孫天妹，劉陽泰，王 翔，董曉璐，劉 弘，李紅梅，董慶利,*

（1.上海理工大學(xué)醫(yī)療器械與食品學(xué)院，上海 200093；2.上海市疾病預(yù)防控制中心，上海 200336）

食品安全已成為國(guó)際性公共衛(wèi)生問題，根據(jù)世界衛(wèi)生組織2019年的報(bào)告，全球每年至少有6億 人患食源性疾病，由此引發(fā)的死亡人數(shù)高達(dá)42 萬，所致疾病負(fù)擔(dān)累計(jì)為3 300萬 人年[1]。2017年全國(guó)各省份通過國(guó)家突發(fā)公共衛(wèi)生事件報(bào)告管理信息系統(tǒng)報(bào)告的食物中毒事件的統(tǒng)計(jì)結(jié)果表明，細(xì)菌性食物中毒事件的報(bào)告數(shù)量和中毒人數(shù)最多，分別占食物中毒事件總數(shù)和中毒總?cè)藬?shù)的31.61%（110/348）和57.60%（4 256/7 389），所涉及的食源性細(xì)菌主要有沙門氏菌、單核細(xì)胞增生李斯特菌（以下簡(jiǎn)稱“單增李斯特菌”）和致瀉性大腸桿菌等[2]。因此，對(duì)食品中的致病菌進(jìn)行風(fēng)險(xiǎn)評(píng)估對(duì)保障食品安全、降低食源性疾病暴發(fā)率具有重要意義。

微生物定量風(fēng)險(xiǎn)評(píng)估（quantitative microbial risk assessment，QMRA）作為有效工具之一，通過量化的數(shù)值描述致病菌對(duì)人群健康產(chǎn)生不良作用的風(fēng)險(xiǎn)，為監(jiān)管者提供科學(xué)的風(fēng)險(xiǎn)管理依據(jù)[3]。QMRA分為危害識(shí)別、危害特征描述、暴露評(píng)估和風(fēng)險(xiǎn)特征描述4 個(gè)模塊[4]，其中包含大量的不確定性因素，可能影響最終評(píng)估結(jié)果的準(zhǔn)確性。暴露評(píng)估作為風(fēng)險(xiǎn)評(píng)估的核心內(nèi)容，主要依據(jù)目標(biāo)致病菌在目標(biāo)食品中的污染量，結(jié)合居民食品消費(fèi)量，估計(jì)致病菌暴露于消費(fèi)者的可能性水平[5-6]。因此，食品中致病菌的污染量信息是定量風(fēng)險(xiǎn)評(píng)估中不確定性的重要構(gòu)成因素之一[7]。

致病菌在食品中的污染情況主要依靠食品采樣和微生物學(xué)檢驗(yàn)獲悉。最大可能數(shù)法和平板計(jì)數(shù)法是微生物定量檢測(cè)中較常用的兩種方法[8]。除此之外，熒光定量聚合酶鏈?zhǔn)椒磻?yīng)（quantitative polymerase chain reaction，qPCR）、變性梯度凝交電泳和宏基因組測(cè)序等分子生物學(xué)技術(shù)作為快速檢測(cè)方法，在致病菌的定量檢測(cè)中也得到了初步應(yīng)用[9]。在實(shí)際情況中，由于檢測(cè)方法的限制，當(dāng)致病菌污染水平低于或高于相對(duì)應(yīng)的檢測(cè)閾值時(shí)，因無法完全定量食品中存在的致病菌而產(chǎn)生大量刪失數(shù)據(jù)（censored data），造成食源性致病菌污染檢測(cè)信息的不完整。在對(duì)食源性致病菌的污染檢測(cè)數(shù)據(jù)進(jìn)行濃度估計(jì)時(shí)，若不考慮刪失數(shù)據(jù)的存在，其結(jié)果往往會(huì)產(chǎn)生較大的偏差，提升風(fēng)險(xiǎn)評(píng)估結(jié)果的不確定性。與此同時(shí)，致病菌在食品中的污染水平較低，其檢測(cè)數(shù)據(jù)具有一定的變異性。因此，有效處理致病菌污染檢測(cè)中出現(xiàn)的刪失數(shù)據(jù)有利于保證食源性致病菌污染水平估計(jì)的精準(zhǔn)化，提高風(fēng)險(xiǎn)評(píng)估結(jié)果的準(zhǔn)確性。

近年來，刪失數(shù)據(jù)分析主要用于應(yīng)對(duì)臨床醫(yī)學(xué)、生命科學(xué)及環(huán)境科學(xué)等領(lǐng)域的生存類數(shù)據(jù)，而在食源性致病菌污染水平估計(jì)方面尚無完整的刪失數(shù)據(jù)分析體系，缺乏不同處理方法對(duì)估計(jì)結(jié)果影響的認(rèn)知。故本文圍繞食源性致病菌污染檢測(cè)數(shù)據(jù)中刪失數(shù)據(jù)的類別、常用分析方法以及不同刪失數(shù)據(jù)情況下污染水平估計(jì)的精準(zhǔn)化展開綜述和討論，以期為風(fēng)險(xiǎn)評(píng)估人員和風(fēng)險(xiǎn)管理人員提供理論參考，進(jìn)一步加強(qiáng)食品安全的風(fēng)險(xiǎn)控制。

