N / 070612
PUBLICATIE VAN DE HOGE GEZONDHEIDSRAAD nr. 7300/1 Het Belgische PCB-dioxine-incident 1999 DIOXINE – LICHAAMSBELASTING Ad hoc Dioxinewerkgroep Vakgroep Farmacologie - Heymans Instituut, Gent Vakgroep Maatschappelijke Gezondheidskunde, Gent Vakgroep Levensmiddelentechnologie en Voeding, Gent. Vakgroep Toegepaste Wiskunde en Informatica, Gent Departement Farmaco-Bromatologie, Wetenschappelijk Instituut Volksgezondheid, Brussel 30 April 2001
VOORWOORD Toen eind mei 1999 het dioxine-incident openbaar werd, waren vrij snel verschillende actoren bij de problematiek betrokken: de gehele vleessector – de Belgische overheid – de Europese overheid – het publiek. Hun interactie leidde tot een crisissituatie met uiteindelijk vrij catastrofale gevolgen voor de betrokken landbouwsectoren in het bijzonder en de Belgische voedingsindustrie in het algemeen. Om de crisis te helpen beheersen, werd begin juni 1999 beroep gedaan op wetenschappelijke ondersteuning zowel op basis van individuele bijdragen als, min of meer gestructureerd, via de tijdelijke ad hoc Dioxinewerkgroep van de Hoge Gezondheidsraad. Het ondersteunen van een risicobeheersingproces veronderstelt een wetenschappelijke risico-evaluatie, met evaluatie van het gevaar en van de blootstelling, die in haar risicocommunicatie moet rekening houden met de risicobeleving van de bevolking. Dat dit een vrij complex proces is, kunnen allen die hierbij betrokken geweest zijn, getuigen. De evaluatie van het potentiële gevaar richtte zich primair naar de dioxineachtige componenten van de contaminatie. De toxiciteit en het dosis-effect verband van dergelijke stoffen was gekend en de Hoge Gezondheidsraad had, in navolging van de Wereld Gezondheidsorganisatie, een getolereerde dagelijkse inname (TDI) voor dioxinen voorgesteld. Daarnaast bestond er in België wel een norm voor dioxinen in melk maar niet voor andere voedingswaren. Zelfs indien er normen konden vastgesteld worden, dan nog was het bepalen van de dioxinecontaminatie in voedingswaren – als criterium voor het al of niet op de markt brengen – niet haalbaar op grote schaal omwille van de complexiteit ervan en de kostprijs. Vooruitgang kwam er na de vaststelling dat de dioxineachtige componenten afkomstig waren van een PCB-besmetting en dat er in kip en ei – de sterkst gecontamineerde voedingswaren – een relatief constante verhouding bestond tussen de dioxine- en PCB-concentraties. Na intens overleg en discussies met Europa werden dan ook tijdelijke PCB-normen aanvaard voor de verschillende voedingswaren en konden laboratoria starten met het uitvoeren van de analyses. Het onderbouwen van deze normering betekende een reële inbreng van de wetenschap in het helpen beheersen van de crisis.
−1− Hoge Gezondheidsraad Zelfbestuursstraat 4 ● 1070 Brussel ● www.health.fgov.be/HGR_CSS
N / 070612
Geconfronteerd met een bevolking wiens risicobeleving volledig beheerst werd door de vrees voor kanker, werden er daarnaast enkele inspanningen genoteerd om op basis van een blootstellingsevaluatie te komen tot de evaluatie van het gezondheidsrisico dat de bevolking mogelijks zou gelopen hebben tijdens de eerste maanden, toen de crisis zich ontwikkelde. Een eerste evaluatie stelde dat er uiteindelijk slechts een beperkte hoeveelheid dioxinen in de voedingsketen was terecht gekomen en dat de uiteindelijke impact op de bevolking verwaarloosbaar was. Een tweede vertrok van dezelfde beperkte hoeveelheid contaminanten doch paste hierop de procedure van de low dose extrapolation toe – een techniek vooral gehanteerd door de US Environmental Protection Agency bij risico-evaluatie voor carcinogenen. Het resultaat hiervan was dat men tot 8.000 extra kankergevallen zou kunnen verwachten in de komende jaren. Een derde evaluatie, tenslotte, vertrok van voedingconsumptiegegevens, hield rekening met bestaande achtergrondcontaminatie en met een beperkt aantal data van de crisisperiode en kwam tot de slotsom dat een beperkt deel van de bevolking mogelijks voldoende had ingenomen om de lichaamsbelasting (body burden) te bereiken die in het dierexperiment gepaard gaat met een verhoogde incidentie aan gezondheidschade. Gelijktijdig hiermee werden op het terrein door geïnteresseerde wetenschappers een reeks projecten ontwikkeld met als doel de verhoogde inname van contaminanten te meten en de basis te leggen voor een verdere opvolging van mogelijke gezondheidschade. Deze projecten richtten zich vooral naar de zwangere vrouw als meest kwetsbare bevolkingsgroep. Daar waar de risicoanalyses weinig of geen impact hadden op de verdere evolutie van de crisis, had de geruststelling die één ervan uitstraalde wel als gevolg dat de belangrijke middelen die nodig waren om op het terrein onderzoek te verrichten, niet ter beschikking werden gesteld. Het is te vrezen dat hier een kans gemist is, al was het maar als inhaalmanoeuvre, om de zeer beperkte kennis over de graad van dioxinebesmetting van de Belgische bevolking te verrijken. Ondanks de reële wetenschappelijke bijdrage leidende tot de PCB-controles en de inspanningen van de overheid om de crisis onder controle te krijgen, evolueerde de crisis tot een economische catastrofe voor de getroffen sector. De reden hiervoor moet gezocht worden in de soms irrationele vrees voor kanker van de bevolking maar, vooral, in het gebrek aan transparantie van onze voedingsketen, waar de doorstroming van de verschillende basiscomponenten, mede door fraude en fiscale ontduiking, vrij ondoorzichtig bleek te zijn. De controle liep bijgevolg lange tijd de werkelijkheid achterna. In dergelijke omstandigheden moet elke overheid, zelfs met de beste wetenschappelijke ondersteuning, uiteindelijk falen, zeker wanneer men geconfronteerd wordt met een Europa waar protectionistische reflexen maar al te gemakkelijk de besluitvorming beïnvloeden. Het hier voorliggende rapport bevat de resultaten van een verder uitgewerkte risicoanalyse van het PCB-dioxine-incident – het enige van de projecten voorgesteld door de ad hoc Dioxinewerkgroep dat kon uitgevoerd worden – en het lijkt mij logisch de bemoeienissen van deze werkgroep met de dioxinecrisis nu af te sluiten. Doch, terzelfder tijd lijkt mij dit de gelegenheid om op basis van onze ervaring enkele suggesties te formuleren met betrekking tot de wijze waarop de wetenschap de veiligheid van onze voedselketen verder kan ondersteunen: −
−
Een eerste opdracht is de permanente analyse van alle processen die in de voedingsketen plaatsgrijpen, met identificatie van de verschillende zwakke punten en van de mogelijke contaminanten die er kunnen in terecht komen. Dit moet leiden tot het opbouwen van een sluitende controleketen en tot het continu opvolgen van de analyseresultaten. De tweede opdracht is het wetenschappelijk onderbouwen van norme – grensconcentraties als referentie voor de controle-analyses – voor de verschillende mogelijke contaminanten in de voeding. Hierbij dient de aandacht te gaan naar de mogelijke ontwikkeling van korte termijn normen, naast de klassieke lange-termijn normen.
Beide opdrachten dienen nu uitgevoerd te worden. Wachten tot een nieuw incident plaats vindt, is te laat. Tenslotte lijkt het mij nuttig beide opdrachten toe te vertrouwen aan twee verschillende −2− Hoge Gezondheidsraad Zelfbestuursstraat 4 ● 1070 Brussel ● www.health.fgov.be/HGR_CSS
N / 070612
organismen. De permanente studie en opvolging van de voedselketen is duidelijk een taak voor het Wetenschappelijk Comité van het Federaal Agentschap voor de Voedselveiligheid (FAVV). Wetenschappelijke onderbouwing van grensconcentraties lijkt mij een taak voor de HGR waarbinnen een brede waaier van toxicologische expertise bestaat, die verder gaat dan het domein van de voedselveiligheid alleen. Jan Willems Plaatsvervangend Voorzitter Ad hoc Dioxinewerkgroep Hoge Gezondheidsraad
−3− Hoge Gezondheidsraad Zelfbestuursstraat 4 ● 1070 Brussel ● www.health.fgov.be/HGR_CSS
N / 070612
INHOUD Gebruikte termen en afkortingen Samenvattend overzicht en besluit Chapter I: The dioxin and polychlorinated biphenyl contamination of the 1999 food chain: a critical analysis Chapter II: Probabilistic intake assessment of dioxin-like substances Chapter III: Body burden estimation and risk assessment Literature references Annexes 1 – 2 DANKBETUIGING Deze studie volgt op een suggestie van Dieter Flesch-Janys (Hamburg), gedaan op een vergadering georganiseerd door Rolaf Van Leeuwen (16 juli 1999, WHO-ECEH, Bilthoven). We danken hem voor nuttige suggesties en commentaar bij de uitvoering van ons project. We danken eveneens Edwin De Pauw (ULg) en zijn medewerkers voor de originele data betreffende de achtergrondblootstelling aan PCDD/F’s en dioxineachtige PCB’s. Tenslotte danken wij Godfried Thiers (WIV) die de start van dit werk mogelijk heeft gemaakt.
