아질 수 있는 경우도 매우 중요하며 확률분포모델간의 계산에는 각각의 확률분포에서 최대값만을 이용해서 산출한 결과 즉, 현실적으로 발생할 수 있는 가능성은 아주 낮지만 만약 발생하는 경우 큰 문제를 일으킬 수 있는 “최악의 경우”도 산출되어야 하므로 본 발명에 따른 위해수준의 예측 진단결과가 식품의 안전관리의 특성에 매우 적합하다고 할 수 있다.The control module 200 quantifies the data required for the prediction of the risk level of the food in the probability distribution model and then predicts the risk level of the food through statistical calculation between the probability distribution models. If the risk level is low, there is no big problem, but if the high level is mainly a problem, it is not because of what frequency occurs in food safety management, but because of the characteristic that should not occur in any case. . In other words, in food safety management, not only normal cases but also abnormally high cases are very important, and the calculation between probability distribution models uses only the maximum value in each probability distribution. If it occurs, the "worst case" that can cause a big problem should also be calculated, it can be said that the predicted diagnosis result of the risk level according to the present invention is very suitable for the characteristics of food safety management.

위와 같이 제어모듈(200)에서 피팅과정을 통해 적절한 확률분포모델이 매칭 되어 정량화 과정을 거치게 되면 분석모듈(300)은 제어모듈(200)에서 정량화된 데이터와 데이터베이스(400)에 저장된 수학적 모델들 즉, 식품 내에서 병원성미생물이 성장, 감소, 사멸하는 과정에 대해 그 증감량을 정량화할 수 있는 수학적 모델과 소비자가 식품을 섭취하는 경우 병원성미생물의 인체 내에서 반응을 정량적으로 산출하는 수학적 모델에 제어모듈(200)에서 정량화된 데이터를 대입하여 위해수준을 예측 진단하는 구성이다.When the appropriate probability distribution model is matched through the fitting process in the control module 200 and subjected to the quantification process, the analysis module 300 includes mathematical models stored in the database 400 and the data quantified in the control module 200. To control the growth, reduction, and killing of pathogenic microorganisms in food, and to a mathematical model that quantitatively calculates the response of pathogenic microorganisms in the body when consumers eat food. The module 200 is configured to predict the risk level by substituting the quantified data.

수학적 모델에 의한 정량화 과정을 보다 상세히 설명하면 병원성미생물의 경우 식품에서 최종 소비되기까지 증식, 사멸, 감소 등의 과정을 반복적으로 거치게 되는데 이런 증감량은 수학적 모델로 표현될 수 있으며, 국내외적으로 많은 연구가 이루지고 있고 본 발명에서는 이러한 수학적 모델에 대한 자료를 수집하여 데이터베이스(400)에 저장하고 분석모듈(300)은 해당 식품과 관련된 주요 병원성미생물에 대해 적정한 수학적 모델을 선택하여 위해수준을 예측 진단하게 된다. 물론 앞서 설명한 바와 같이 입력변수 리스트에 해당 식품별로 참조할 수학적 모델에 대한 링크데이터를 추가하여 해당 식품명이 입력되면 분석모듈(300)에서 입력변수 리스트를 참고하여 해당 식품에 대한 수학적 모델을 이용하여 병원성미생물에 의한 위해수준을 예측 진단할 수도 있다.If the quantification process by mathematical model is explained in more detail, pathogenic microorganisms undergo the process of proliferation, death and reduction until the final consumption in food. Such increase and decrease can be expressed by mathematical model. In the present invention, the data on these mathematical models are collected and stored in the database 400, and the analysis module 300 selects an appropriate mathematical model for the major pathogenic microorganisms related to the food and predicts the risk level. Done. Of course, as described above, when the food name is input by adding the link data for the mathematical model to be referred to by the corresponding food to the input variable list, the analysis module 300 refers to the input variable list and uses the mathematical model for the corresponding food to determine the pathogenicity. Predictive diagnosis of risk levels by microorganisms can also be made.

아래의 수학식1은 햄제품에서의 Listeria monocytogenes의 성장예측용 Gompertz 모델로서 햄 제조 전단계의 오염수준, 온도, 시간 등의 인자를 입력변수로 가지고 있기 때문에 햄 제조 전단계의 오염수준과 현재의 보관 및 유통 온도와 시간 등의 자료와 결합하게 되면 병원성미생물이 어느 정도 성장하였는지 또는 감소하였는지를 추정할 수 있고 이를 이용하여 해당 식품 내에 존재하는 병원성미생물의 오염수준을 보정할 수 있게 된다.Equation 1 below is a Gompertz model for predicting growth of Listeria monocytogenes in ham products, which has factors such as contamination level, temperature, and time of the pre-ham production as input variables, and thus the contamination level and current storage of pre-ham production Combined with data such as distribution temperature and time, it is possible to estimate how much pathogenic microorganisms have grown or decreased, and can be used to correct for contamination levels of pathogenic microorganisms in the food.