1 食源性致病菌污染檢測(cè)中刪失數(shù)據(jù)的分類

食源性致病菌污染檢測(cè)的結(jié)果一般以不可檢測(cè)（non-detect，ND）、陽性或某一分析單元中的濃度表示，其中ND值即為刪失數(shù)據(jù)。統(tǒng)計(jì)學(xué)上將刪失數(shù)據(jù)定義為“未量化的觀測(cè)值”，易對(duì)統(tǒng)計(jì)數(shù)據(jù)的整體描述產(chǎn)生干擾。在食品微生物學(xué)領(lǐng)域，根據(jù)食源性致病菌的檢測(cè)特點(diǎn)，將其刪失數(shù)據(jù)主要分為以下3大類：左刪失數(shù)據(jù)（left-censored data）、右刪失數(shù)據(jù)（right-censored data）以及區(qū)間刪失數(shù)據(jù)（interval-censored data）[10]。

1.1 左刪失數(shù)據(jù)

食源性致病菌的定性檢測(cè)和定量檢測(cè)方法均有定性檢測(cè)限（limit of detection，LOD）或定量檢測(cè)限（limit of quantification，LOQ）。當(dāng)檢測(cè)樣品中致病菌的濃度過低，低于所用檢測(cè)方法的LOD或LOQ時(shí)，此類ND值為左刪失數(shù)據(jù)[11]。對(duì)左刪失數(shù)據(jù)進(jìn)行處理分析，可降低部分樣品中存在致病菌污染而檢測(cè)結(jié)果為陰性的數(shù)據(jù)對(duì)食源性致病菌整體濃度估計(jì)產(chǎn)生的偏差。

1.2 右刪失數(shù)據(jù)

食源性致病菌定量檢測(cè)方法除了存在一個(gè)較低的LOQ外，往往還有一個(gè)最大的檢測(cè)限值與之相對(duì)應(yīng)。當(dāng)檢測(cè)樣品中的致病菌濃度過高，超出該檢測(cè)方法的最大檢測(cè)閾值時(shí)，通常會(huì)以多不可數(shù)的結(jié)果進(jìn)行報(bào)告，此類ND值為右刪失數(shù)據(jù)[12]。致病菌在食品中的污染水平較低，因此在實(shí)際檢測(cè)中，出現(xiàn)右刪失數(shù)據(jù)的情況較少。

1.3 區(qū)間刪失數(shù)據(jù)

在食源性致病菌檢測(cè)中，同一樣品可能會(huì)經(jīng)多種方法進(jìn)行檢測(cè)與鑒定。由于檢測(cè)方法的不同，其檢測(cè)限、敏感性和特異性也有所不同[13]，因此樣品在檢測(cè)過程中往往會(huì)出現(xiàn)在某一檢測(cè)方法下不可檢測(cè)，而在另一檢測(cè)方法下產(chǎn)生陽性數(shù)據(jù)的現(xiàn)象。如某一樣品同時(shí)進(jìn)行定性檢測(cè)和定量檢測(cè)，該樣品在定性檢測(cè)時(shí)結(jié)果為陽性，在定量檢測(cè)時(shí)結(jié)果呈現(xiàn)ND值（即陰性）。在食源性致病菌的污染檢測(cè)中，具有此類特征的數(shù)據(jù)被稱為區(qū)間刪失數(shù)據(jù)[14]。對(duì)區(qū)間刪失數(shù)據(jù)進(jìn)行有效地統(tǒng)計(jì)分析可避免因檢測(cè)方法的差異而產(chǎn)生的假陽性或假陰性數(shù)據(jù)對(duì)食品中致病菌濃度水平的低估或高估。

2 食源性致病菌污染檢測(cè)中刪失數(shù)據(jù)的分析方法

在食源性致病菌的污染檢測(cè)數(shù)據(jù)中，刪失部分無法提供準(zhǔn)確的檢測(cè)濃度。通過選擇適當(dāng)?shù)慕y(tǒng)計(jì)學(xué)方法來分析刪失數(shù)據(jù)，可從包含ND值的污染檢測(cè)數(shù)據(jù)中提取最大數(shù)量的可靠信息，從而提高食源性致病菌污染濃度估計(jì)的準(zhǔn)確性。圖1整理了醫(yī)學(xué)、生命科學(xué)及環(huán)境科學(xué)等領(lǐng)域用于刪失數(shù)據(jù)處理分析的相關(guān)統(tǒng)計(jì)學(xué)方法，主要包括替代法、多重填補(bǔ)（multiple imputation，MI）法、參數(shù)估計(jì)法、非參數(shù)估計(jì)法、假設(shè)檢驗(yàn)比較法及回歸分析法這6大類，其中一些方法可引入食源性致病菌污染檢測(cè)刪失數(shù)據(jù)的分析中[15-17]。根據(jù)文獻(xiàn)調(diào)研，較常用于食源性致病菌污染檢測(cè)刪失數(shù)據(jù)定量估計(jì)的方法主要有替代法、參數(shù)估計(jì)法、非參數(shù)估計(jì)法和MI法，表1對(duì)這4 類常用分析方法的特點(diǎn)和局限性進(jìn)行了逐一比較。由于假設(shè)檢驗(yàn)比較法多用于比較可檢測(cè)值的數(shù)據(jù)集和包含ND值數(shù)據(jù)集之間的差異顯著性，而回歸分析法需滿足數(shù)據(jù)的獨(dú)立性假設(shè)，在處理具有相互依賴關(guān)系的數(shù)據(jù)集時(shí)具有一定難度，故這兩種方法在食源性致病菌的污染水平估計(jì)中使用頻率較低。