−4− Hoge Gezondheidsraad Zelfbestuursstraat 4 ● 1070 Brussel ● www.health.fgov.be/HGR_CSS
N / 070612
−5− Hoge Gezondheidsraad Zelfbestuursstraat 4 ● 1070 Brussel ● www.health.fgov.be/HGR_CSS
N / 070612
−6− Hoge Gezondheidsraad Zelfbestuursstraat 4 ● 1070 Brussel ● www.health.fgov.be/HGR_CSS
N / 070612
SAMENVATTEND OVERZICHT EN BESLUIT Jan L. Willems en Leo Goeyens PROBLEEMSTELLING In naam van de “volksgezondheid” werd zwaar getild aan de mogelijke gezondheidseffecten van het dioxine-incident dat reeds enkele maanden de voedselketen besmette toen het einde mei 1999 in de openbaarheid kwam. Op Belgisch en Europees niveau werden vergaande maatregelen genomen die van het incident een ware ramp gemaakt hebben voor de getroffen economische sector (Van Der Donckt, 2000). Deze werden tenslotte gevolgd door compensatoire maatregelen, om de economische gevolgen van de crisis te milderen. Een belangrijke vraag – of er al dan niet een ernstig gevaar was geweest, of nog is, voor de volksgezondheid – werd gesteld en enkele preliminaire risicoanalyses werden uitgevoerd (Bernard, 2000; Bernard et al., 1999; Hens, 2000; Willems, 2000). De middelen ontbraken echter om dit op een grondig wetenschappelijke wijze uit te werken. Dergelijke poging startte begin 2000, toen het Wetenschappelijk Instituut Volksgezondheid de middelen vrijmaakte om, op basis van een modelmatige aanpak, een zo gedetailleerd mogelijk antwoord op deze vraag te formuleren. Het onderzoek start van twee basisgegevens, enerzijds van de resultaten van de scheikundige analyses van een grote reeks voedingswaren aangevuld door achtergrondgegevens uit de literatuur en, anderzijds van gekende of gesimuleerde voedingspatronen van bepaalde bevolkingsgroepen. Beide databanken worden met elkaar gecombineerd om te komen tot een probabilistische schatting van de meest waarschijnlijke inname van dioxinen en PCB’s tijdens het verloop van de crisis in deze bevolkingsgroepen. Het resultaat van deze gedetailleerde blootstellingsanalyse (exposure assessment) omvat de grootte-orde van inname met haar variabiliteit van persoon tot persoon en met haar onzekerheden. Op basis van de inname kan men dan een eerste schatting doen van wat dit zou meegebracht hebben aan verhoging van de lichaamsbelasting of body burden aan dioxinen. Vergelijking van deze body burden met het potentiële gevaar (hazard) leidt dan tot de risicoanalyse (risk assessment) met schatting van mogelijke nadelige effecten op de volksgezondheid als gevolg van het geheel van de bloostelling, achtergrond en crisis. ORGANISATIE VAN DE DATABANKEN In een eerste fase werd een analyse uitgevoerd van de databank, beschikbaar op het Ministerie van Landbouw, waarin alle resultaten van de PCB- en dioxineanalyses uitgevoerd in 1999, zijn opgeslagen. Deze databank bevat resultaten van exportmonsters, sanitaire monsters en certificaatmonsters. Exportmonsters komen uit bedrijven die niet in de besmette voedingsketen zaten en de analyse nodig hadden om verder te exporteren. Sanitaire monsters komen uit geblokkeerde bedrijven die deel uitmaakten van de besmette voedingsketen. Certificaatmonsters zijn de start van de routinecontrole op alle vetbevattende voedingswaren aangevat na de crisis. Op deze wijze bevat de databank 42.396 analyseresultaten voor de 7 merker-PCB’s. Zoals hierna vermeld wordt, werd uiteindelijk alleen geput uit de 15.261 sanitaire monsters. Dit aantal werd verder gereduceerd tot 5.264, monsters afkomstig van basisvoedselingrediënten die in de voedingsketen terecht konden gekomen zijn. In 221 monsters onder deze 5.264 werd eveneens een analyse uitgevoerd naar PCDD’s en PCDF’s. Deze reductie was het gevolg van een doorgedreven kwaliteitsonderzoek van de databank waarbij een controle werd uitgevoerd op volledige identificeerbaarheid van de gegevens – plaats, oorsprong, matrix, datum van staalname – met het verwijderen van dubbele resultaten en corrigeren van tegenstrijdige. Dit gebeurde onder meer door verschillende databanken te construeren, waarvan één de verschillende congeneren, de 7 PCB-merkers en de 17 PCDD/F-congeneren bevatte, afzonderlijk manueel ingevoerd. Hierbij werden gewichtsconcentraties ingebracht en geen toxische TCDDequivalenten (TEQ) die men verkrijgt door de gewichtsconcentraties te vermenigvuldigen met toxische equivalentiefactoren (TEF). De gecensureerde waarden – de waarden beneden de detectielimieten – werden duidelijk aangemerkt, eventueel na navragen bij het laboratorium dat de analyses uitvoerde. Om de controle met onze middelen mogelijk te maken, werden de resultaten uit de originele Oracle-databank overgebracht in Access 2000 en werd een visual
−7− Hoge Gezondheidsraad Zelfbestuursstraat 4 ● 1070 Brussel ● www.health.fgov.be/HGR_CSS
N / 070612
basic software programma geschreven met als doel de kwaliteit van de databanken te controleren en eventuele fouten bij het invoeren, te verbeteren. Ook de hoofddatabank werd uiteindelijk gecorrigeerd en overgebracht in Access 2000. Zij bevat nu de resultaten (hoofdzakelijk merker-PCB’s) van 42.396 monsters, waarvan 26.666 voor varkens, 5.309 voor rund, 8.313 voor pluimvee en 495 andere. Zij dient voor het schatten van het aantal bedrijven, verdacht tijdens de crisis, en voor het schatten van de distributie van de PCBwaarden voor elke diertype, en dit voor de sanitaire en exportbedrijven afzonderlijk. Dit deel van het onderzoek wordt uitgebreid besproken in hoofdstukken I (wat betreft de uitgevoerde correcties) en II (wat betreft de invoering in de schatting van de inname). Voor de opbouw van de databank zelf wordt verwezen naar deel 2 van dit rapport. ANALYSE VAN DE CONGENERPROFIELEN Dit aspect van de studie is hoofdzakelijk gericht op een betere beschrijving van de contaminatie; zowel de kwalitatieve als de kwantitatieve kenmerken kwamen aan bod. Hierbij werd aandacht besteed aan de fingerprint of het profiel van de contaminatie in de verschillende matrices. Hierbij dienden enkele problemen aangepakt, met name de grote aantallen below detection limit (BDL) waarden, de statistische significantie van de verschillen in profiel en de beperkte beschikbaarheid aan gegevens van enkele matrices in de Certifiëring- en Exportprogramma’s. De gebruikte technieken zijn in extenso uitgelegd in Hoofdstuk 1. BDL-waarden werden ingeschat met behulp van een Markov Chain Monte Carlo simulatie eerder dan door invoering van een constante BDLwaarde. Voor de profielstudie werd een data scaling doorgevoerd met de bedoeling over genormaliseerde waarden te beschikken, waarbij de gebruikte eenheid geen rol speelt. De gegevens werden vervolgens met “traditionele” statistische bewerking en met modelmatige berekeningen verwerkt. De visualisatie is meestal gebaseerd op grafische voorstellingen van de traditionele aanpak. De verschillen tussen profielen van incident-specifieke en background monsters zijn statistisch niet significant. Dit betekent niet dat er geen verschillen zouden bestaan tussen de verschillende matrices onderling – dierenvoer en vet verschillen wel degelijk – maar bij dezelfde matrices werden geen verschillen opgetekend. Daardoor kan men vermoeden dat de achtergrondcontaminatie (die tenslotte steeds aanwezig is) en het incident senso strictu dezelfde bron hebben. VOEDSELCONSUMPTIE EN GRAAD VAN CONTAMINATIE Voedselconsumptie Bij gebrek aan recente voedingsgegevens toepasselijk op het geheel van de Belgische bevolking, werd vooreerst een databank uit 1997 gebruikt met gedetailleerde voedselconsumptiegegevens over 7 dagen bij 341 adolescenten (14-18 jaar). Op basis van oudere, vergelijkende studies tussen adolescenten en volwassenen, in 1998 nog bevestigd door een Nederlandse voedselconsumptiepeiling, kan men echter stellen dat de voedingsgewoonten van volwassenen niet fundamenteel zullen afwijken van deze van adolescenten. Toen uit een eerste modelmatige analyse van de gegevens bleek dat vis een belangrijke bron van dioxines is – wat gezien de gekende graad van besmetting niet onverwacht was – werd vervolgens een gedetailleerd, 14 dagen dieet voor coronaire patiënten als startpunt gebruikt. Het betreft een dieet voorgesteld door Europese Cardiologische Verenigingen, waarbij de inname van vis gemiddeld hoger ligt dan bij de rest van de bevolking. Daarnaast was er een tweede gedetailleerde databank beschikbaar, gebaseerd op een voedingsenquête bij 1.340 senioren (1995). Alhoewel vrijwel even gedetailleerd als deze bij de jongeren, was de bruikbaarheid ervan begrensd aangezien de enquête slechts één dag besloeg. Uit dergelijke, één-dag-voedselinname kan men geen gemiddelde inname per dag afleiden en dit is toch het basisgegeven waarop een verdere risicoschatting moet gebeuren. Alle voedingsgegevens werden dermate bewerkt dat uiteindelijk de voedselconsumptie gereduceerd werd tot de overeenkomstige individuele, dagelijkse inname van vet van de volgende oorsprong: kip, ei, melk, varken, rund, schaap, paard, vis en plant.
−8− Hoge Gezondheidsraad Zelfbestuursstraat 4 ● 1070 Brussel ● www.health.fgov.be/HGR_CSS
N / 070612
Tabel 1 vat de gemiddelde vetinname samen voor de adolescenten, de coronaire patiënt en de senioren. Voor de twee eersten is het een gemiddelde dagelijkse inname, voor de senioren het gemiddelde voor één dag, nl. de dag van de enquête. Uit de tabel blijkt een totale vetinname die bij de adolescenten hoger ligt dan in beide andere groepen, doch een vetpatroon dat gelijkaardig is bij adolescenten en senioren – voor zover het één-dag-gemiddelde van de senioren gelijkaardig zou zijn aan een gemiddelde daginname. De coronaire patiënt onderscheidt zich, zoals verwacht, door een lagere inname van vet uit melk en varkensvlees, met een hogere inname van plantaardige en visvetten. Het betreft gemiddelde waarden, individuele verschillen kunnen even belangrijk zijn als de verschillen tussen de drie groepen. Tabel 1: Gemiddelde vetinname en percentages van de belangrijkste bronnen: dagelijkse inname voor de adolescenten en voor de coronaire patiënt, gemiddelde van één dag inname voor een groep senioren. Bron Gemiddelde inname Plantaardig
Adolescenten 87,28 g/d
Coronaire patiënt 76,68 g/d
Senioren 75,45 g
51 %
74 %
49 %
Melk
24 %
11 %
25 %
Varken
13 %
1%
14 %
Vis
1%
5%
2%
Dit deel wordt in detail besproken in hoofdstuk II. Contaminatie met dioxineachtige stoffen In de eerste plaats werd een schatting uitgevoerd van de achtergrondinname van dioxineachtige stoffen. De grootte van de waarschijnlijke dioxinebesmetting werd echter niet afgeleid uit de PCBdatabank van het Ministerie van Landbouw, maar wel uit directe PCDD/Fmetingen uit België en Nederland, beschikbaar in de literatuur of rechtstreeks verkregen van laboratoria. Voor de periode van het dioxine-incident werd de PCDD/F-besmetting in kip, ei, varken en rund – die deel uitmaakten van de besmette voedselketen – afgeleid uit de sanitaire PCB-waarden uit de databank. Sanitaire monsters zijn afkomstig van productieeenheden die tot de besmette voedingsketen behoren. Tenslotte wensten wij eveneens de dioxineachtige PCB’s in te sluiten in onze schatting van de inname van dioxineachtige stoffen. Analyses waar zowel PCDD’s, PCDF’s en dioxineachtige PCB’s werden bepaald, zijn echter vrijwel niet bestaand voor 1999. Hiervoor waren wij dan ook verplicht data te gebruiken van 2000, afkomstig uit België en Nederland. Extrapolatie van dioxineachtige PCB’s uit achtergronddata naar het dioxine-incident lijkt ons verdedigbaar gezien de gelijkaardige natuur van de PCB-contaminatie in beide omstandigheden. Dit deel van het project wordt uitgebreid behandeld in hoofdstuk II. PROBABILISTISCHE SCHATTING VAN DE INNAME VAN DIOXINEACHTIGE STOFFEN Methodologie Beide basisgegevens, de voedselconsumptie en de graad van besmetting met dioxineachtige componenten, werden gecombineerd in een probabilistische innamenschatting volgens een tweedimensionale Monte Carlo analyse. Voor meer details over deze schatting zie hoodstuk II. Wat de achtergrondinname betreft, is deze schatting vrij éénduidig. De variabiliteit van de resultaten berust op de variabiliteit en de beperkingen van de verschillende gegevens waarvan wij vertrekken. Het model zelf introduceert geen onzekerheden. Door de Monte Carlo simulatie tweedimensionaal te laten verlopen met 1.500 replicaties, werden de variaties in de inputdata uitgemiddeld zodat de variabiliteit in het eindresultaat deze is tussen de verschillende individuen. Wat de inbreng van het dioxine-incident betreft, zijn de onzekerheden groter. Om dit in rekening te brengen, werden verschillende bronnen van onzekerheid in het model ingevoerd: 1) de −9− Hoge Gezondheidsraad Zelfbestuursstraat 4 ● 1070 Brussel ● www.health.fgov.be/HGR_CSS