Y = N0 + C*exp{-exp((2.718*SGR/C)*(LT-X)+1)} [수학식1]Y = N0 + C * exp {-exp ((2.718 * SGR / C) * (LT-X) +1)} [Equation 1]

(Y : 시간에 따른 L. monocytogenes 성장 균수 (Log CFU/g), (Y: L. monocytogenes growth bacterial counts over time (Log CFU / g),

N0 : 초기균수 (Log CFU/g)(즉, 초기 오염수준), N0: initial bacterial count (Log CFU / g) (ie initial contamination level),

X : 시간(hr), X: time (hr),

SGR : 최대증식속도 (Log CFU/g/hr) = 0.01097+0.00737*Temp, SGR: Maximum growth rate (Log CFU / g / hr) = 0.01097 + 0.00737 * Temp,

LT : 유도기 기간 (hr) = 0.73597-0.05562*Temp, LT: induction period (hr) = 0.73597-0.05562 * Temp,

C : 균수 증가량 (Log CFU/g)= (0.11536+0.07324*Temp)/3, C: Number of bacteria increased (Log CFU / g) = (0.11536 + 0.07324 * Temp) / 3,

Temp : 온도(℃))Temp: Temperature (℃))

또한, 병원성미생물에 의한 위해수준은 최종적인 균의 섭취량에 의해 결정되는데 이 또한 균의 섭취와 인체 반응관계를 수학적 모델로 표현할 수 있으며, 국내외적으로 연구가 이루어지고 있고, 해당 식품 내 병원성미생물에 대한 인체 반응관련 수학적 모델도 데이터베이스화(400)에 수집 저장하고, 분석모듈(300)은 앞서 설명한 병원성미생물의 오염수준을 인체 반응관련 수학적 모델에 대입한 후 산출된 값을 이용하여 해당 식품 내의 병원성미생물에 의한 위해수준을 예측 진단하게 된다. 아래의 표2는 병원성미생물의 인체 내 반응(dose-response)을 정량화하는 수학적 모델에 대한 예이다.
In addition, the level of risk by pathogenic microorganisms is determined by the final intake of the bacteria, which can also be expressed as a mathematical model of the intake of the bacteria and the human response, and is being studied at home and abroad. In addition, the mathematical model related to human response is collected and stored in the database 400, and the analysis module 300 substitutes the contamination level of the pathogenic microorganisms described above into the mathematical model related to the human response. Predictive diagnosis of risk level by microorganisms. Table 2 below is an example of a mathematical model for quantifying the dose-response of pathogenic microorganisms.

DoseDose -- responseresponse modelsmodels andand formulasformulas parameterparameter

Figure 112012025431664-pat00001
Figure 112012025431664-pat00001
Figure 112012025431664-pat00002
Figure 112012025431664-pat00002
Figure 112012025431664-pat00003
Figure 112012025431664-pat00003
Figure 112012025431664-pat00004
Figure 112012025431664-pat00004
Figure 112012025431664-pat00005
Figure 112012025431664-pat00005
 human
Figure 112012025431664-pat00006