圖1 刪失數(shù)據(jù)分析的主要方法Fig.1 Methods commonly used for censored data analysis

表1 食源性致病菌刪失數(shù)據(jù)分析中4 類常用方法的特點(diǎn)和局限性比較Table 1 Comparison of the advantages and disadvantages of four commonly used methods for the analysis of foodborne pathogens censored data

2.1 替代法

早期研究通過借鑒分析化學(xué)檢測(cè)中ND值的處理，在食品微生物學(xué)中采用刪除法來處理檢測(cè)中出現(xiàn)的ND值，即在分析過程中將ND值去除，只保留可檢測(cè)值用于分析。由于食源性致病菌污染水平對(duì)ND值較為敏感，通過該方法估計(jì)的結(jié)果可能存在較大偏差，故該方法不適宜用于處理食源性致病菌的污染檢測(cè)刪失數(shù)據(jù)。由此，在隨后的食源性致病菌污染檢測(cè)數(shù)據(jù)分析中采用替代法來處理ND值，較為常見的是將ND值作“0”值處理。然而，檢測(cè)中ND值的產(chǎn)生，一方面可能由于檢測(cè)樣品未受微生物污染，為真實(shí)的“0”值；另一方面可能由于樣品中存在目標(biāo)致病菌，因受方法限制而未成功檢出[22]。由于后一種情況的存在，將ND值作“0”值處理并不恰當(dāng)。Shoari等[18]通過蒙特卡洛方法模擬環(huán)境樣中的污染數(shù)據(jù)，將低于LOD的ND值用LOD的不同形式（如LOD、LOD/2或LOD/等常數(shù)）來替代，結(jié)果表明替代法的性能隨數(shù)據(jù)集中刪失比例的降低而提高。由于替代法是用單一值替代數(shù)據(jù)集中所有的ND值，因此當(dāng)ND值在整個(gè)數(shù)據(jù)集中占比較大時(shí)，使用該方法會(huì)使食源性致病菌整體的濃度估計(jì)產(chǎn)生較大偏差[23-24]。

2.2 參數(shù)估計(jì)法

參數(shù)估計(jì)法需要對(duì)數(shù)據(jù)進(jìn)行特定的分布假設(shè)，主要分為最優(yōu)分布擬合法、MLE法和ROS法[19]。最優(yōu)分布擬合法是運(yùn)用合理的統(tǒng)計(jì)分布模型來描述食品中致病菌的頻率分布，從而可近似估計(jì)致病菌的污染水平[25]。國(guó)際生命科學(xué)協(xié)會(huì)在已發(fā)表的理論研究中提出，在選擇恰當(dāng)?shù)慕y(tǒng)計(jì)分布模型時(shí)可根據(jù)以下5 個(gè)特征，分別是非負(fù)、允許“0”值、離散型、可遞減（或近似）泊松分布以及致病菌數(shù)量較高時(shí)，應(yīng)近似對(duì)數(shù)正態(tài)分布[26]。表2列舉了不同種類的統(tǒng)計(jì)分布模型分別具備的特征以及描述致病菌在不同食品基質(zhì)中污染情況的應(yīng)用。

表2 不同種類的統(tǒng)計(jì)分布模型所具備的特征以及描述致病菌在食品基質(zhì)中污染情況的應(yīng)用Table 2 Characteristics of different types of statistical distribution models and their applications for describing the contamination of pathogens in food matrix