N / 070612
waarschijnlijkheid dat een bepaald vetbestanddeel uit de sanitaire keten kwam in tegenstelling tot de niet-besmette productie-eenheden, 2) de mogelijkheid dat sommige groepen personen, met directe toegang tot besmette eenheden, duidelijk meer hadden blootgestaan dan anderen die geen contact hadden met de besmetting, 3) de onzekerheid met betrekking tot de periode van staalname die als representatief kon gezien worden voor de periode van vóór het incident openbaar werd, 4) de onzekerheid bij het afleiden van PCDD- en PCDF-concentraties uit de resultaten van de merker-PCB’s. Voor de incidentperiode krijgt men aldus een mediane onzekerheidscurve van variabiliteit tussen de individuen, samen met de 5 % en 95 % onzekerheidscurven van variabiliteit. De mediane curve is de meest waarschijnlijke, de 95 % onzekerheidscurve, waar alles samen loopt om de inname te maximaliseren, is een worst case. De duur van het incident werd genomen van begin februari tot einde mei (112 dagen), de periode waaruit de analyseresultaten werden geplukt, startte op 1 mei en eindigde voor kip en ei, de meest gecontamineerde voedingswaren, tussen 15 mei en 15 juli (simulaties A, C en D). Achtergrondblootstelling In kolom 2 van tabel 2 vindt men de geschatte innamenresultaten voor de adolescentengroep en in tabel 3 deze voor de coronaire patiënt. Voor de achtergrond wordt alleen de schatting bij mediane onzekerheid gegeven. De onzekerheidspreiding van de resultaten is met name beperkt aangezien deze alleen berust op wisselende graden van achtergrondcontaminatie. Alhoewel bij studies met betrekking tot de voedselveiligheid, die zich gewoonlijk niet richten naar extreme voedingspatronen, de percentiele verdeling over de betrokken populatie naar boven wordt beperkt tot het 97e percentiel, geven de tabellen ook het 99e. Bij de adolescenten blijft 3 % beneden 1 pg TEQ/kg bw/dag – de laagste TDI voorgesteld door de WHO – en 85 % blijven beneden 4 pg TEQ/kg bw/dag – de hoogste TDI voorgesteld door de WHO. Gezien de gelijkaardige vetinname door volwassenen, kan men verwachten dat deze zich in dezelfde grootte-orde zullen bevinden. Deze inname is volledig vergelijkbaar met waarden berekend voor andere geïndustrialiseerde Europese landen. Hierbij dienen wij de aandacht te vestigen op het feit dat de meeste beschikbare literatuurgegevens alleen de PCDD’s en PCDF’s omvatten en geen dioxineachtige PCB’s. Om ze te vergelijken met onze cijfers dienen deze laatste gedeeld te worden door ongeveer 2. Personen die het coronaire dieet precies zouden volgen, zitten boven 1 pg TEQ/kg bw/dag, 25 % onder hen blijven beneden 4 pg TEQ/kg bw/dag. Bij de senioren ziet men een mediane, één-dag-inname die beduidend lager is dan deze van de adolescenten (tabel 4). Een volledige vergelijking tussen deze groepen is niet mogelijk aangezien het bij de senioren om één toevallige dag gaat en niet over een dagelijkse inname gemeten over verschillende dagen. Wel kan men aanvaarden dat de mediane of gemiddelde inname over één dag, vrij goed zal overeenkomen met een mediane of gemiddelde inname over verschillende dagen. Wanneer men de dagelijkse inname aan dioxineachtige stoffen in achtergrondomstandigheden bij de adolescenten verdeelt over de verschillende mogelijke bronnen, dan blijken melk en afgeleide producten belangrijk te zijn, vrij homogeen over de gehele groep. Vis en afgeleide producten worden de voornaamste bronnen vanaf het 85e percentiel en verklaren vrijwel volledig de verhoogde dioxine-inname aan de hoogste percentielen. Bij het coronaire dieet spelen melk en afgeleide producten veel minder een rol en wordt vis over het hele variabiliteitsverloop de voornaamste bron. Terzelfder tijd doet dit de mediane variabiliteitscurve bij deze patiënten stijgen boven deze van de adolescenten. Dat de stijging hier bij de hogere percentielen minder uitgesproken is, is te wijten aan de beperking die het model oplegt, deze patiënten worden namelijk verondersteld hun dieet strikt te volgen. Inname gedurende het dioxine-incident 1999 Tabellen 2 en 3 geven de geschatte innamenresultaten tijdens het dioxine-incident. Hier zijn de verschillen in de waarden aan het 5 %, mediane en 95 % niveau van onzekerheid beduidend groter dan bij achtergrondblootstelling. Dit is de uitdrukking van de wijze waarop het model met de ingevoerde onzekerheden rekening houdt. − 10 − Hoge Gezondheidsraad Zelfbestuursstraat 4 ● 1070 Brussel ● www.health.fgov.be/HGR_CSS
N / 070612
Tabel 2: Dagelijkse inname van de som van PCDD, PCDF en dioxineachtige PCB (pg TEQ/kg bw/d) via de voeding in de opeenvolgende percentielen van de adolescentenpopulatie in condities van achtergrondbesmetting en gedurende het dioxine-incident (op basis van een 7 dagen voedingsanalyse). Achtergrond
Incident simulatie A
Percentiel mediane onzekerheid
5% onzekerheid
mediane onzekerheid
95 % onzekerheid
1
0,68
0,72
0,78
1,24
3
0,93
1,02
1,10
1,84
5
1,15
1,28
1,39
2,11
25
1,85
2,05
2,20
4,46
50
2,53
2,78
2,98
8,49
75
3,30
3,65
4,02
16,91
95
6,52
7,17
8,46
47,23
97
7,47
8,39
10,53
58,04
99
9,65
11,26
19,58
94,62
Bij de adolescenten blijft nu slechts 2 % beneden 1 pg TEQ/kg bw/dag en 76 % blijven beneden 4 pg TEQ/kg bw/dag. Ook hier veronderstellen we een gelijkaardige verandering bij volwassenen. Voor de coronaire patiënten daalt het percentage dat beneden 4 pg TEQ/kg bw/dag zit van 25 naar 14. Wanneer de meest waarschijnlijke waarden (deze aan mediane onzekerheid) vergeleken worden met de achtergrondinname, dan blijkt dat de toename beperkt blijft, tenzij voor de hogere percentielen. De waarden aan het 95 % niveau van onzekerheid vertegenwoordigen een maximale combinatie aan hogere contaminaties, zodat deze waarden als een worst case kunnen beschouwd worden. Voor de meeste individuen in de twee groepen volgt de beperkte innamenverhoging de verhoogde contaminatie van kip, ei, varken en rund. Vis blijft echter een belangrijke bron bij de hogere percentielen (85e), terwijl kip de bovenhand neemt aan de hoogste percentielen (95e). Tabel 3: Dagelijkse inname van de som van PCDD, PCDF en dioxineachtige PCB (pg TEQ/kg bw/d) via de voeding in de opeenvolgende percentielen van een groep coronaire patiënten die een strikt een dieet volgen, in condities van achtergrondbesmetting en gedurende het dioxine-incident (op basis van een 14 dagen typedieet). Achtergrond
Incident simulatie C
Percentiel 1
mediane onzekerheid 3,26
5% onzekerheid 3,26
mediane onzekerheid 3,38
95 % onzekerheid 4,18
3
3,41
3,43
3,55
4,56
5
3,52
3,54
3,65
4,85
25
3,99
4,04
4,14
6,41
50
4,41
4,48
4,62
8,98
75
4,94
5,04
5,24
13,89
95
5,87
6,12
6,73
27,77
97
6,14
6,44
7,78
32,57
99
6,65
7,30
13,71
43,70
− 11 − Hoge Gezondheidsraad Zelfbestuursstraat 4 ● 1070 Brussel ● www.health.fgov.be/HGR_CSS
N / 070612
Tabel 4: Eén dag inname van de som van PCDD, PCDF en dioxineachtige PCB (pg TEQ/kg bw/d) via de voeding in de opeenvolgende percentielen van een groep senioren, in condities van achtergrondbesmetting en gedurende het dioxine-incident (op basis van één dag registratie van het voedselgebruik). Achtergrond
Incident simulatie D
Percentiel
1
mediane onzekerheid 0,03
5% onzekerheid 0,03
mediane onzekerheid 0,04
95 % onzekerheid 0,04
3
0,10
0,09
0,11
0,12
5
0,15
0,15
0,16
0,18
25
0,58
0,61
0,64
0,67
50
1,21
1,27
1,32
1,42
75
2,40
2,52
2,64
3,05
95
8,00
8,13
9,24
21,42
97
12,23
11,97
14,15
48,87
99
27,13
25,92
31,90
250,31
Tabel 4 geeft analoge resultaten voor de senioren, maar nu op basis van één dag voedinggegevens. De stijging kan dus niet direct vergeleken worden met de andere groepen en de vrij hoge waarden aan de hoge percentielen zijn zeker geen afbeelding van een dagelijkse inname. BEREKENING VAN DE LICHAAMSBELASTING EN RISICOSCHATTING Lichaamsbelasting De toxicologisch relevante dioxineachtige contaminanten vertonen een grote vetoplosbaarheid en een trage eliminatie uit het lichaam. Het resultaat hiervan is dat ze zich langzaam opstapelen tot er een evenwicht is bereikt tussen inname en uitscheiding. Daarnaast neemt men aan dat de grootte van de nadelige effecten van deze stoffen eerder functie is van de bekomen lichaamsbelasting of body burden dan van de dagdosis. Om deze redenen wordt bij extrapolatie van het dierexperiment naar de mens de tussenstap via de lichaamsbelasting doorgevoerd (Scientific Committee on Food, 2000; WHO-ECEH-IPCS, 2000). Wij simuleerden de body burden volgens een eenvoudig één-compartimenteel model en in functie van verschillende scenario’s. Deze scenario’s hadden als voornaamste doel tot concrete cijfers te komen, ook al zijn de aannamen voor kritiek vatbaar. Het doel was te komen tot een schatting van de relatieve stijging van de lichaamsbelasting door het dioxine-incident in vergelijking met de achtergrondlichaamsbelasting. Wij veronderstelden een mediane achtergrondinname, zoals deze bij de adolescenten, van bij de geboorte tot de leeftijd van 50 jaar, waarna de inname werd ingevoerd van de coronaire patiënt tot de leeftijd van 60 jaar. Dit geeft schattingen van een mogelijke lichaamsbelasting aan 16 jaar en aan 60 jaar. Vervolgens wordt hierop een complementaire inname geprojecteerd, gedurende 4 maanden, deze van de adolescenten aan 16 jaar en deze van de coronaire patiënt aan 60 jaar, en dit in het meest waarschijnlijke geval (mediane niveau van onzekerheid) en in een worst case (95 % niveau van onzekerheid). De bekomen resultaten worden samengevat in tabel 5. Gezien de bemerking hiervoor – met betrekking tot de mogelijke inname door volwassenen – durven wij stellen dat de extrapolatie vanuit de adolescenten een aanvaardbare schatting betekent, ook voor volwassenen. De resultaten laten een achtergrondlichaamsbelasting zien die gelijkaardig is aan lichaamsbelastingen gepubliceerd in de literatuur en aan deze afgeleid uit recente metingen bij − 12 − Hoge Gezondheidsraad Zelfbestuursstraat 4 ● 1070 Brussel ● www.health.fgov.be/HGR_CSS
N / 070612
adolescenten en volwassen vrouwen in drie Vlaamse gemeenten. Dit laatste zou kunnen gezien worden als een indirecte validering van de door ons gevolgde probabilistische berekeningen. Validering van de voorspelling van de lichaamsbelasting als gevolg van het dioxine-incident is minder eenvoudig. Aan de ene kant zijn er de resultaten uit het Vlaamse gezondheidsonderzoek die inderdaad geen hoge lichaamsbelastingen laten zien, maar anderzijds weten wij niet of deze personen al dan niet sterk aan het incident zijn blootgesteld. Om dit te valideren zouden wij een directe lichaamsbelasting moeten meten bij personen die direct producten verbruikten van de meest besmette bedrijven. Voorstellen voor dergelijke studies werden voorgelegd in volle crisisperiode maar niet gehonoreerd. Een meer gedetailleerd verslag hiervan vindt men in hoofdstuk III. Tabel 5: Modelmatig geschatte lichaamsbelasting in achtergrondomstandigheden aan 16 en 60 jaar, samen met de meest waarschijnlijke (mediane onzekerheid) en worst case (95 % onzekerheid) verhoging aan het einde van het gesimuleerde dioxine-incident.