guineu pig
Figure 112012025431664-pat00007
human
Figure 112012025431664-pat00006


guineu pig
Figure 112012025431664-pat00007

분석모듈(300)은 오염수준, 식품의 공급과정 중 각 단계의 온도와 시간, 식품섭취량에 대한 입력변수에 대한 확률분포모델과 데이터베이스(400)의 수학적 모델을 활용하여 해당 식품에서의 주요 병원성미생물에 의한 식중독 발생 가능성(위해수준)을 제시하게 되는데 이들 값의 분포는 0과 1사이에 존재하게 되며 위해수준을 미리 설정된 일정 기준값 이상일 확률로서 예측 진단하는 경우, “0”으로 갈수록 발생가능성이 낮은 것이므로 위해수준은 낮은 것이며, “1”에 가까울수록 발생 가능성이 높은 것이므로 위해수준은 높은 것이다. 예를 들어 국내 햄류에서의 L. monocytogenes의 위해수준은 1일 1인당 2.31 x 10-12, 동일 식품에 Salmonella spp.는 1일 1인당 5.27 x 10-10 정도로 산출되었다고 가정하면 햄류에서는 L. monocytogenes보다 Salmonella spp.가 “1”에 더 가까우므로 위해수준이 더 높다고 할 수 있다. 동일 식품을 생산하는 개별업체의 경우 포장돈육을 대상으로 본 발명의 예측 진단장치을 활용하여 A업체와 B업체에서 현재의 생산조건을 바탕으로 Salmonella spp.에 대한 위해수준 추정시 7.21 x 10-15, 4.14 x 10-14로 각각 추정되었다면, A업체가 B업체보다 “0”에 더 가까우므로 A업체가 B업체보다 위생적으로 보다 안전한 식품을 생산한다고 예측할 수 있게 된다.The analysis module 300 utilizes the probability distribution model for the input variables for the pollution level, the temperature and time of each step in the food supply process, and the food intake, and the mathematical model of the database 400 to identify the major pathogenic microorganisms in the food. The probability of food poisoning caused by food hazard (risk level) is suggested. The risk level is low, so the closer to "1", the higher the probability of occurrence. For example, assuming that the risk level of L. monocytogenes in domestic ham is 2.31 x 10-12 per person per day and Salmonella spp. In the same food is calculated to be 5.27 x 10-10 per person per day, L. monocytogenes in ham Salmonella spp. Is closer to “1” than the level of risk. In the case of the individual companies producing the same food, using the predictive diagnosis device of the present invention for packaged pork, the company A and B companies estimate the risk level for Salmonella spp. Based on the current production conditions, 7.21 x 10-15, If each is estimated at 4.14 x 10-14, Firm A is closer to “0” than Firm B, so it can be predicted that Firm A produces hygienically safer food than Firm B.

또한, 분석모듈(300)은 위해수준에 대한 예측 진단 및 상호비교 외에 민감도분석(영향요인분석, sensitivity analysis)과 시나리오 분석(Scenario analysis)도 수행할 수 있는데 도 7의 도면과 같이 민감도 분석은 해당 식품에 대한 환경조건 각각에 대해 최종 위해수준에 어느 정도 영향을 미치는지를 분석하는 기능이다. 개별 조건에 대한 상관계수 값을 이용하여 영향력의 정도를 판단하는데 도 7의 경우 소매단계의 온도(retail temperature)의 상관계수 값이 0.6이고 다른 조건에 비해 높은 값을 가지고 있는데 이는 소매단계의 온도가 최종적인 위해수준에 대해 다른 입력변수보다 더 큰 영향을 미친다고 판단할 수 있다. 이러한 영향요인 분석은 개별업체의 공정과정에 적용하여 영향요인의 중요도를 리스팅하여 위해수준의 효율적인 관리에 참고할 수 있다.In addition, the analysis module 300 may also perform sensitivity analysis (sensitivity factor analysis, sensitivity analysis) and scenario analysis (Scenario analysis) in addition to predictive diagnosis and mutual comparison of the risk level. It is a function that analyzes the degree of impact on the final risk level for each of the environmental conditions for food. In the case of FIG. 7, the correlation coefficient of the retail temperature is 0.6 and has a higher value than the other conditions. It can be judged that the final risk level has a greater impact than other input variables. This factor analysis can be applied to the process of individual companies to list the importance of the factor and refer to the effective management of the risk level.

민감도 분석 결과를 바탕으로 시나리오 분석을 실시할 수 있는데, 예를 들면 소매단계의 온도를 임의적으로 5, 10, 15℃ 등 확률분포 값이 아닌 고정 값으로 조정하여 위해수준을 추정할 수 있다. 이를 바탕으로 식품안전 관리상 적정한 위해수준을 가지는 온도를 설정할 수 있으며, 이를 해당 식품 및 병원성미생물에 대한 식품위생관리기준 온도(temperature-criterion)로 활용할 수 있다.Scenario analysis can be performed based on the sensitivity analysis results. For example, the risk level can be estimated by arbitrarily adjusting the temperature at the retail stage to a fixed value rather than a probability distribution value such as 5, 10, or 15 ° C. Based on this, it is possible to set a temperature having an appropriate level of risk in food safety management, and use it as a temperature-criterion for food hygiene control standards for food and pathogenic microorganisms.

데이터베이스(400)는 위해수준의 예측에 필요한 수학적 모델들과 입력변수 리스트 등 본 발명의 위해수준 예측 진단장치에서 위해수준의 예측 진단에 필요한 각종 데이터들이 저장된 장치이다.The database 400 is a device in which various data necessary for the diagnosis of the risk level are stored in the risk level prediction diagnostic apparatus of the present invention, such as mathematical models and input variables list required for the risk level prediction.