當(dāng)食源性致病菌污染檢測(cè)數(shù)據(jù)中ND值比例較小時(shí)，可選取恰當(dāng)?shù)臉?biāo)準(zhǔn)統(tǒng)計(jì)分布模型進(jìn)行近似擬合。若食源性致病菌污染檢測(cè)數(shù)據(jù)中存在大量刪失數(shù)據(jù)，導(dǎo)致數(shù)據(jù)集呈零膨脹（zero-inflated）現(xiàn)象時(shí)，零膨脹模型更適宜。Kiermeier等[33]發(fā)現(xiàn)零膨脹泊松分布可很好地?cái)M合牛肉中大腸桿菌O157的檢測(cè)數(shù)據(jù)。孫菀霞等[35]在散裝熟肉制品單增李斯特菌左刪失數(shù)據(jù)的處理分析中發(fā)現(xiàn)，零膨脹對(duì)數(shù)正態(tài)分布與零膨脹泊松對(duì)數(shù)正態(tài)分布的擬合度優(yōu)于標(biāo)準(zhǔn)統(tǒng)計(jì)分布。然而，在運(yùn)用零膨脹模型時(shí)，若對(duì)模型本身產(chǎn)生的“0”值和致病菌檢測(cè)中產(chǎn)生的“0”值處理不當(dāng)，可使擬合得到的致病菌濃度產(chǎn)生偏差[36]。

MLE法是假定數(shù)據(jù)集中的刪失部分和未刪失部分都遵循相同的分布（如對(duì)數(shù)正態(tài)分布等），再通過似然函數(shù)進(jìn)行參數(shù)估計(jì)，使數(shù)據(jù)與假定的分布實(shí)現(xiàn)較高程度的吻合。當(dāng)數(shù)據(jù)特征接近于假定的分布且模型擬合良好時(shí)，使用MLE法可有效處理刪失數(shù)據(jù)。而ROS法是僅對(duì)數(shù)據(jù)集中的未刪失部分進(jìn)行某一特定的分布假設(shè)，建立次序統(tǒng)計(jì)量回歸方程，并對(duì)刪失數(shù)據(jù)進(jìn)行填補(bǔ)[37]。MLE法和ROS法在應(yīng)用中也存在一定的缺陷性，如這兩種方法易受到異常值的影響，且對(duì)假定的分布選擇較為敏感。由于研究者們習(xí)慣假定數(shù)據(jù)服從于對(duì)數(shù)正態(tài)分布，因此在估算平均值和標(biāo)準(zhǔn)差時(shí)易產(chǎn)生反向轉(zhuǎn)換偏差。為了解決這些問題，Kroll[38]和Helsel[39]等分別提出了穩(wěn)健MLE法和穩(wěn)健次序統(tǒng)計(jì)量回歸法，從而可以較好地避免數(shù)據(jù)轉(zhuǎn)換中平均值和標(biāo)準(zhǔn)差的異常估計(jì)。部分研究者認(rèn)為MLE法是處理刪失數(shù)據(jù)的“黃金標(biāo)準(zhǔn)”，當(dāng)數(shù)據(jù)集中包含至少30～50 個(gè)可觀測(cè)值時(shí)，MLE法具有最佳性能；而當(dāng)數(shù)據(jù)集高度偏斜且刪失程度較高時(shí)，MLE法可能并不適用[40]。加拿大衛(wèi)生部在《關(guān)于復(fù)雜人類健康的詳細(xì)化學(xué)定量風(fēng)險(xiǎn)評(píng)估指南》中建議，MLE法適用于大樣本量的數(shù)據(jù)處理，而ROS法適用于一般樣本量的數(shù)據(jù)處理[41]。

2.3 非參數(shù)估計(jì)法

由于刪失數(shù)據(jù)的存在，研究人員常常無法得到足夠多的信息來判斷數(shù)據(jù)資料服從何種分布假設(shè)。非參數(shù)估計(jì)法無需計(jì)算參數(shù)，也無需假定數(shù)據(jù)的分布，不受樣本數(shù)據(jù)從屬總體分布的限制，因此在刪失數(shù)據(jù)處理分析中應(yīng)用較多[20]。KM法作為一種非參數(shù)法，基于一個(gè)累積分布函數(shù)，對(duì)包含隨機(jī)刪失數(shù)據(jù)的觀測(cè)值直接估計(jì)累積概率。KM法最初用于右刪失數(shù)據(jù)的處理，后經(jīng)Turnbull[42]推廣到左刪失數(shù)據(jù)分布函數(shù)的非參數(shù)擬合中，即形成Turnbull估計(jì)法。Helsel[43]在分析處理環(huán)境水樣檢測(cè)中毒性當(dāng)量濃度的左刪失數(shù)據(jù)時(shí)比較了替代法和KM法，結(jié)果表明使用KM法進(jìn)行濃度估計(jì)效果要優(yōu)于替代法，且KM法適用于數(shù)據(jù)精度較低的情況。同時(shí)，也有研究表明當(dāng)數(shù)據(jù)呈嚴(yán)重刪失或呈高度偏態(tài)時(shí)，使用非參數(shù)的KM法進(jìn)行處理效果更優(yōu)[44]。然而，當(dāng)數(shù)據(jù)集的樣本量較大時(shí)，選擇非參數(shù)估計(jì)法進(jìn)行刪失數(shù)據(jù)的處理具有一定的局限性。