populatieverdeling 50e percentiel 75e percentiel
Geschatte lichaamsbelasting aan 16 jarige leeftijd (ng TEQ/kg bw) Achtergrondlichaamsbelasting Lichaamsbelasting einde incident aan mediane onzekerheid aan 95 % onzekerheid 3,89 3,91 4,22 5,07
5,11
5,83
e
10 ,03
10,13
12,27
e
11,49
11,65
14,28
e
14,84
15,39
19,53
95 percentiel 97 percentiel 99 percentiel
populatieverdeling 50e percentiel 75e percentiel
Geschatte lichaamsbelasting aan 60 jarige leeftijd (ng TEQ/kg bw) Achtergrondlichaamsbelasting Lichaamsbelasting einde incident aan mediane onzekerheid aan 95 % onzekerheid 7,24 7,25 7,39 8,47
8,48
8,76
e
12,05
12,08
12,77
e
13,10
13,15
13,97
e
15,38
15,61
16,62
95 percentiel 97 percentiel 99 percentiel
Risicoschatting Wanneer de geschatte lichaamsbelastingen vergeleken worden met lichaamsbelastingen die bij het proefdier gepaard gaan met een verhoogde incidentie van nadelige gezondheidseffecten, dan stelt men vast dat de geschatte waarden lager zijn, ook na het dioxine-incident. De kans is bijgevolg klein dat er een merkbare verhoging van incidentie van gezondheidsschade zal optreden bij de algemene bevolking. Dit sluit echter niet uit dat sommigen in de hoogste blootstellinggroepen aan de rand zitten van toxiciteit en dat bij hen toch schade zal optreden. Tenzij er een streng doorgevoerde follow up zou uitgevoerd worden, bijvoorbeeld bij vrouwen die zwanger waren of borstvoeding gaven en rechtstreeks in contact waren met gecontamineerde kipbedrijven, zal deze gezondheidsschade niet gedetecteerd worden. Bij deze conclusie volgen wij het principe dat de effecten van dioxinen een drempelwaarde vertonen, dat met name beneden een bepaalde belasting het effect verwaarloosbaar is, zonder dat er een poging wordt gedaan het te kwantificeren. Dit principe, dat aanleiding heeft gegeven tot de vastlegging van een TDI, wordt in Europa toegepast zowel op de storende effecten op de ontwikkeling van jonge dieren, op endocriene stoornissen als op kankerpromotie (Scientific Committee on Food, 2000; WHO-ECEH-IPCS, 2000). Enzyme-inducties zouden wel optreden − 13 − Hoge Gezondheidsraad Zelfbestuursstraat 4 ● 1070 Brussel ● www.health.fgov.be/HGR_CSS
N / 070612
aan lagere lichaamsbelastingen, beneden 10 ng TEQ/kg bw, maar het belang ervan met betrekking tot gezondheidsschade ligt niet vast. In tegenstelling hiermee neemt de USEPA geen drempelwaarde aan voor carcinogene stoffen, ook niet voor kankerpromotoren, en bepaalt bijgevolg een kwantitatief risico voor carcinogeniteit. Deze cancer potency-waarden veranderen nogal in de tijd naargelang men meer belang hecht aan één of ander experimenteel resultaat of aan waarnemingen bij de mens. Deze berekeningen gebeuren echter altijd vertrekkende van relatief hoge dosissen en met extrapolatie naar lage dosissen. In België gaf dergelijke procedure aanleiding tot het voorspellen van 8.000 extra kankerdoden in de volgende 70 jaar als gevolg van het dioxine-incident – cijfer dat moet vergeleken worden met de verwachte 2.000.000 tot 3.000.000 kankerdoden in België over 70 jaar. Wij zijn geen voorstander van dergelijke voorspellingen en vinden dat uitspraken over verhoogde kankersterfte als gevolg van het dioxine-incident slechts kunnen gebeuren met volle aandacht voor de onzekerheden daaromtrent, iets wat gewoonlijk verloren gaat in het proces van risico-informatie naar het publiek toe. Ook in de VS gaan meer en meer stemmen op om deze low dose extrapolation eerder te zien als een criterium voor het nemen van de meest dringende maatregelen doch niet als een voorspellend model in een concrete situatie. Hoofdstuk III gaat dieper in op de risicoschatting. BESLUIT ⇒ Wij voerden een probabilistische schatting uit van de inname van PCDD’s, PCDF’s en dioxineachtige PCB’s op basis van gedetailleerde voedselinnamen en graad van contaminatie in achtergrondomstandigheden en tijdens het dioxine-incident. Deze schatting maakte gebruik van een twee-dimensionele Monte Carlo analyse. ⇒ De verschillen tussen profielen van incident-specifieke en background monsters is statistisch niet significant. Daardoor kan men vermoeden dat de achtergrondcontaminatie (die tenslotte steeds aanwezig is) en het incident senso strictu dezelfde bron hebben. ⇒ Uit de gegevensbank met analytische resultaten uit de incidentperiode werden alleen resultaten gebruikt die goed geïdentificeerd waren en afkomstig waren van basisvoedingsmiddelen die rechtstreeks in de menselijke voedingsketen terecht kwamen. ⇒ De volgende voedselconsumptiegegevens werden gebruikt: een gedetailleerde, 7-dagen enquête bij adolescenten, een gedetailleerd, 14-dagen dieet voor coronaire patiënten en een één-dag enquête bij senioren. ⇒ Het resultaat toont een globale inname van dioxineachtige stoffen die gelijkaardig is aan deze in andere geïndustrialiseerde landen. Drie % van de adolescenten blijft beneden 1 pg TEQ/kg bw/dag – de lagere TDI van de WGO; 85 % van de adolescenten en 25 % van de coronaire patiënten blijven beneden 4 pg TEQ/kg bw/dag – de hogere TDI van de WGO. Melk en hiervan afgeleide producten zijn een belangrijke bron voor het geheel van de groepen, vis is de belangrijkste bron voor deze met een hogere inname. ⇒ Tijdens het dioxine-incident treedt er een matige toename op van de inname bij de meeste leden van deze groepen. Twee % van de adolescenten blijven nu beneden 1 pg TEQ/kg bw/dag, 76 % van de adolescenten en 17 % van de coronaire patiënten blijven onder 4 pg/kg bw/dag. In enkele gevallen treedt er een belangrijke toename op, vooral berustend op een aanbreng via de kip. ⇒ Ondanks de verhoogde inname aan de hoogste percentielen blijft de hieruit voortvolgende lichaamsbelasting beneden het niveau waarbij bij het proefdier een toename werd gezien van de incidentie aan nadelige gezondheidseffecten. Dit maakt het onwaarschijnlijk dat gezondheidseffecten zullen gedetecteerd worden bij de algemene bevolking, maar sluit niet uit dat bij sommigen van de hoogst blootgestelden er zich toch effecten zullen ontwikkelen. Alleen een rigoureuze epidemiologische studie zou dit echter kunnen detecteren.
− 14 − Hoge Gezondheidsraad Zelfbestuursstraat 4 ● 1070 Brussel ● www.health.fgov.be/HGR_CSS
N / 070612
MEDEWERKERS Vakgroep Farmacologie Heymans Instituut, Gezondheidswetenschappen, Universiteit Gent Bilau Maaike Vanpoucke Isolde Vrijens Bernard Willems Jan Vakgroep Maatschappelijke Gezondheidszorg, Gezondheidswetenschappen, Universiteit Gent Bellemans Mia De Backer Guy De Henauw Stefaan De Maeyer Mieke Matthys Christophe
Faculteit
Faculteit
Geneeskunde
Geneeskunde
en
en
Vakgroep Levensmiddelentechnologie en Voeding, Faculteit Landbouwkundige en Toegepaste Wetenschappen, Universiteit Gent Dewettinck Koen Huyghebaert Andre Mulas Silvano Vakgroep Toegepaste Wiskunde en Informatica, Faculteit Wetenschappen, Universiteit Gent Goetghebeur Els Departement Farmaco-Bromatologie, Brussel Goeyens Leo Srebrnik Sarah Talloen Willem Vleminckx Michael Vrijens Bernard
Wetenschappelijk
Instituut
Volksgezondheid,
Consum data bank, Federaal Ministerie van Landbouw en Kleine en Middelgrote Ondernemingen, Brussel De Cock An De Poorter Geert Vleminckx Michael OPDRACHTGEVER Federaal Ministerie van Volksgezondheid, Brussel FINANCIERING Wetenschappelijk Instituut Volksgezondheid, Brussel Ministerie van Landbouw en Kleine en Middelgrote Ondernemingen, Brussel Universiteit Gent
− 15 − Hoge Gezondheidsraad Zelfbestuursstraat 4 ● 1070 Brussel ● www.health.fgov.be/HGR_CSS
Chapter I: The dioxin and polychlorinated biphenyl contamination of the 1999 food chain: a critical analysis
Willem Talloen, Bernard Vrijens, Sarah Srebrnik and Leo Goeyens
Contents
1
Introduction ....................................................................................................................... 3
2
Materials and methods...................................................................................................... 7
3
Results............................................................................................................................... 11
4
3.1
General description of the data................................................................................ 11
3.2
Degree of contamination ......................................................................................... 12
3.3
Congener specific analyses...................................................................................... 14
3.4
Furans : dioxin : PCB ratios .................................................................................... 16
3.5
Profile comparisons ................................................................................................. 17
3.5.1
Pairwise correlations ........................................................................................... 17
3.5.2
PCB profiles ......................................................................................................... 18
3.5.3
Dioxin and furan profiles ..................................................................................... 21
3.5.4
Principal component analysis .............................................................................. 21
3.5.5
Relation to Aroclor mixtures ................................................................................ 22
Conclusion ........................................................................................................................ 23
1
Introduction
The Belgian dioxin/PCB crisis — In February and March 1999 Belgian farmers especially witnessed significant decreases in egg production and egg hatching as well as increased mortality of chicks. These were indicator observations of a dioxi n/PCB crisis which incriminated the livestock feed sector. At the origin of this contamination was a fat rendering company, where one animal fat tank was contaminated (voluntary or accidentally) with polychloro biphenyls (PCBs) and dioxins (Ashraf, 1999). Feeding stuff manufactured with this fat was delivered to many poultry, pig and cattle farms. Since the source of dioxins was found to be PCBs, the Belgian government installed a thorough monitoring program making the link between dioxins and the 7 marker PCBs. Contaminated samples contained consistently enhanced concentrations of PCBs; the highest values observed amounted to ~0.5 mg PCB g-1 fat and ~10 ng TEQ g-1 fat, respectively. On average, the PCB to dioxin ratio (pg PCBs per g fat : pg TEQ per g fat) was 50000:1, a constant PCB to dioxin ratio which refers predominantly to the chicken fat and egg analyses carried out during the earliest phase of the crisis. Pork and beef data show largely deviating PCB to dioxin ratios, however (Vrijens et al., this issue). This 50000:1 ratio led to the implementation of a maximal tolerance level of 200 ng PCB g-1 fat to be applied as risk management tool during the crisis. In addition to the intensive monitoring program, identified as sanitair (SANI), a certification system was installed for both the export market as well as the intracommunity trade. These samples, termed export (EXPO) and certificate (CERT) samples respectively, will be used in the present study as representative of background contamination, because they are assumed not to be affected by the feed incident. Properties and sources of dioxins and dioxin-like PCBs — Dioxins is the general collective term for chlorinated aromatic compounds, consisting of a group called polychloro dibenzo-pdioxins (PCDDs) and polychloro dibenzofurans (PCDFs). The group of PCDDs consists of 75 congeners (similar but not isomeric molecular structures), whereas the group of PCDFs consists of 135 congeners (Figure 1). 2,3,7,8- Tetrachloro dibenzo-p-dioxin (TCDD) is the prototype for this class of aromatic hydrocarbons which have similar patterns of toxicity. Characteristic of all the compounds is their high melting point, low vapour pressure and good solubility in and affinity for apolar media. Therefore, PCDDs and PCDFs have been identified worldwide in very diverse environmental media (Safe, 1994). Moreover, they accumulate and