출력모듈(500)은 분석모듈(300)에서 예측 진단된 결과를 출력하는 구성으로서 통상적인 디스플레이 장치를 예로 들 수 있으며, 분석모듈(200)에서 예측 진단한 결과를 표시하는 기능을 수행하며, 예측 진단결과를 그래프와 함께 표시한다면 시인성을 높일 수 있는 효과가 있다. The output module 500 may include a typical display device as an example of outputting the result of the predicted diagnosis in the analysis module 300, and performs a function of displaying the result of the predicted diagnosis in the analysis module 200. If the diagnosis results are displayed together with the graph, the visibility can be improved.

도 8은 본 발명의 일실시예에 따른 식품 내의 병원성미생물에 의한 위해수준의 통계적 예측 진단방법의 흐름도인데 도 8을 참조하여 본 발명의 예측 진단방법에 대해 설명하되 앞서 설명한 내용과 중복되는 부분은 생략한다.FIG. 8 is a flowchart illustrating a statistical predictive diagnostic method of risk level caused by pathogenic microorganisms in food according to an embodiment of the present invention. Referring to FIG. 8, the predictive diagnostic method of the present invention will be described. Omit.

본 발명의 식품 내의 병원성미생물에 의한 위해수준의 통계적 예측 진단방법은 우선 식품, 병원성미생물의 명칭 등 기본데이터와 식품의 공급과정 중 병원성미생물의 오염수준 및 환경조건에 대한 데이터와 식품의 소비패턴에 대한 데이터 등 식품 내 병원성미생물에 의한 위해수준을 예측 진단하는데 필요한 사항을 입력한다.(S100) 입력된 데이터 중 병원성미생물의 오염수준, 환경조건 및 소비패턴에 대한 데이터를 각 데이터의 특성에 맞는 확률분포모델을 선정한 후 이를 통해 정량화를 수행한다.(S110) S110단계에서 정량화된 데이터와 데이터베이스(400)에 저장된 수학적 모델을 이용하여 식품의 위해수준을 예측 진단한다.(S120) 앞서 설명한 바와 같이 수학적 모델은 병원성미생물이 식품 내에서 성장, 감소, 사멸하는 과정에 대해 정량화할 수 있는 수학적 모델과 상기 병원성미생물의 섭취에 따른 인체 내 반응을 정량적으로 산출하는 수학적 모델로 이루어지며 국내외에 연구된 결과를 지속적으로 데이터베이스(400)에 입력한다. S120단계에서 예측 진단된 위해수준을 포함하여 식품에 대한 기본사항 및 그래프 등 보조적인 사항을 포함하여 출력모듈(500)을 통해 출력한다.(S130)
Statistical predictive diagnosis method of risk level by pathogenic microorganisms in the food of the present invention is based on the basic data such as the name of food, pathogenic microorganisms, data on the contamination level and environmental conditions of pathogenic microorganisms in the process of food supply and food consumption pattern. Enter the necessary information to predict and diagnose the risk level caused by pathogenic microorganisms in foods. (S100) Probability that fits the characteristics of each data to the pollution level, environmental condition and consumption pattern of pathogenic microorganisms After the distribution model is selected, the quantification is performed. (S110) Predictive diagnosis of the hazard level of the food using the data quantified in the step S110 and the mathematical model stored in the database 400. (S120) The mathematical as described above The model can be used to quantify how pathogenic microorganisms grow, decrease, and die in food. It consists of a mathematical model and a mathematical model that quantitatively calculates the response in the human body according to the intake of the pathogenic microorganisms and continuously inputs the results studied at home and abroad to the database (400). Including the auxiliary level, such as basics and graphs for food, including the risk level predicted and diagnosed in step S120 is output through the output module 500. (S130)

입력모듈 : 100 제어모듈 : 200
분석모듈 : 300 데이터베이스 : 400
출력모듈 : 500Input module: 100 Control module: 200
Analysis module: 300 Database: 400
Output module: 500

Claims (13)