2.4 多重填補(bǔ)法

MI法基于貝葉斯理論，在替代法（即用一個(gè)單一值替代每個(gè)ND值）的基礎(chǔ)上作出改進(jìn)，從觀測(cè)值的后驗(yàn)概率分布中隨機(jī)抽取一系列（m個(gè)）合理的填充值替代每個(gè)ND值，通過創(chuàng)建若干個(gè)完整數(shù)據(jù)集再對(duì)每一完整數(shù)據(jù)集分析后綜合得到結(jié)果[21]。MI法需要所有參與分析的變量服從聯(lián)合概率分布。2014年，美國(guó)國(guó)家環(huán)境保護(hù)局提出用MI法來處理刪失數(shù)據(jù)將更為嚴(yán)謹(jǐn)[45]。Lin等[46]在一個(gè)艾滋病臨床試驗(yàn)的案例研究中將多變量縱向數(shù)據(jù)中的ND值進(jìn)行多重填補(bǔ)，結(jié)果表明在刪失比例較高的縱向數(shù)據(jù)處理中，MI法優(yōu)于其他刪失數(shù)據(jù)分析方法。Canales等[47]比較了替代法、服從對(duì)數(shù)正態(tài)分布假設(shè)的MLE法、KM法、基于對(duì)數(shù)正態(tài)分布估計(jì)參數(shù)的MI法和基于均勻分布估計(jì)參數(shù)的MI法這5 種方法在低、中和高3 種刪失程度的左刪失數(shù)據(jù)處理中的應(yīng)用情況，結(jié)果表明兩種MI法的數(shù)據(jù)處理效果優(yōu)于其余3 種方法。同時(shí)，該作者又提出這兩種MI法是通過使用R語言中自帶的程序包實(shí)現(xiàn)的，未考慮分布誤選的因素。因此，在刪失數(shù)據(jù)的處理中，有必要在MI法中納入更多合理的分布模型以提高數(shù)據(jù)擬合的準(zhǔn)確性。MI法雖在刪失數(shù)據(jù)的無偏估計(jì)中占有優(yōu)勢(shì)，但其在反復(fù)填補(bǔ)ND值時(shí)往往會(huì)占用較大內(nèi)存，比較耗時(shí)。

綜上，在選擇合理的刪失數(shù)據(jù)分析方法時(shí)，除依據(jù)均方根誤差或偏差等統(tǒng)計(jì)學(xué)評(píng)價(jià)指標(biāo)的比較外，更應(yīng)側(cè)重于對(duì)所需擬合分析的食源性致病菌污染檢測(cè)數(shù)據(jù)特征進(jìn)行判斷，如數(shù)據(jù)集樣本量的大小、數(shù)據(jù)集內(nèi)刪失數(shù)據(jù)的類別或數(shù)據(jù)集的刪失比例等。因此，將刪失數(shù)據(jù)分析方法應(yīng)用于食源性致病菌的污染水平估計(jì)時(shí)，需考慮食源性致病菌污染檢測(cè)數(shù)據(jù)刪失情況的不同。

3 數(shù)據(jù)刪失情況下的食源性致病菌污染水平估計(jì)

食品中致病菌污染水平的確定取決于對(duì)致病菌污染檢測(cè)數(shù)據(jù)的準(zhǔn)確估計(jì)。由于檢測(cè)方法的限制，食源性致病菌的污染檢測(cè)數(shù)據(jù)集中往往會(huì)包含一定比例的左刪失數(shù)據(jù)、右刪失數(shù)據(jù)或區(qū)間刪失數(shù)據(jù)?；诓煌悇e的刪失數(shù)據(jù)特征，綜合前述的食源性致病菌刪失數(shù)據(jù)常用分析方法，可應(yīng)用于不同評(píng)估要求食源性致病菌污染水平的估計(jì)。

3.1 左刪失或右刪失數(shù)據(jù)下的致病菌污染定量估計(jì)