biomagnify in the food chain due to elevated fat solubility and pronounced resistance towards metabolic degradation. In contrast to the dioxins’ group which does not have any known use and is not synthesized intentionally, PCBs had well specified commercial uses such as dielectric, heat-exchange and hydraulic fluids in capacitors and transformers. Their production has ceased decades ago, but they are still among the priority global contaminants. Chemically, the term PCBs denotes a family of 209 congeners (Figure 2), which exhibit a wide range of toxicological properties. The congeners differ by their number and position of chlorine atoms. PCBs are usually present in environmental samples as complex mixtures of about 135 congeners (Ballschmiter and Zell, 1980), not all of them having the same importance and toxicity. Some of them such as PCBs 28, 52, 101, 118, 138, 153 and 180 (7 marker PCBs; Ballschmiter and Zell, 1980) are used for biomonitoring studies due to their high concentration in technical mixtures and recalcitrance (Serrano et al., 2000). Those PCBs known as dioxin-like are potentially the most toxic given their structural similarity to PCDDs and PCDFs. They are likely to achieve dioxin-like planar configurations due to two or less chlorine atoms at their ortho positions. One distinguishes non-ortho, monoortho and di-ortho PCBs (Figure 2), with non-ortho PCBs being considered to be most toxic as they exhibit a co-planar structure. Dioxins have the well-deserved reputation of being the most potent man-made biological agents and along with the dioxin-like PCBs they are ubiquitous in the environment (Clapp and Ozonoff, 2000). Dioxins are primarily released to the environment through emissions from the incineration of municipal, chemical and medical wastes, from backyard burning and from improper disposal of chlorinated chemical wastes. Other sources might previously have gone unnoticed but are potentially important. Baker and Hites (2000) e.g. conclude that photochemical synthesis of octachloro dibenzo-p-dioxin (OCDD) from pentachlorophenol (PCP) in atmospheric water is a most significant source of OCDD in the environment. PCDDs, PCDFs and PCBs occur in general as extremely complex mixtures of congeners, their relative concentrations differing substantially across the “contaminated” matrices due to differences in solubility, volatility and metabolic rates. Release of PCDDs and PCDFs occurs mainly as impurities or by-products associated with anthropogenic activities as well as natural processes (e.g. volcano outbursts and forest fires). This complexity of contaminant mixtures enhances dramatically the difficulty of risk evaluation for humans and wildlife. Because of the need to estimate the toxicity, the international community came up with the concept of
toxic equivalency factors (TEFs) to address and facilitate risk assessment. Different TEF schemes have been developed (Barnes et al., 1989; NATO; Ahlborg et al., 1994; Van de Berg et al., 1998; Safe, 1997 and 1998). The most recent consensus TEFs for humans, fish and wildlife risk assessment were derived at a WHO/IPCS (World Health Organisation / International Program on Chemical Safety) meeting in Stockholm on 15-18 June 1997 (Van de Berg et al., 1998 and 2000). There is an agreement that most effects of PCDDs, PCDFs, and dioxin-like PCBs are mediated through the action of the aryl hydrocarbon receptor (AhR), a cytosolic protein characterised by high affinity for these compounds (Birnbaum, 1994; Denison and HeathPagliuso, 1998). The occurrence of this common mechanism legitimates the use of the TEF concept even when the quantitative response of the species varies. Congeners with 4 lateral chlorine atoms exhibit strongest effects; increasing chlorination reduces the potency mainly by decreasing the Ah receptor binding. Toxic potencies of the different congeners relative to TCDD are indicated by their corresponding TEF values. TEFs have been assigned to 7 dioxins, 10 furans and 12 PCBs. They range from 0.00001 to 1, what illustrates the pronounced variability in toxicity (Van den Berg et al., 2000). TEFs in combination with the chemical
residue
value—predominantly congener
concentrations
obtained
by
gas
chromatography-high resolution mass spectroscopy—are used to calculate the toxic equivalent concentrations (TEQs) in the samples: TEQ = Σ (PCDDi x TEFi) + Σ (PCDFi x TEFi) + Σ (PCBi x TEFi). Considering adverse hormonal, reproduction and developmental effects seen in animal studies, a consultation convened by the WHO established a tolerable daily intake (TDI) range from 1 to 4 pg TEQ per kilogram body weight (WHO, 1999). Congener-specific fingerprinting — Since dioxins and PCBs are most often detected as complex congener mixtures, their relative composition serves as a “fingerprint” or “signature” of the contamination. Fingerprinting has found interesting applications in contamination source identification, categorization and classification of chemicals, elucidation of transport and transformation pathways as well as formation mechanisms (Liebman, 1978; Buekens et al., 2000). During the last decades multivariate fingerprinting has been ameliorated, and nowadays congener-specific pattern recognition techniques are an important statistical tool in the analytical laboratory (Ferguson, 1998). These methodologies were utilized in a number of
investigations linking environmental concentrations to their original point source (Luotamo et al., 1991). The application of chemometrics became an increasingly important tool to recognize and distinguish chemical fingerprint patterns; its suitability was often shown by evaluations of similarities and differences of discrete sets of environmental samples. Researchers noticed the advantages of the pattern-recognition methodology in studies addressing the quality of the data, identifying similar sample groups, determining prevalent chemical constituents or physical attributes among different samples or providing a classification method for identifying the group or class to which a sample corresponds (Wenning et al., 1993). For example, multivariate data analysis techniques such as Principle Components Analysis (PCA) have been succesfully used to characterise the congener-specific fingerprint of dioxincontaminated sediments and soils and to differentiate the sources of these contaminants in the environment (Stalling et al., 1985; Wenning et al., 1993; Schuhmacher et al., 2000). Buekens et al. (1998 and 2000) have compared the PCDD/F profiles from eight different kinds of industrial metallurgical processes. More relevant to the current study is the application of suchlike pattern recognition techniques to concentrations present in biological receptors. A non-exhaustive list of illustrative studies refers amongst others to investigations on herring gull eggs of the Great Lakes (Macdonald et al., 1992), on Forster’s terns eggs of the Wisconsin region (Schwartz and Stalling, 1991), on bioaccumulation rates in different fish (De Boer and Stronck, 1993; Foster et al., 1999; Serrano et al., 2000) and fish-eating wildlife (de Wit et al., 1992; Storr-Hansen et al., 1995) and on dioxins’ presence in cow milk following ingestion of PCP treated wood (Fries et al., 1999). Typically this form of investigative analyses faces difficulties due to the ubiquitous nature of the studied compounds, the lack of background data, and the enhancing influences of other external contaminant sources. However, with the EXPO and CERT data, which are assumed not to be contaminated by the incident, the available dataset allows for exploration of possible differences between incident contaminated and background contaminated samples in a variety of matrices. Objectives — The present study aims primarily at a qualitative and quantitative description of the dioxins and PCBs contamination in multifold matrices sampled during the crisis. Congener specific profiles or fingerprints are studied in order to highlight incident-specific impacts, consistency between and within the sampled matrices and differences in
contamination patterns between incident contaminated and background contaminated samples.
2
Materials and methods
Data sets — The majority of samples taken within the framework of the EXPO, CERT and SANI programs were analysed for 7 PCB congeners; positive samples were in general analysed for 17 PCDD/F congeners. Standard PCB analyses, either carried out by gas chromatography-mass spectroscopy (GC/MS) or gas chromatography with electron capture detection (GC/ECD), consisted in detection and quantification of 7 marker PCBs. Quantifications were not always possible, however, due to numerous below detection limit concentrations. Each single analysis i combines information on sample characteristics (such as sampling moment, sampling location, laboratory, ...) with a vector Yi = (yij, j=1, ..., 7) which is a function of the concentrations of the 7 marker PCBs. Generally, the 7 marker PCBs contribute for approximately one third of the whole PCB content in the contaminated feed (Tuomisto, 1999). Most of the positive samples, meaning samples exhibiting PCB concentrations exceeding 200 ng g-1 fat, were additionally analysed for PCDD and PCDF concentrations. This resulted in PCDD/F profiles, determined according to the reference GC-HRMS technique. Sample sizes of PCB and PCDD/F analyses for the matrices animal feed, eggs, milk, chicken, beef, pork and derived products are given in Tables 1 and 2 , respectively. In order to verify the quality of the PCB analyses performed, an intercomparison study was organised by the dioxin-PCB unit of the Ministries of Public Health and Agriculture (Beernaert and De Poorter, personal communication). This study revealed very high coefficients of variation under repeatability and reproducibility conditions. The inter- and intralaboratory differences in accuracy showed considerable variability, calling into question the participation of some of the laboratories and complicating the subsequent data handling.
Table 1: Sample sizes of PCB analyses per matrix for the three different datasets. The PCB analyses from the data in table 2 are here also included. CERT
EXPO
SANI
Feed
0
0
17
Eggs
1
9
95
Milk
0
0
151
Poultry
14
9
179
Beef
0
33
75
Pork
65
71
1947
Otherwise, original data spreadsheets set up during the crisis required thorough clean-up before use. During the crisis only the sum of the 7 PCB concentrations was entered in a digital data file. In view of the present profile study, congener-specific concentrations were also introduced. Therefore, a straightforward comparison of introduced summed PCB concentrations (first data set) and calculated summed PCB concentrations (second data set) could be carried out. When independently introduced total concentrations did not match, corresponding sample data were corrected for typing errors. Moreover, any doubtful introductions as well as duplicates were consistently deleted before further use of the data set.
Table 2: Sample sizes of PCDD/F analyses per matrix for the three different datasets CERT
EXPO
SANI
Feed
0
0
13
Eggs
0
6
60
Milk
0
0
140
Poultry
11
8
40
Beef
0
33
22
Pork
50
52
244
Below detection limits — In experimental data on contaminants in water, air, soil, tissue, and other samples, values lower than the procedural detection limit (DL) are common occurrence, which complicates statistical analysis. The so-called "below detection limits" (BDLs) present a serious interpretation problem (Helsel, 1990) because the left tail of the distribution pattern is censored.