식품 명칭 및 병원성미생물 명칭을 포함하는 위해수준 예측에 필요한 기본데이터와 식품원료 및 식품의 제조, 유통, 소비단계를 포함하는 식품의 공급과정 중 각 단계에서의 병원성미생물의 오염수준 및 각 단계에서의 온도, 시간을 포함하는 환경조건에 대한 데이터와 상기 식품의 소비량을 포함하는 소비패턴에 대한 데이터가 입력되는 입력모듈,
상기 입력모듈을 통해 입력된 병원성미생물의 오염수준 및 상기 공급과정 중 각 단계에서의 환경조건에 대한 데이터와 소비패턴에 대한 데이터를 확률분포모델을 통해 정량화하는 제어모듈과,
상기 병원성미생물이 식품 내에서 성장, 감소, 사멸하는 과정에 대해 정량화할 수 있는 수학적 모델과 상기 병원성미생물의 섭취에 따른 인체 내 반응을 정량적으로 산출하는 수학적 모델을 포함하여 위해수준의 예측 진단에 필요한 데이터가 저장된 데이터베이스와,
상기 제어모듈에서 정량화된 값과 상기 데이터베이스에 저장된 수학적 모델을 이용하여 상기 식품 내에 포함된 병원성미생물에 의한 위해수준을 예측 진단하는 분석모듈과,
상기 분석모듈에서 예측 진단된 위해수준을 포함하여 관련 데이터를 출력하는 출력모듈을 포함하되,
상기 제어모듈은 상기 입력모듈을 통해 입력된 각 데이터를 통계적 검정에 의한 피팅(fitting)과정을 통해 특정 확률분포모델을 선택한 후 선택된 확률분포모델을 이용하여 데이터를 정량화하며,
상기 제어모듈의 통계적 검정에 의한 피팅과정은 상기 입력모듈을 통해 입력된 각 데이터를 빈도분포로 전환한 후 수행하는 것을 특징으로 하는 식품 내의 병원성미생물에 의한 위해수준의 통계적 예측 진단장치.
Basic data necessary for risk level prediction, including food name and pathogenic microorganism name, and contamination level of pathogenic microorganisms at each stage of the food supply process including the manufacturing, distribution and consumption of food raw materials and foods An input module for inputting data on environmental conditions including temperature and time and data on consumption patterns including consumption of the food;
A control module for quantifying the contamination level of pathogenic microorganisms inputted through the input module and the data on the environmental conditions and consumption patterns at each stage of the supply process through a probability distribution model;
It is necessary to predict the risk level by including a mathematical model that can quantify the process of growth, reduction and death of the pathogenic microorganisms in food and a mathematical model that quantitatively calculates the response in the human body according to the intake of the pathogenic microorganisms. The database where the data is stored,
An analysis module for predicting and diagnosing a risk level by pathogenic microorganisms contained in the food using a value quantified by the control module and a mathematical model stored in the database;
And an output module for outputting related data including the risk level predicted and diagnosed by the analysis module.
The control module selects a specific probability distribution model through a fitting process by statistical tests on each data input through the input module, and quantifies the data using the selected probability distribution model.
Fitting process by the statistical test of the control module statistical prediction diagnostic apparatus of the risk level by the pathogenic microorganisms in the food, characterized in that performed after converting each data input through the input module to the frequency distribution.
삭제delete 삭제delete 청구항 1에서,
상기 분석모듈은 상기 정량화된 환경변수에 대한 데이터를 상기 식품 내에서 성장, 감소, 사멸과정에 대해 정량화할 수 있는 수학적 모델에 대입하여 산출된 값을 이용하여 각 단계에서의 병원성 미생물의 오염수준을 보정하는 것을 특징으로 하는 식품 내의 병원성미생물에 의한 위해수준의 통계적 예측 진단장치.
In claim 1,
The analysis module calculates the contamination level of pathogenic microorganisms at each stage by using the calculated value by substituting the data on the quantified environmental variables into a mathematical model that can be quantified for the growth, reduction, and killing process in the food. A statistical predictive diagnostic apparatus for the level of risk by pathogenic microorganisms in food, characterized in that for correcting.
청구항 1에서,
상기 분석모듈에서 예측 진단되는 위해수준은 공급과정 중 소비단계의 병원성미생물의 오염수준을 상기 미생물의 섭취에 따른 인체 내 반응을 정량적으로 산출하는 수학적 모델에 대입하여 상기 병원성미생물에 의한 위해수준을 정량적으로 산출하는 것을 특징으로 하는 식품 내의 병원성미생물에 의한 위해수준의 통계적 예측 진단장치.
In claim 1,
The risk level predicted and diagnosed in the analysis module is a quantitative measure of the risk level caused by the pathogenic microorganisms by substituting the level of contamination of the pathogenic microorganisms during the feeding process into a mathematical model that quantitatively calculates the response in the human body according to the intake of the microorganisms. Statistical predictive diagnosis of the level of risk by pathogenic microorganisms in the food, characterized in that calculated by.
청구항 1에서,
상기 데이터베이스에 저장된 위해수준의 예측 진단에 필요한 데이터에는 각 식품별로 입력변수 리스트가 포함되고,
상기 입력모듈은 상기 입력된 식품명에 따라 해당 식품에 대한 입력변수 리스트를 참조하여 입력변수 리스트에 포함된 데이터의 입력을 위한 식품별 맞춤형 인터페이스를 제공하는 것을 특징으로 하는 식품 내의 병원성미생물에 의한 위해수준의 통계적 예측 진단장치.
In claim 1,
The data required for predictive diagnosis of risk level stored in the database includes a list of input variables for each food,
The input module provides a customized food interface for the input of data included in the input variable list by referring to the input variable list for the corresponding food according to the input food name. Statistical Prediction Diagnostic Device.
청구항 1에서,
특정 위해수준 값에 대한 각 환경조건의 기준 값을 산출하기 위해 상기 분석모듈은 상기 입력모듈을 통해 입력된 특정 환경조건에 대한 값을 상기 제어모듈의 확률분포모델에 의한 정량화를 거치지 않고 상기 수학적 모델에 대입하여 위해수준을 산출하는 것을 특징으로 하는 식품 내의 병원성미생물에 의한 위해수준의 통계적 예측 진단장치.
In claim 1,
In order to calculate a reference value of each environmental condition with respect to a specific risk level value, the analysis module calculates the value of the specific environmental condition inputted through the input module without quantifying the value of the control module by the probability distribution model of the control module. Statistical predictive diagnosis apparatus for the risk level by the pathogenic microorganisms in the food, characterized in that the risk level is calculated by substituting.