食品中致病菌的污染水平通常較低，在定量檢測(cè)數(shù)據(jù)中左刪失數(shù)據(jù)（＜LOQ）的占比要遠(yuǎn)遠(yuǎn)高于右刪失數(shù)據(jù)，且致病菌檢測(cè)中出現(xiàn)的右刪失數(shù)據(jù)可通過連續(xù)稀釋到適宜梯度進(jìn)行濃度計(jì)數(shù)，因此針對(duì)于食源性致病菌污染檢測(cè)數(shù)據(jù)中左刪失數(shù)據(jù)處理分析的研究居多?；谑称凡蓸蛹爸虏【鷻z測(cè)所得到的定量數(shù)據(jù)，對(duì)其左刪失數(shù)據(jù)進(jìn)行處理分析，將對(duì)風(fēng)險(xiǎn)的預(yù)測(cè)具有顯著影響。Duarte等[48]通過區(qū)分微生物檢測(cè)中的真實(shí)“0”值和人為“0”值（即小于LOQ的左刪失數(shù)據(jù)），開發(fā)一種新的模型進(jìn)行微生物濃度分布及患病率的估計(jì)，結(jié)果表明正確處理檢測(cè)中得到的“0”值是準(zhǔn)確表征微生物總體污染水平的關(guān)鍵之一，且微生物濃度分布和患病率的估計(jì)具有較高的相關(guān)性。Duque等[49]從法國(guó)4 個(gè)不同屠宰場(chǎng)中進(jìn)行雞胴體樣本采集并開展空腸彎曲桿菌的檢測(cè)，將包含左刪失數(shù)據(jù)和未包含左刪失數(shù)據(jù)的兩個(gè)數(shù)據(jù)集進(jìn)行比較，并通過正態(tài)分布、對(duì)數(shù)正態(tài)分布和伽馬分布3 個(gè)模型進(jìn)行數(shù)據(jù)擬合，結(jié)果表明正態(tài)分布擬合效果最優(yōu)。由正態(tài)分布擬合到的彎曲桿菌濃度平均值為2.74 （lg（CFU/g）），且不確定性范圍縮小至1（lg（CFU/g）），進(jìn)而較精準(zhǔn)地定量了雞胴體中空腸彎曲桿菌的污染水平。Cantoni等[50]在對(duì)飲用水和地下水中微量污染物檢測(cè)中的左刪失數(shù)據(jù)分析處理時(shí)，首先選擇對(duì)數(shù)正態(tài)分布、正態(tài)分布、Weibull分布和伽馬分布等模型進(jìn)行擬合，再通過MLE法進(jìn)行參數(shù)估計(jì)，可更精確地進(jìn)行水質(zhì)分析（如水源中污染物隨時(shí)間的變化趨勢(shì)和對(duì)污染物的處理效率），從而更有利于評(píng)價(jià)人類健康風(fēng)險(xiǎn)。因此，在食源性致病菌污染檢測(cè)數(shù)據(jù)的定量估計(jì)中，左刪失數(shù)據(jù)扮演著重要的角色，根據(jù)數(shù)據(jù)集特征的多樣性來選取恰當(dāng)?shù)慕y(tǒng)計(jì)分析方法是保證致病菌準(zhǔn)確定量估計(jì)的關(guān)鍵。

3.2 區(qū)間刪失數(shù)據(jù)下的致病菌污染定量估計(jì)

在食源性致病菌的監(jiān)測(cè)工作中，傳統(tǒng)定量檢測(cè)方法實(shí)驗(yàn)周期長(zhǎng)，需耗費(fèi)大量人力物力，因此多用定性方法檢測(cè)致病菌，與此同時(shí)造成致病菌定量數(shù)據(jù)的大量缺失。如何將致病菌的定性數(shù)據(jù)有效轉(zhuǎn)化為定量數(shù)據(jù)，是目前開展QMRA的難點(diǎn)之一。

定性檢測(cè)方法和定量檢測(cè)方法具有不同的檢測(cè)限、敏感性和特異性，這使得在定性數(shù)據(jù)和定量數(shù)據(jù)的比較中可能會(huì)存在一部分區(qū)間刪失數(shù)據(jù)。對(duì)區(qū)間刪失數(shù)據(jù)進(jìn)行正確的處理分析有助于提高食源性致病菌定性數(shù)據(jù)到定量數(shù)據(jù)轉(zhuǎn)化過程中的精確性。Jarvis[51]基于食品中致病菌服從泊松分布的假設(shè)，提出了一種基于定性檢測(cè)數(shù)據(jù)來確定一批樣品中致病菌平均污染濃度的有效方程。目前，該方程已廣泛用于只有定性檢測(cè)數(shù)據(jù)的食品樣品中致病菌的定量估計(jì)。Andritsos等[52]對(duì)豬肉糜中單增李斯特菌首先基于PALCAM、ALOA和RAPID’L.mono 3 種不同的選擇性培養(yǎng)基進(jìn)行傳統(tǒng)定性檢測(cè)，得到陽性率分別為16%、19%和26%，再經(jīng)分子生物學(xué)方法鑒定，對(duì)多種檢測(cè)方法下的數(shù)據(jù)進(jìn)行真實(shí)陽性、真實(shí)陰性、假陽性和假陰性等多組數(shù)據(jù)集的整理，并基于不同檢測(cè)方法敏感性和特異性的計(jì)算，得出豬肉糜中單增李斯特菌的真實(shí)污染率為22%。隨后假設(shè)豬肉糜中單增李斯特菌服從泊松分布，并構(gòu)建真實(shí)污染率和敏感性的關(guān)系式，進(jìn)而估計(jì)出豬肉糜中單增李斯特菌的濃度為14～17 CFU/kg，實(shí)現(xiàn)定性數(shù)據(jù)到定量數(shù)據(jù)的轉(zhuǎn)化。隨后，Sun Wanxia等[53]在此基礎(chǔ)上，假設(shè)熟肉制品中的單增李斯特菌服從零膨脹分布（即零膨脹泊松分布或零膨脹泊松對(duì)數(shù)正態(tài)分布），并基于貝葉斯方法對(duì)熟肉制品中單增李斯特菌濃度進(jìn)行估計(jì)，構(gòu)建了一種基于定性數(shù)據(jù)的定量轉(zhuǎn)化概率模型。