Many common practices for handling BDLs, such as deletion of these values or simple substition of each value by either zero, or the DL or half of the DL are known to generate biased estimates for means and variances. Moreover, they lack sound statistical justification (Helsel, 1990; Slymen and de Peyster, 1994). Substitution by zero or the DL will respectively result in underestimates and overestimates of the “true” concentration. Hoogerbrugge and Liem (2000) showed that imputation of one half the DL improved remarkably the estimates compared to substitution by zero or the value of the DL. However, substitution by one half of the DL assumes uniformly distributed values between zero and the DL, which is inconsistent with typical distributional assumptions for values above the DL, such as the normal or lognormal distrbutions. Moreover, replacing each value below the detection limit with the same value alters the variation attributable to the sample. Unbiased estimates of the “true” BDLs are therefore highly desirable. A variety of different statistical techniques are available for estimating parameters of censored data derived from environmental sampling. Historically, a number of investigators have used the maximum likelihood estimates (MLE), based on specific distributions (e.g. normal, lognormal, delta, etc.), to estimate the missing data points (Owen and DeRouen, 1981). Another commonly used technique involves estimations of missing data in censored observations from a least squares regression on expected order statistics in order to fit the uncensored observations plotted on a log-probability scale (Newman et al., 1989; Gilliom and Helsel, 1986). More recently Bayesian techniques have become the preferred method for data extrapolation by revising prior probabilities based on additional available information, however (Ferguson, 1998). In addition to the application of the mentionned Bayesian approach, exploratory comparisons of the profiles were done by visual inspection of data, with values below the detection limit being replaced by one half the value of the DL. When analysing the sum of the concentrations (either PCBs or PCDD/Fs) the data are univariate (i.e. they depend on one variable only) and, therefore, censoring through the use of regression models within the framework of survival analysis (Slymen and de Peyster, 1994) is appropriate. Vrijens et al. (this issue) have elaborated this modelling approach. On the other hand, profile investigation requires the inspection of multifold measurements (of the different congeners) for each sample. Thus the data are multivariate distributed (i.e. they depend on more than one variable), which complicates the accommodation of the BDLs. A Bayesian approach in combination with Markov Chain-Monte Carlo (MCMC) simulation (Talloen et al., 2000) is used for the tests
and profile investigations. The accommodation of censoring being nowadays impossible with PCA, a “traditional” PCA investigation of the data sets was carried out after substitution of BDLs by zero, half of the DL and the DL. Data scaling and transformation — In accordance with Schwartz and Stalling (1991) and Wenning et al. (1993), the data were scaled to minimize the statistical bias associated with differences in chemical concentrations exceeding one order of magnitude. As the results of pattern recognition analyses such as PCA are highly influenced by the applied scaling procedure, careful consideration must be given to the appropriate scaling method (Wenning et al., 1993). In each matrix the concentrations were scaled by expressing the concentrations as percentages of the combined sum of the concentrations (i.e. the mass fractions of the specific congeners). Scaling the data results in removal of differences based on congener-specific concentration levels and allows, therefore, for an investigation and comparison of the proper PCB, PCDD and PCDF profiles. Moreover, this use of percentages installs a common metric for variable concentrations and units (e.g. ppt, ng m-³ or others) and normalises the distribution. Profile modelling using a MCMC approach — It is here suggested to model the percentages (i.e., the scaled concentrations) as if they issued from a multinomial distribution. In order to acknowledge for extra-multinomial variation that can be expected to arise from concentration data, random effects were added. This was implemented in a MCMC framework by means of the Multinomial-Poisson transformation (Baker, 1994), where censored observations are included in an appropriate way by introducing an additional parameter for each censored observation (BDL). In this way, all conditional distributions remain unchanged from the analysis with no censored observations and a new set of conditional distributions for the set of censored observations is introduced. An additional advantage of this approach is that it provides estimates of the full posterior distributions of the parameters, implying that the estimates are based on both parameters as data, and not merely on the data as in traditional statistics. This MCMC approach is carried out in a Bayesian inference framework using Gibbs sampling as simulation technique in the Software WinBUGS 1.2 (Spiegelhalter et al., 1995). Principal component analysis — PCA considers the problem of analysing the structure of the interrelationships among a large number of variables (i.e., the scaled congener-specific concentrations) within the dataset (i.e. matrix- or contamination-specific samples) by defining a set of common underlying dimensions, termed factors, with as little loss of information as possible. More specifically, PCA techniques can satisfy either of two objectives: (1)
identifying structure through data summarisation or (2) data reduction (Johnson and Wichern, 1992). For the purpose of the current study, computing the principle components (PCs) allows for the reduction of the dimensionality of the data under consideration (i.e. the number of PCB, dioxin or furan congeners considered indicative of a specific chemical fingerprint). The goal of principle component analysis is to maximize the variance of a linear combination of the variables (i.e. an array of all possible bivariate correlations between variables). Aiming at a linear combination with maximal variance, the researcher is essentially searching for a dimension (or several dimensions) along which the observations are maximally separated and distinct with respect to their bivariate intercorrelational structure (Rencher, 1995). In essence, PCAs should allow for reduction of 7 PCB congener or 17 dioxin and furan congener variables to approximately 2 to 4 factors, representative of the entire profile. The power of principle components modelling of multivariate data, such as met in complex mixtures, provides a basis for graphical presentation of sample similarity, that complements more traditional statistical analyses (Stalling et al., 1986). As noted previously, PCA models project data from a multidimensional space (n dimensions) onto a lower dimensional space (generally two or three dimensions) in a way that preserves the maximum amount of variance and relations among samples and variables (Schwartz and Stalling, 1991). In the field of statistics the factors are affected by little changes in the large numbers of variables, a problem typically referred to as closure of the data (Schwartz and Stalling, 1991). Logarithmic transformations (Townsend, 1986; Norwood et al., 1989), normalization (Stalling et al., 1985), and autoscaling (Zitko, 1989) are the methods most frequently used as precursors to pattern recognition analyses (Wenning et al., 1993a). In the present PCA analysis the autoscaled values are implemented.
3
Results
3.1
General description of the data
The data used for this study are classified in sampling sets that differ in sampling conditions and motivations. SANI samples were taken within the framework of the sanitary investigations of farms, upon which a distress was levied (De Cock, 2000). This sample set contains screening samples of the contaminated products and the resulting values will consequently be considered as the incident-specific data. EXPO and CERT samplings refer to samples taken within the framework of the export procedure (ministerial decree of August 6,
1999) and within the framework of the enterprises’ certification procedure (ministerial decree of September 17, 1999), respectively (De Cock, 2000). These measures were installed in view of affirming the quality of export and home trade. Both EXPO and CERT samples were assumed not to be contaminated by the Verkest incident; we will refer to the combination of the latter data sets as the background contaminated (BACK) samples. The approach of the current study is based on the suggested source-related distinction between SANI and BACK samples. Additionally, the analytical results available for the present study vary in terms of chemical information. Three different data sets were studied. The largest data set (PCBsum; n=41731) groups concentration sums of the 7 PCB markers only. The second largest set (PCBprof; n=2933) contains congener-specific concentrations and, hence, the profiles with the relative contribution of each congener concentration for the 7 marker PCBs. The smallest set (PCDDFprof; n=709) gathers in addition to the congener-specific concentrations of the 7 marker PCBs also the concentrations of the 17 measured PCDD/F congeners.
3.2
Degree of contamination
The concentration sums of the 7 PCB markers for the three data sets are given in Table 3 for the incident-specific or SANI samples and in Table 4 for the BACK samples. BDLs were hereby replaced by half the detection limit. The incident-specific samples are clearly much more contaminated than the background samples, both with respect to maximum detected concentrations as well as overall median concentrations per matrix. Considering the sample sizes of three data sets, PCBsum is the largest containing most of the samples of PCBprof, which in turn contains all PCDDFprof samples. Generally, PCBprof and PCDDFprof gather “positive” samples, i.e. samples containing concentrations above the norm (1000 ng/g fat for animal feed or 200 ng/g fat for other matrices). This explains why the median values of these two data sets exceed the median of the PCBsum data and emphasizes the important implication for further congenerspecific analysis. The subgroup of highly contaminated samples is not representative for the entire sample population.
Table 3: Maximum and median of the PCB concentration sums per matrix for the incident-specific samples. BDLs are replaced by half the detection limit.
PCBsum
PCBprof
PCDDFprof
Max
Med
Max
Med
Max
Med
Animal Feed
519000
100
337250
4556
337250
4556
Pork
39700
70
39661
667
39661
347
Poultry
56856
60
56861
529
56861
175
Bovine
2731
58
2741
434
2170
294
Eggs
46000
65
45920
451
40765
310
Milk
7843
15
7843
35
7843
35
Animal feed samples clearly exhibit highest contaminations when compared to other samples. These concentrations are roughly one order of magnitude higher. Consequently, this matrix is the closest to the contamination source. The observed decreases are mainly due to metabolic pathways and to the redistribution of animal feed among many different farms, each of them practising intensive stock breeding. The median concentration of BACK samples in the PCBsum data set is 35 for every matrix. This value is biased by the BDLs since many analysis results were characterised by a detection limit of 70 ng/g fat. This is confirmed by the corresponding PCB concentration distribution pattern in the PCBsum set (Figure 3). The distribution pattern deviates from the log-normal distribution that is expected from concentration data with a sample size as high as n = 41731. In fact, we are not dealing with a collection of exact concentrations, but more with a mix of ‘continuous’ exact concentrations and ‘categorical’ detection limits. Remarkable is the abrupt decrease in number of samples at 200ng/g fat. This is the implemented norm for distinguishing positive and negative samples, and many laboratories merely reported “< 200 ng/g fat” for negative results. This artefact masks information on concentration levels and prevents a more detailed study.
Table 4: Maximum and median of the PCB concentration sums per matrix for the background contaminated samples. BDLs are replaced by half the detection limit. There are no background contaminated samples available for animal feed and milk.
PCBsum
3.3
PCBprof
PCDDFprof
Max
Med
Max
Med
Max
Med
Pork
4785
35
4790
344
821
306
Poultry
11112
35
11127
314
477
308
Bovine
2511
35
2526
282
2526
282
Eggs
1529
35
1579
334
345
324
Congener specific analyses
Summarised descriptive statistics of congener-specific analyses for PCB markers (PCBprof) and PCDD/F markers (PCDDFprof) of SANI samples are shown in Tables 5 and 6, respectively.
Table 5: Summary statistics for congener-specific PCB concentrations for incident-specific data. Values below the detection limit are replaced by half the detection limit.
Congener
Animal feed % ND Med
Poultry
Range
% ND
Med
Beef Range % ND Med
Pork Range
% ND Med
Range
PCB 28
64.7
5
5-54
85.5
17
5-25
97.3
5
5-25
93.4
5
3.5-10
PCB 52
11.8
319
165-997
95.5
10
5-12.5
94.7
5
5-12.5
81.6
5
5-10
PCB 101
11.8
901
460-2168
76.5
12.5
5-25
77.3
10
5-12.5
61.9
10
5-18
PCB 118
11.8
452
217-1259
15.6
70
32-127
24
33.6
13-71
36.8
15
9-38
PCB 138
11.8
1310
500-2767
12.3
169
81-290
5.3
107
84-192.96
1.1
241
123-529
PCB 153
11.8
962
400-2922
12.8
161
75-290
5.3
131
98-249
0.9
220
111-492
PCB 180
11.8
645
300-1758
12.8
91
42-174
5.3
113
83-195.43
1.3
144
72-325
These tables provide percentages of censoring (i.e. the relative numbers of BDLs), median values and inter-quartile ranges (i.e. the interval with the 50% most central data) of the
measured concentrations. Mean values with standard deviations are not used because they are less appropriate for non-normal distributions and comparingly more affected by the presence of BDLs which are here replaced by half of the detection limit.
Table 6: Summary statistics for congener-specific dioxin and furan concentrations for incident-specific samples. Values below the detection limit are replaced by half the detection limit.
congener
% ND Med 2,3,7,8TCDF 1,2,3,7,8PeCDF 2,3,4,7,8PeCDF 1,2,3,4,7,8HxCDF 1,2,3,6,7,8HxCDF 1,2,3,7,8,9HxCDF 2,3,4,6,7,8HxCDF 1,2,3,4,6,7,8HpCDF 1,2,3,4,7,8,9HpCDF OCDF 2,3,7,8TCDD 1,2,3,7,8PeCDD 1,2,3,4,7,8HxCDD 1,2,3,6,7,8HxCDD 1,2,3,7,8,9HxCDD 1,2,3,4,6,7,8HpCDD OCDD
Poultry
Animal feed Range
% ND Med
Beef Range
% ND Med
Pork Range
% ND Med
Range
0
100
81-230
20
1.26
0.47-28.94
86.4 0.19 0.18-0.19
83.2
0.18
0.17-0.2
15.4
28
18-59
35
0.63
0.05-18
86.4 0.18 0.17-0.19
86.9
0.18
0.17-0.19
0
160
134-362
2.5
2.46
0.8-58.74
0
5
3-7.8
15.2
1.1
0.58-2
0
150
110-220
30
1.16
0.18-45.89
4.5
2.45
1.2-6.6
7.4
3
1.46-7.15
7.7
24
19-48
57.5
0.17
0.05-2.99
9.1
1
0.73-1.4
45.1
0.38
0.17-0.7
15.4
8
6.2-18
87.5
0.05
0.05-0.17
90.9 0.18 0.17-0.19
90.6
0.18
0.17-0.19
0
31
22-52
57.5
0.19
0.05-3.49
9.1
1.05
0.89-1.6
69.7
0.19
0.17-0.44
0
47
38-72
62.5
0.26
0.12-1.18
77.3
0.9
0.85-0.95
58.6
0.95
0.89-2
0
15
12-22
70
0.12
0.12-0.85
86.4
0.9
0.85-0.95
83.2
0.9
0.85-0.95
0
42
25-81
85
0.25
0.25-1.73
77.3 3.75
1.7-5.5
81.1
1.8
1.7-4.5
38.5
4
1.95-18
37.5
0.22
0.1-2.18
63.6 0.19 0.17-0.45
87.3
0.18
0.17-0.19
23.1
13
6.3-16
37.5
0.43
0.13-8.32
27.3 0.59 0.32-0.93
89.3
0.18
0.17-0.19
23.1
14
6.3-15.5
70
0.05
0.05-0.98
36.4 0.45 0.23-0.64
53.3
0.31
0.17-0.56
30.8
3
2.05-6.5
60
0.17
0.05-0.93
13.6 0.84
0.57-1.3
80.3
0.18
0.17-0.22
30.8
0.75
0.29-2
72.5
0.01
0-0.18
68.2 0.18 0.17-0.32
85.7
0.17
0.13-0.18
7.7
0.2
0.12-5.5
55
0.01
0-0.84
50
0.92
0.85-1.9
65.2
0.9
0.08-0.95
0
63
40-100
40
3.63
1.67-7.55
54.5
5.5
1.7-6.1
19.3
8.7
5.5-17
There is a negative correlation between censoring percentages and concentration levels (N=96, Spearman R = -.64, p< 0.0001). High concentrations are associated with low amounts of BDLs, implying that highly contaminated samples display more accurate congener-specific data than poorly contaminated ones. Generally, the higher chlorinated PCBs exhibit smaller proportions of BDLs. Less than 15% of the samples could be analysed for PCB 28. Animal
feed was the matrix with the lowest non-detect percentage but still less than 40% is determined exactly. PCDD and PCDF congener concentrations are even more often below the limit of detection than PCBs. This failure to obtain precise concentrations undermines the accuracy and sensitivity of the recognition analyses carried out with the congener-specific profiles. Congener concentrations of animal feed always exceed corresponding concentrations in the other matrices (Table 5 and 6). It is shown in Table 5 that PCB 138 has consistently the highest concentration in every matrix except beef, where PCB 153 has the highest concentration. The elevated contribution of PCB congeners 138 and 153 is very normal, since these are major components of technical PCB mixtures (Safe et al., 1985; McFarland and Clarke, 1989). Moreover, they are classified as difficult to metabolize congeners (McFarland and Clarke, 1989; Serrano et al., 2000). This explains why they are often the predominantly contributing congeners (Serrano et al., 2000). From Table 6 it is obvious that the dibenzofuran concentrations of animal feed exceed considerably the dibenzodioxin concentrations. This phenomenon is less pronounced for the other matrices. 2,3,4,7,8-PeCDF is the most concentrated congener in animal feed, poultry and beef, whereas 1,2,3,4,7,8-HxCDF is most concentrated in pork. The dibenzo—p-dioxin congener with the highest concentration is consistently OCDD for all matrices.