식품 명칭 및 병원성미생물 명칭을 포함하는 위해수준 예측에 필요한 기본데이터와 식품원료 및 식품의 제조, 유통, 소비단계를 포함하는 식품의 공급과정 중 각 단계에서의 병원성미생물의 오염수준 및 각 단계에서의 온도, 시간을 포함하는 환경조건에 대한 데이터와 상기 식품의 소비량을 포함하는 소비패턴에 대한 데이터를 식품 내의 병원성미생물에 의한 위해수준을 통계적으로 예측 진단하는 장치의 입력모듈을 통해 입력하는 단계;
상기 데이터를 입력하는 단계에서 입력된 병원성미생물의 오염수준 및 상기 공급과정 중 각 단계에서의 환경조건에 대한 데이터와 소비패턴에 대한 데이터를 상기 위해수준을 통계적으로 예측 진단하는 장치의 제어모듈을 이용하여 확률분포모델을 통해 정량화하는 단계;
상기 정량화하는 단계에서 정량화된 데이터와, 상기 위해수준을 통계적으로 예측 진단하는 장치의 데이터베이스에 저장된 병원성미생물이 식품 내에서 성장, 감소, 사멸하는 과정을 정량화하는 수학적 모델과 상기 병원성미생물의 섭취에 따른 인체 내 반응을 정량적으로 산출하는 수학적 모델을 포함하여 위해수준의 예측 진단에 필요한 데이터를 이용하여 상기 위해수준을 통계적으로 예측 진단하는 장치의 분석모듈을 이용하여 해당 식품의 위해수준을 예측 진단하는 단계;
상기 예측 진단하는 단계에서 예측 진단된 위해수준을 포함하여 관련 데이터를 상기 위해수준을 통계적으로 예측 진단하는 장치의 출력모듈을 통해 출력하는 단계를 포함하되,
상기 정량화하는 단계에서, 상기 입력하는 단계에서 입력된 각 데이터를 통계적 검정에 의한 피팅(fitting)과정을 통해 특정 확률분포모델을 선택한 후 선택된 확률분포모델을 이용하여 데이터를 정량화하고,
상기 통계적 검정에 의한 피팅과정은 상기 입력하는 단계에서 입력된 각 데이터를 빈도분포로 전환한 후 수행하는 것을 특징으로 하는 식품 내의 병원성미생물에 의한 위해수준의 통계적 예측 진단방법.
Basic data necessary for risk level prediction, including food name and pathogenic microorganism name, and contamination level of pathogenic microorganisms at each stage of the food supply process including the manufacturing, distribution and consumption of food raw materials and foods Inputting data on an environmental condition including temperature and time and data on a consumption pattern including the consumption amount of the food through an input module of a device for statistically predicting and diagnosing a hazard level caused by pathogenic microorganisms in the food;
Using the control module of the device to statistically predict the risk level of the contamination level of the pathogenic microorganisms input at the step of inputting the data and the data on the environmental conditions and consumption patterns at each stage of the supply process. Quantifying through a probability distribution model;
A mathematical model for quantifying the data quantified in the quantifying step and the process of growing, decreasing and killing pathogenic microorganisms stored in a database of a device for statistically predicting and diagnosing the risk level in accordance with the intake of the pathogenic microorganisms Predicting and diagnosing the risk level of the food by using an analysis module of a device for statistically predicting the risk level by using data necessary for predictive diagnosis of the risk level, including a mathematical model that quantitatively calculates the response in the human body. ;
And outputting, through the output module of the device, statistically predicting the risk level, the relevant data including the risk level predicted and diagnosed in the predictive diagnosis step.
In the quantifying step, a specific probability distribution model is selected by fitting each data input in the input step by a statistical test, and the data are quantified using the selected probability distribution model.
The fitting process by the statistical test is performed after converting each data input in the input step into the frequency distribution, statistical predictive diagnostic method of the risk level by the pathogenic microorganisms in food.
삭제delete 삭제delete 청구항 8에서,
상기 예측 진단하는 단계에서,
상기 정량화된 환경변수에 대한 데이터를 상기 식품 내에서 성장, 감소, 사멸과정에 대해 정량화할 수 있는 수학적 모델에 대입하여 산출된 값을 이용하여 각 단계에서의 병원성 미생물의 오염수준을 보정하는 것을 특징으로 하는 식품 내의 병원성미생물에 의한 위해수준의 통계적 예측 진단방법.
In claim 8,
In the predictive diagnosis step,
Correcting the contamination level of pathogenic microorganisms at each step by using the calculated value by substituting the data on the quantified environmental variables into a mathematical model that can be quantified for the growth, reduction and killing process in the food Statistical predictive diagnosis method of risk level by pathogenic microorganisms in food.
청구항 8에서,
상기 예측 진단하는 단계에서,
상기 예측 진단되는 위해수준은 공급과정 중 소비단계의 병원성미생물의 오염수준을 상기 미생물의 섭취에 따른 인체 내 반응을 정량적으로 산출하는 수학적 모델에 대입하여 상기 병원성미생물에 의한 위해수준을 정량적으로 산출하는 것을 특징으로 하는 식품 내의 병원성미생물에 의한 위해수준의 통계적 예측 진단방법.
In claim 8,
In the predictive diagnosis step,
The predicted risk level is quantitatively calculated for the risk level caused by the pathogenic microorganisms by substituting the contamination level of the pathogenic microorganisms during the feeding process into a mathematical model that quantitatively calculates the response in the human body according to the intake of the microorganisms. Statistical predictive diagnosis method of risk level by pathogenic microorganisms in food, characterized in that.
청구항 8에서,
상기 예측 진단하는 단계에서,
미리 설정된 일정 위해수준에 대한 각 환경조건의 기준 값을 산출하기 위해 환경조건에 대한 값을 상기 확률분포모델에 의한 정량화하는 단계를 거치지 않고 상기 수학적 모델에 대입하여 위해수준을 산출하는 시나리오 분석단계를 더 포함하는 식품 내의 병원성미생물에 의한 위해수준의 통계적 예측 진단방법.In claim 8,
In the predictive diagnosis step,
In order to calculate a reference value of each environmental condition with respect to a predetermined risk level, a scenario analysis step of calculating a risk level by substituting the mathematical model without quantifying the value of the environmental condition by the probability distribution model is performed. Statistically predictive diagnostic method of risk level by pathogenic microorganisms in food.
KR1020120032650A 2012-03-29 2012-03-29 Apparatus and method for determine and prediction of risk level using statistic approaches on pathogenic microorganism in food KR101209404B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020120032650A KR101209404B1 (en) 2012-03-29 2012-03-29 Apparatus and method for determine and prediction of risk level using statistic approaches on pathogenic microorganism in food