目前，傳統(tǒng)致病菌檢測(cè)方法向基于分子生物學(xué)技術(shù)等快速檢測(cè)方法轉(zhuǎn)變的趨勢(shì)越來越明顯。這些快檢方法所得數(shù)據(jù)將生成定量數(shù)據(jù)，最終需要轉(zhuǎn)化為致病菌的濃度。根據(jù)檢測(cè)方法的不同，其檢測(cè)限具有較大差異，因此在區(qū)間刪失數(shù)據(jù)處理模型的選取方面應(yīng)考慮該模型是否允許不同檢測(cè)限的輸入。Kato等[54]提出了一種基于截?cái)鄬?duì)數(shù)分布的貝葉斯隨機(jī)模型，可允許不同樣本不同LOD的輸入，并將此模型用于環(huán)境水樣檢測(cè)中指示菌和致病菌在基因水平上濃度比的估計(jì)。Poma等[55]使用qPCR對(duì)水樣中的諾如病毒和腸炎病毒進(jìn)行定量檢測(cè)，并將低于方法LOD的刪失數(shù)據(jù)使用樣本檢測(cè)限值（the sample limit of detection，SLOD）的不同形式進(jìn)行替代，即SLOD、SLOD/2、SLODa（average SLOD）、SLODm（median SLOD），以保證每個(gè)樣本檢測(cè)值的唯一性。基于此方法將水樣中諾如病毒和腸炎病毒檢測(cè)的qPCR定量數(shù)據(jù)轉(zhuǎn)化為污染水平，并結(jié)合不同的暴露場(chǎng)景，開展進(jìn)一步的定量風(fēng)險(xiǎn)評(píng)估。隨著檢測(cè)方法的更新及組學(xué)技術(shù)的發(fā)展，食源性致病菌定量風(fēng)險(xiǎn)評(píng)估不應(yīng)局限于傳統(tǒng)定量檢測(cè)下的致病菌定量數(shù)據(jù)，充分利用新檢測(cè)技術(shù)下的數(shù)據(jù)，確保多種數(shù)據(jù)信息在致病菌定量估計(jì)中具有同等的有效性，是當(dāng)下開展新一代定量風(fēng)險(xiǎn)評(píng)估的突破口之一[56-58]。

準(zhǔn)確估計(jì)食品中致病菌的污染水平是降低風(fēng)險(xiǎn)評(píng)估不確定性的前提條件。綜上所述，選擇恰當(dāng)?shù)姆椒ㄌ幚韯h失數(shù)據(jù)可一定程度上彌補(bǔ)檢測(cè)信息的不足，避免食源性致病菌污染水平的有偏估計(jì)，減少風(fēng)險(xiǎn)評(píng)估過程中不確定性的產(chǎn)生。同時(shí)，不可忽視食源性致病菌污染檢測(cè)數(shù)據(jù)的變異性因素對(duì)最終結(jié)果的影響。變異性是由特定群體在時(shí)間、空間或個(gè)體上呈現(xiàn)的風(fēng)險(xiǎn)異質(zhì)性產(chǎn)生，為固有屬性[59]。如何在食源性致病菌污染檢測(cè)刪失數(shù)據(jù)處理的基礎(chǔ)上納入其檢測(cè)數(shù)據(jù)的變異性分析仍是目前實(shí)現(xiàn)食源性致病菌污染定量估計(jì)精準(zhǔn)化的瓶頸之一。致病菌在不同的食品基質(zhì)中具有不同的空間分布特征，在固體及粉末狀食品中多呈集群（cluster）分布[60]。若某批次內(nèi)的食品中致病菌呈集群分布，由于采樣的隨機(jī)性，通過檢測(cè)可得的致病菌定量數(shù)據(jù)往往會(huì)呈現(xiàn)出較大的變異性，主要體現(xiàn)在致病菌污染的季節(jié)變異性、批次間變異性、批次內(nèi)變異性和菌株變異性等。為更好地描述變異性，一方面食源性致病菌的風(fēng)險(xiǎn)監(jiān)測(cè)計(jì)劃應(yīng)更具體且全面，需充分考慮采樣時(shí)間、采樣點(diǎn)、樣品類別、檢測(cè)方法、采樣批次/樣本/分析單元等信息的有效收集。Mikkela等[61]通過構(gòu)建采樣批次-樣本-分析單元的分層結(jié)構(gòu)，并提出了一個(gè)基于貝葉斯理論的時(shí)序-污染率-濃度模型，對(duì)呈高度異質(zhì)性的雞肉中彎曲桿菌的檢測(cè)數(shù)據(jù)進(jìn)行處理分析，以精準(zhǔn)估計(jì)雞肉中彎曲桿菌的定量水平用于進(jìn)一步的風(fēng)險(xiǎn)評(píng)估。另一方面，需要在相關(guān)模型的構(gòu)建及軟件程序應(yīng)用的更新方面推進(jìn)研究。1992年，F(xiàn)rey[62]提出二維蒙特卡洛模擬（two-dimensional Monte-Carlo simulation，2D-MC）方法，可用來估計(jì)由于參數(shù)不確定性引起的風(fēng)險(xiǎn)估計(jì)的不確定性。由于2D-MC可通過對(duì)風(fēng)險(xiǎn)評(píng)估中的變異性因素和不確定性因素分別抽樣來反映兩者的分布情況，并能在輸出結(jié)果中分別估計(jì)變異性和不確定性，故該方法在QMRA領(lǐng)域已被廣泛應(yīng)用。Pouillot等[63]開發(fā)了用于建立和研究2D-MC的R語言工具包，可直接將QMRA中的變異性和不確定性因素分開估計(jì)，風(fēng)險(xiǎn)評(píng)估人員可利用工具包首先對(duì)變異性進(jìn)行分析估計(jì)，后在此估計(jì)基礎(chǔ)上再評(píng)估不確定性，為后續(xù)風(fēng)險(xiǎn)評(píng)估研究的進(jìn)一步開展提供了便利。因此，在開展食源性致病菌的定量風(fēng)險(xiǎn)評(píng)估時(shí)，評(píng)估人員應(yīng)謹(jǐn)慎分析致病菌污染檢測(cè)數(shù)據(jù)的變異性及污染信息不足導(dǎo)致的不確定性，確保評(píng)估結(jié)果的準(zhǔn)確性，進(jìn)一步加強(qiáng)風(fēng)險(xiǎn)監(jiān)測(cè)、風(fēng)險(xiǎn)評(píng)估和風(fēng)險(xiǎn)管理的互動(dòng)交流。