3.4
Furans : dioxin : PCB ratios
For all samples PCB concentrations are much higher than PCDD/F concentrations (one-sided t-test if mean proportion PCB/PCDDF is greater than 1; all p<0.0001). Moreover, the ratio of PCBs to PCDD/Fs does not significantly differ between SANI and BACK samples (t=1.27, df=707, p=0.2, Figure 4). The values are ~11000 and ~12000, respectively. It must be added here that the ratios considered are concentration ratios (pg g-1 fat over pg g-1 fat). They can not be compared to the "constant" ratio of 50000 pg PCB g-1 fat over pg TEQ g-1 fat used for risk management during the incident. The major part of the PCDD/F concentration is contributed by the PCDFs; in all samples the furans are present in higher concentrations than the dioxins (one-sided t-test if mean proportion furan/dioxin is greater than 1; all p<0.05). As observed for PCB to PCDDF ratios, the ratios of furans to dioxins do not differ significantly between SANI and BACK contaminated samples (t = -0.21, df = 707, p = 0.8, Figure 5).
For the SANI samples, animal feed contains significantly more furans than dioxins (Figure 6) compared to poultry (t = -2.39, df = 51, p-value = 0.021), beef (t = -2.4, df = 33, p-value = 0.022) or pork (t = -5.76, df = 255, p-value = 0,0001). Knowing that the overall concentrations decrease from feed to fat, a faster decrease in furan concentration leads to equal distributions of dioxin and furan concentrations. Because animal feed is most closely linked to the contamination source, this increased furan/dioxin proportion suggests that the contamination source itself contains a higher concentration of furans compared to dioxins also or gives rise to such a disprportionality. The lack of animal feed samples in the BACK data set perturbs the investigation of this proportion in background-contaminated animal feed. In conclusion, for all samples PCB concentrations are consistently higher than PCDD/F concentrations, and most furan concentrations consistently exceed those of dioxins. There are no typical differences between SANI and BACK samples in their relative amounts of PCBs, dioxins and furans. The PCB/PCDDF or furans/dioxins ratios do not present incident-specific characteristics which can typify the identity of the contamination source. The animal feed samples contain more furans than dioxins compared to animal fat.
3.5
Profile comparisons
3.5.1
Pairwise correlations
Prior to initiating multivariate statistics (i.e. profile analyses and PCA) on scaled and logtransformed data, pairwise scatterplot matrices of correlations between the various dioxin, furan and PCB congeners were evaluated to corroborate some degree of inter-correlation between the congener and/or isomeric groups. Should the data lack pairwise correlation between individual matrix variables, it is unlikely that subsequent multivariate analyses would generate a statistically significant congener-specific fingerprint representing the overall sample set. To this end, Figures 7, 8 and 9 provide pairwise scatterplot matrices of observed correlations for the SANI sample set. Visual inspection of the congener-specific matrices indicates that most of the congeners are correlated and that correlations are not merely restricted to specific isomer groups such as within the 3 hexa-dioxin congeners or the 2 heptafuran congeners. At the left hand side of the PCB scatterplot (Figure 7), PCB 28 exhibits the more discontinuous pattern, especially in the lower concentration ranges. This must be explained by the elevated presence of BDLs, which are here substituted by the half of the detection limit.
Furthermore, this bias of BDLs also gives rise to a much less consistent correlation between PCB 28 concentrations and all other congeners. The best correlations are observed for the higher chlorinated ones (right bottom of Figure 7), that are hardly subject to the biasing effect of BDLs. Additionally, "noisy" correlations with PCB 28 are due to analytical difficulties. The chromatographic resolution between PCB 28 and PCB 31 is not always optimal and concentrations of PCB 28 can be overestimated by the presence of PCB 31. All lower chlorinated dioxin congeners are strongly correlated among each other (Figure 8). The hepta- and octo-chlorinated dioxins (DIO15 and DIO17 on Figure 8) are, however, weakly correlated with each other as well as with the other dioxin congeners. The furans are more consistently correlated with each other compared to the dioxin congeners (Figure 9). The two hepta-chlorinated furans (DIO 13 and 14) are correlated with all lower-chlorinated congeners. The only furan congener that does not correlate is the octo-chlorinated furan (DIO16, Figure 9).
3.5.1.1 3.5.2
PCB profiles
The initial visual exploration focuses on individual PCB profiles of the matrices beef, pork, eggs and poultry as shown for SANI samples (Figure 10) as well as BACK samples (Figure 11). In the figures all samples with 4 or more BDLs were excluded. Samples containing many non-detected congeners bias the profiles in two ways. On the one hand, the profiles show a more horizontal-like pattern due to identical detection limits for the different congeners, whereas realistic chemical fingerprints are more variable. On the other hand, the variability of a profile can be inflated by giving excessive weight to the few congeners that could be quantified exactly. Because the congener percentages of a sample are interdependent, underestimations in most non-detected congeners result in an inflated contribution of the few exactly determined congeners. Because both biases result in signals representing more detection accuracy rather than real congener concentrations, these profiles are irrelevant for source identification and therefore excluded. Exept a few outlying individual values, there is low variability among these individualspecific PCB profiles. Individuals follow in a consistent way the chemical fingerprint of their specific subgroup. Outlying profiles are mostly due to the presence of BDLs. The higher variability of PCB 28 can also result from heterogeneity in the chemical analyses as mentioned previously, however.
To gain more insight in the identity of the contamination source, this study focused on chemical characteristics of the incident-contaminated samples which differentiate them from the ubiquitous background pollution. This makes the testing for profile differences between SANI and BACK samples relevant in this study. Visual inspection of the profiles (Figure 10 and 11) does not suggest major differences in profiles between the different matrices of the two sample sets. The apparent higher variability of the incident-specific profiles is due to the much higher sample sizes. In the case of the pork samples for instance, it is logical to expect a higher variability when 1324 samples are inspected rather than 34. Besides these qualitative visual comparisons we also tested these profile differences quantitatively, incorporating their multivariate distribution and the presence of non-detected congeners. These rigorous tests did not find any significant difference between SANI and BACK profiles for the different matrices. Beef profiles do not differ between the two sample sets (LR=12, df=6, p=0.06), nor do the pork profiles (LR=10, df=6, p=0.12). For poultry the sample size of the background contaminated data is too small (n=8) to have valid tests, but visual inspection does not suggest any difference in profile between BACK and SANI. For animal feed—one of the most interesting matrices because of its close link to the contamination source—there were unfortunately no congener-specific data available in the background sampling set. In contrast to the absence of profile differences between SANI and BACK samples, there are significant differences between profiles of different matrices. All animal fat profiles differ significantly from the animal feed profile (all p<0.001). There are significant profile differences between poultry and beef, between poultry and pork and between beef and pork (all p<0.001). This profile study is done on the SANI samples because their sample size is sufficiently large and because profiles do not differ from the background samples. Besides the appropriate multivariate way testing, the MCMC model can also be used to obtain correct estimates of mean and standard errors by acknowledging for the presence of BDLs. These obtained estimates are shown in Figure 12. The profile difference between animal feed and the different kinds of animal fat (poultry, beef and pork) is most striking. The proportions of PCB 52 and 101 are substantially decreased during the passage from feed to fat. These differences in profiles between feed and animal fat samples were expected since the amount of persistent PCB congeners increases in the consumer (Storr-Hansen et al. 1995). Generally, higher substituted PCB congeners have a lower pressure vapour, a higher Kow constant, and a higher half-life than the less substituted congeners (Shiu et al. 1988). The PCB 28 proportion
was already low in the animal fat samples. This can be the result of a low proportion of PCB 28 in the contamination source, but could also be caused by its lower stability compared to the other PCBs. Boon et al. (1987) e.g. attributed the differences in PCB profiles between seals' food (fish) and blood to the enzyme-mediated metabolism (biotransformation): only congeners with vicinal hydrogen atoms in (i) the ortho- and meta-positions in combination with a maximum of 1 ortho-chlorine substituent or (ii) the meta- and para-positions irrespective of the orthochlorine substitution pattern could be metabolised. This transformation of profile characteristics by metabolic pathways does presumably have a major impact on the profiles of the 7 PCB markers and obscures somehow the influence of the original contamination source. Experiments with growing swine and sheep fed on three dietary variations led to minor differences in total PCB with varying diets (Hansen et al., 1977). The overall profiles remained remarkably constant and would, consequently, be more species- or tissue- specific than source-specific. This can explain the absence of intra-specific profile differences between the two sample sets. However, referring to the same data as Boon et al. (1987), Storr-Hansen et al. (1995) found a differentiation in PCB patterns between two groups of seals, which could be only ascribed to different PCB congener patterns in their food. These results were obtained by profile analyses on 21 PCB markers with practically no concentrations below the detection limit. Another possible reason of our inability to differentiate between different contamination sources is a lack of information to find this difference (due to the restricted number of marker PCBs, the poor variability through pronounced persistence and the high number of BDLs). We are namely looking at 7 out of 209 existing congeners; 3 of them (PCB 138, PCB 153 and PCB 180) being known as very persistent and accordingly quite invariable (Boon et al., 1994). The small selection of relatively stable congeners prevents large variation in profiles and accordingly possible between-group differences. The PCB profile of pork differs from poultry or beef samples by its lower proportion of PCB 101. If all animals shared the same contamination source, this implies that pigs can excrete or transform PCB 101 more effectively than cattle or poultry. The difference between poultry and beef is even more subtle and is mainly due to a higher proportion PCB 180 in poultry. PCA of the PCB profiles does not give clusters. Based on these statistics a distinction between the different matrices or between the SANI and the BACK samples is impossible.
3.5.1.2 3.5.3
Dioxin and furan profiles
Subject-specific PCDD and PCDF profiles for the incident-specific matrices are shown in Figure 13. In contrast with pronounced variability in PCDD profiles, the PCDF profiles were much more consistent. This was already suggested earlier by the stronger pairwise correlations between furan congeners compared to dioxin congeners. The furan profiles of animal feed are clearly the most consistent, followed by the furan profiles of poultry. For the incident-specific animal feed samples, individual dioxin profiles are more heterogeneous than the respective furan profiles. This indicates that the contamination source constitutes a more homogeneous furan than dioxin source. In poultry the same trend of more variable dioxin profiles compared to the more consistent furans is present. The most striking difference between the incident-specific dioxin and furan profiles is due to a different contribution of their respective octa-chlorinated compound. While the octachlorinated congener (OCDD) dominates the dioxin profiles, OCDF is not the predominant furan congener. This is in contrast with the normal environmental soil samples, where both OCDD and OCDF are the predominant congeners (Schuhmacher et al., 2000; Wenning et al., 1993). From this viewpoint, the dioxin profile is more “environmental”-like than the furan profile, suggesting that a possible non-background contamination disturbed the PCDF distribution more than the PCDD distribution. This suggested hypothesis is confirmed by the PCDDF profiles of the BACK pork and poultry samples (Figure 14). In these matrices the OCDF contribution to the total furan concentration is clearly more important than it was for the SANI pork and poultry samples (Figure 13). Interestingly, this profile difference due to a lower OCDF contribution in the incident-specific samples was not present in beef. In SANI beef OCDF is still the congener that contains the highest furan concentration. Unfortunately, a more elaborated analysis of the profiles by means of a MCMC approach or a PCA was impossible due to the high amount of BDLs in combination with low sample sizes.