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120032650A KR101209404B1 (en) 2012-03-29 2012-03-29 Apparatus and method for determine and prediction of risk level using statistic approaches on pathogenic microorganism in food

Publications (1)

Publication Number Publication Date
KR101209404B1 true KR101209404B1 (en) 2012-12-06

Family

ID=47907094

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120032650A KR101209404B1 (en) 2012-03-29 2012-03-29 Apparatus and method for determine and prediction of risk level using statistic approaches on pathogenic microorganism in food

Country Status (1)

Country Link
KR (1) KR101209404B1 (en)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101616084B1 (en) * 2014-07-28 2016-05-12 한국식품연구원 Apparatus and method for evaluating Escherichia coli in fresh-cut product
KR101624696B1 (en) * 2014-07-28 2016-05-26 한국식품연구원 Safety management method and system for Bacillus cereus in food
KR101752462B1 (en) 2015-11-05 2017-07-03 주식회사 나우드림 Method for predicting food poisoning
KR20180045230A (en) * 2016-10-25 2018-05-04 계명대학교 산학협력단 Artificial intelligence based food putrefaction model developing system and food putrefaction alarm system using food putrefaction model
KR101859680B1 (en) * 2016-10-20 2018-05-24 대한민국 Apparatus for assessing risk using simulation based on distribution and method thereof