4 結(jié) 語

食源性致病菌的污染檢測(cè)數(shù)據(jù)中往往包含大量的刪失數(shù)據(jù)。根據(jù)數(shù)據(jù)集的刪失特點(diǎn)，選擇恰當(dāng)?shù)姆治龇椒ㄟM(jìn)行數(shù)據(jù)處理，利用轉(zhuǎn)化后的食源性致病菌濃度可較準(zhǔn)確地估計(jì)人群患病風(fēng)險(xiǎn)。因此，刪失數(shù)據(jù)的分析研究在食源性致病菌定量風(fēng)險(xiǎn)評(píng)估中具有實(shí)際意義。在此基礎(chǔ)上，評(píng)估人員還需關(guān)注食源性致病菌污染檢測(cè)數(shù)據(jù)的變異性，實(shí)現(xiàn)對(duì)致病菌污染水平估計(jì)的精準(zhǔn)化，以進(jìn)一步推進(jìn)我國(guó)食源性致病菌污染定量的建模工作。綜合國(guó)內(nèi)外有關(guān)微生物檢測(cè)中刪失數(shù)據(jù)處理分析的研究現(xiàn)狀及我國(guó)食源性致病菌污染檢測(cè)數(shù)據(jù)的定量估計(jì)所存在的問題，提出如下建議：1）當(dāng)前用于刪失數(shù)據(jù)分析的相關(guān)模型在數(shù)據(jù)特征及處理?xiàng)l件方面均存在或多或少的局限性，應(yīng)在統(tǒng)計(jì)學(xué)領(lǐng)域嘗試更多有用模型的組合，如在MLE法的分布假設(shè)時(shí)考慮結(jié)合最優(yōu)分布模型的選擇，進(jìn)一步優(yōu)化方法使其更符合數(shù)據(jù)條件，從而降低食源性致病菌風(fēng)險(xiǎn)評(píng)估的不確定性；2）應(yīng)進(jìn)一步推進(jìn)食源性致病菌的風(fēng)險(xiǎn)監(jiān)測(cè)工作，以不同監(jiān)測(cè)批次為縱向檢測(cè)目標(biāo)，以同一監(jiān)測(cè)批次下致病菌的定性數(shù)據(jù)、定量數(shù)據(jù)和分子分型數(shù)據(jù)等作為橫向檢測(cè)目標(biāo)，進(jìn)行同一批次下多橫向監(jiān)測(cè)數(shù)據(jù)和同一橫向檢測(cè)目標(biāo)下多縱向監(jiān)測(cè)數(shù)據(jù)的收集，實(shí)現(xiàn)致病菌風(fēng)險(xiǎn)監(jiān)測(cè)指標(biāo)多維化，挖掘不同食品基質(zhì)中致病菌污染數(shù)據(jù)的變異性因素，實(shí)現(xiàn)監(jiān)測(cè)大數(shù)據(jù)的有效整合；3）隨著當(dāng)前食品安全檢測(cè)技術(shù)的不斷推進(jìn)，培養(yǎng)組學(xué)、宏基因組和宏轉(zhuǎn)錄組等新技術(shù)下的多種檢測(cè)信息應(yīng)被有效利用，對(duì)致病菌新型檢測(cè)污染數(shù)據(jù)進(jìn)行定量轉(zhuǎn)化后用于暴露評(píng)估中是下一代定量風(fēng)險(xiǎn)評(píng)估工作的核心內(nèi)容，可利用快檢方法的優(yōu)勢(shì)提高風(fēng)險(xiǎn)預(yù)警能力。