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007312738A (en) 2006-05-29 2007-12-06 Kikkoman Corp Method for predicting growth of microorganism in food and drink

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007312738A (en) 2006-05-29 2007-12-06 Kikkoman Corp Method for predicting growth of microorganism in food and drink

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
이건형. 미생물학적 위해성 평가. (미생물학회지 2001 게재)
최은경?박경진. 미생물 위해성 평가 방법을 이용한 살모넬라 발생수 추정. (한국지역사회생활과학회지 15(2), 2004 게재)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101616084B1 (en) * 2014-07-28 2016-05-12 한국식품연구원 Apparatus and method for evaluating Escherichia coli in fresh-cut product
KR101624696B1 (en) * 2014-07-28 2016-05-26 한국식품연구원 Safety management method and system for Bacillus cereus in food
KR101752462B1 (en) 2015-11-05 2017-07-03 주식회사 나우드림 Method for predicting food poisoning
KR101859680B1 (en) * 2016-10-20 2018-05-24 대한민국 Apparatus for assessing risk using simulation based on distribution and method thereof
KR20180045230A (en) * 2016-10-25 2018-05-04 계명대학교 산학협력단 Artificial intelligence based food putrefaction model developing system and food putrefaction alarm system using food putrefaction model
KR101864252B1 (en) * 2016-10-25 2018-06-04 계명대학교 산학협력단 Artificial intelligence based food putrefaction model developing system and food putrefaction alarm system using food putrefaction model

Similar Documents

Publication Publication Date Title
KR101209404B1 (en) Apparatus and method for determine and prediction of risk level using statistic approaches on pathogenic microorganism in food
Zwietering et al. Sensitivity analysis in quantitative microbial risk assessment
Jacxsens et al. Tools for the performance assessment and improvement of food safety management systems
Alban et al. The new classification system for slaughter-pig herds in the Danish Salmonella surveillance-and-control program
Jacxsens et al. Food safety performance indicators to benchmark food safety output of food safety management systems
Luning et al. Systematic assessment of core assurance activities in a company specific food safety management system
Brown et al. An economic evaluation of the whole genome sequencing source tracking program in the US
Pérez‐Rodríguez et al. Closing gaps for performing a risk assessment on Listeria monocytogenes in ready‐to‐eat (RTE) foods: activity 2, a quantitative risk characterization on L. monocytogenes in RTE foods; starting from the retail stage
Nauta et al. Risk based microbiological criteria for Campylobacter in broiler meat in the European Union
Janevska et al. Application of a HACCP–QMRA approach for managing the impact of climate change on food quality and safety
Valero et al. Definition of sampling procedures for collective-eating establishments based on the distribution of environmental microbiological contamination on food handlers, utensils and surfaces
Peñalver-Soto et al. Guidelines for the design of (optimal) isothermal inactivation experiments
Nauta et al. Risk-based standards for Campylobacter in the broiler meat chain
Ebel et al. Simplified framework for predicting changes in public health from performance standards applied in slaughter establishments
Smid et al. A practical framework for the construction of a biotracing model: application to Salmonella in the pork slaughter chain
Focker et al. Designing a risk-based monitoring plan for pathogens in food: A review
Gallagher et al. FSIS risk assessment for Listeria monocytogenes in deli meats
De Cesare et al. Modeling growth kinetics of Listeria monocytogenes in pork cuts from packaging to fork under different storage practices
Boone et al. NUSAP method for evaluating the data quality in a quantitative microbial risk assessment model for Salmonella in the pork production chain
Van der Fels-Klerx et al. Application of a transmission model to estimate performance objectives for Salmonella in the broiler supply chain
Ebel et al. When are qualitative testing results sufficient to predict a reduction in illnesses in a microbiological food safety risk assessment?
O'sullivan et al. The association between submission counts to a veterinary diagnostic laboratory and the economic and disease challenges of the Ontario swine industry from 1998 to 2009
Mussida et al. Efficiency of the sampling plan for Cronobacter spp. assuming a Poisson lognormal distribution of the bacteria in powder infant formula and the implications of assuming a fixed within and between-lot variability
Łobacz et al. Predictive microbiology and risk analysis
Zwietering et al. Predictive models in microbiological risk assessment

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20151103

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20161116

Year of fee payment: 5

LAPS Lapse due to unpaid annual fee