3.5.4
Principal component analysis
The principal component analysis of PCB and dioxin normalised data does not indicate clear differences in patterns between species (figures not shown). Based on the principal component analysis of the SANI furan normalised data, minor differences between the matrices can be distinguished (Figure 15). The plot of the samples on the first two principal components (Figure 15a) shows that chicken and animal feed are quite alike and are separated
from pork and—in lesser extent—beef matrices. On Figure 15b is shown that this separation was based on higher contributions of TCDF (FUR1) and the two PeCDF congeners (FUR 2 and 3) and lower contribution of 1,2,3,4,6,7,8-HpCDF (FUR 8) for poultry and animal feed compared to beef and pork. Although the coordinates of the samples varies, this pattern was identical when the PCA was based on values with the detection limit substituted by zero or one half the detection limit, or the detection limit itself. These results should be interpreted with caution since the first two principal components explain less than 50% of the variance present in the data. The first principal component (PC1) explains 26% of the total variance, while the second principal component (PC2) accounts for 17% of the total variance. PC1 and PC2 together account for 43% of the total variance, which is very low compared to other PCB or PCDD/F pattern recognition analyses (e.g. 92% in MacDonald et al., 1992; 96% in Wenning et al., 1993; 94% in Schuhmacher et al., 2000)
3.5.5
Relation to Aroclor mixtures
PCBs have been produced by industries worldwide in the form of technical mixtures. Important commercial materials were Aroclors 1242, 1248, 1254 and 1260 (Schwartz and Stalling, 1991). The last two digits represent the percentage of chlorine by weight. Each Aroclor is characterised by a different distribution of homologues and congeners, having chromatographic profiles of approximately 100 to 150 constituents (Ballschmitter and Zell, 1980). In Figure 16 the profiles of different Aroclor mixtures and animal feed are shown. None of the Aroclors fits completely with the feed sampled during the incident. Nevertheless Aroclor 1254 and 1260 have seemingly a predominant contribution. They are both commonly used PCB mixtures and the animal feed profile matches closely to a Aroclor mixture with 75% of 1260 and 25 % of 1254 (Bernard et al. 1999, De Cock 2000). This comparison does not take into account the fact that some congeners are more degraded than others during the procedure of animal feed manufacture. Obviously, any commercial blend is composed of complex congeners mixtures, which are degraded and metabolised at different rates. Environmental PCB mixtures differ significantly from the original commercial mixture analysed in the laboratory (Bailey and Bunyan, 1972). More specifically, since PCBs 138, 153 and 180 are known to be highly persistent congeners, whereas PCBs 28, 52, 101 and 118
are not (De Boer, 1995; Serrano et al., 2000) a contamination by Aroclor 1254 is very likely also. 3
4 Conclusion
Several results of this study underpin the original hypothesis that the contamination source of the Belgian dioxin incident was a PCB contamination. All PCB concentrations exceeded the PCDDF concentrations. Moreover, furans were present in higher amounts than dioxins. It is known that PCBs give rise to higher furan concentrations than dioxin concentrations. Commercial PCBs were shown to contain PCDF impurities, whereas PCDDs were low to non detectable (Buser, 1985). After utilisation of commercial PCBs they showed increased levels of furans, indicating reaction pathways leading to the formation of PCDFs. Buser (1985) demonstrated the conversion to PCDFs from small quantities of commercial PCBs (Aroclor 1254 and 1260) in laboratory experiments. These reactions led easily and exclusively to PCDFs formation, neither PCDDs nor polychlorinated biphenylenes being observed. Both the excess of PCBs versus PCDDF and the excess of PCDFs versus PCDDs are most pronounced in the animal feed. This points to a contamination with PCBs. The furan congeners are more strongly correlated among each other and contain less inter-individual profile variability, indicating a more homogeneous, incident-specific source of furans compared to dioxins. The incident-specific furan profiles are, moreover, less environmentallike than the respective dioxin profiles with respect to their octa-chlorinated congeners (Schuhmacher et al., 2000; Wenning et al., 1993). SANI and BACK dioxin profiles contain high proportions of the octa-chlorinated compound OCDD. The octa-chlorinated furan compound OCDF, however, has an important contribution in the background-contaminated but not in the incident-specific samples. A major remaining question is why the PCB profiles do not differ between the SANI and the BACK profiles. It could be that the working assumption of this study is not correct, implying that the BACK samples are in fact not background-contaminated but also incident-specific. It is plausible, however, that largely differing sampling conditions and motivations as well as significant differences in the degree of contamination between SANI and BACK (Tables 3 and 4) confirm independence between SANI and BACK samples. But even if they are independent, it is possible that the source of the ubiquitous background contamination has a similar identity as the incident-specific source. Both the SANI and BACK samples were a subgroup of highly contaminated samples, not representative for the entire sample population.
A third explanation would be that profiles are rather species- or tissue- specific than sourcespecific. A transformation of the profile characteristics by metabolic pathways has a major impact on the profiles of the 7 PCB markers, obscuring any influence of the original contamination source. In this study we found indeed no intra-species differences between the SANI and BACK samples, although we found profile differences between species which were known to be contaminated by the same incident (pork and poultry). Finally, it must be stressed that a differentiation between contamination sources is suppressed by strongly reduced parameter variablity. The data set gathers 7 PCB markers only, with 3 out of 7 (PCB 138, PCB 153 and PCB 180) being very persistent and accordingly quite invariable (Boon et al. 1994). The other congeners which are more variable have higher BDL numbers. Less than 15% of the samples could be analysed for PCB 28 for instance. This failure to obtain precise concentrations undermines of course also the accuracy and sensitivity of the recognition analyses carried out with the congener-specific profiles.
9
1
8
2
7
Clx
6
O
3
Cly
4
Furan structure
9 8
1 2
7
Clx
O
6
O
3 4
Cly
Dioxin structure
Figure 1. Chemical structure of polychloro dibenzo furans and polychloro dibenzo-p-dioxins
3
2
6'
5' 4'
4
5
6
2'
3'
2 and 6’ are ortho positions 2’ and 6 are ortho positions 3 and 5’ are meta positions 3’ and 5 are meta positions 4 and 4’ are para positions non-ortho PCBs PCB 77: 3,3’,4,4’ CB PCB 81: 3,3’,4,5 CB PCB 126: 3,3’,4,4’,5 CB PCB 169: 3,3’,4,4’,5,5’ CB mono-ortho PCBs PCB 105: 2,3,3’,4,4’ CB PCB 114: 2,3,4,4’,5 CB PCB 118: 2,3’, 4,4’,5 CB PCB 123: 2’,3,4,4’,5 CB PCB 156: 2,3,3’,4,4’,5 CB PCB 157: 2,3,3’,4,4’,5’ CB PCB 167: 2,3’,4,4’,5,5’ CB PCB 189: 2,3,3’,4,4’,5,5’ CB
Figure 2. chemical strucure of polychloro biphenyls
10000 8000 6000 4000 2000 0 0
100
200
300
400
PCB sum
Figure 3: Histogram of the sum of the 7 PCB markers for the PCBsum data set. Non-detects were replaced by the detection limit. The range is fixed for highlighting the distribution pattern in low-contaminated samples (highest conc.: 519000).
164
incident-specific
background
0
10000
20000
30000
40000
50000
Proportion PCBs / PCDD/Fs 545
Figure 4: Concentration proportion of PCBs compared to PCDD/Fs for the incident-specific and the background contaminated samples. Non-detects are replaced by ½ the detection limit. Sample sizes are shown above the boxplots. This proportion is calculated with both PCB as PCDD/F concentrations in pg/g fat.
Proportion PCDFs / PCDDs 164
incident-specific
background
0
1
2
3
4
5
545
Figure 5: Concentration proportion of furans compared to dioxins for the incident-specific and the background contaminated samples. Non-detects are replaced by ½ the detection limit. Sample sizes are shown above the boxplots. This proportion is calculated with both furan as dioxin concentrations in pg/g fat.
15 10 5 0
sum PCDF(conc.)/ sum PCDD(conc.)
20
Proportion PCDFs/PCDDs
Animal Feed
Pork
Bovine
Poultry
Milk
Eggs
Figure 6: Concentration proportion of furans compared to dioxins for the different matrices of the incidentspecific samples. Non-detects are replaced by ½ the detection limit. This proportion is calculated with both furan as dioxin concentrations in pg/g fat.
2
4
6
8
10
0
2
4
6
8
10
0
2
4
6
8 10 6 8
0
0 2 4 6 8
0
2 4
PCB1
8
PCB2
0 2 4 6 8
0
4
PCB3
8
PCB4
8
0
4
PCB5
0 2 4 6 8
0
4
PCB6
PCB7 0
2
4
6
8
0
2
4
6
8 10
0
2
4
6
8 10
0
2
4
6
8
10
Figure 7: Matrix scatterplot for pairwise correlations between PCB congeners. Values below the detection limit are replaced by ½ the detection limit.
-2
2 4 6
-6
-4
-2
0
2
-6
-4
-2 2 4
-6
2
6
-6
-2
DIO2
2 4
-6
-2
DIO5
-2 0
2
-6
-2
DIO10
-2 0
2
-6
DIO11
-2
-6
DIO12
-2
0
-6
-4
DIO15
-6
-4
DIO17 -6
-2
0
2
4
-6 -4 -2
0
2
4
-6
-4
-2
0
2
-6
-4
-2
0
Figure 8: Matrix scatterplot for pairwise correlations between PCDD congeners. Values below the detection limit are replaced by ½ the detection limit.
-2
2
-6
-2
2
6
-6
-2
2
-6
-2
2
-6
-4
-2 0 4
-6
0
4
-6
DIO1
5
-6
DIO3
0 4
-5 0
DIO4
0
4
-6
DIO6
2
-6
DIO7
0
4
-6
-2
DIO8
2
-6
DIO9
-2
-6
-2
DIO13
-2
-6
DIO14
-6
DIO16 -6
-2
2
6
-5
0
5
-6
-2
2
-6
-2
2
-6
-2 0
Figure 9: Matrix scatterplot for pairwise correlations between PCDF congeners. Values below the detection limit are replaced by ½ the detection limit.
60
PORK
40 %
0
10
20 30
40
101
118
138
153
180
28
52
101
118
138
7 PCB markers
EGGS
POULTRY 50 60
7 PCB markers
180
153
180
N = 151
10 0
0
10
%
20 30
40
N = 58
153
20 30
%
20 30 10 0
52
40
50 60
28
%
N = 1324
50
N = 56
50
60
BOVINE
28
52
101
118
138
153
180
7 PCB markers
28
52
101
118
138
7 PCB markers
Figure 10: PCB percentage profiles of different matrices for incident-specific samples. Only based on samples of which the concentrations more than 4 congeners are exactly determined (to avoid artificial profiles). Values below the detection limit are replaced by ½ the detection limit.
60
PORK
40 %
0
10
20 30
40
101
118
138
153
180
28
52
101
118
138
7 PCB markers
EGGS
POULTRY 50 60
7 PCB markers
180
153
180
N= 8
10 0
0
10
%
20 30
40
N= 9
153
20 30
%
20 30 10 0
52
40
50 60
28
%
N = 34
50
N = 23
50
60
BOVINE
28
52
101
118
138
153
180
28
52
7 PCB markers
101
118
138
7 PCB markers
Figure 11: PCB percentage profiles of different matrices for background-contaminated samples. Only based on samples of which the concentrations more than 4 congeners are exactly determined (to avoid artificial profiles). Values below the detection limit are replaced by ½ the detection limit.
40 20 0
10
%
30
Animal feed Poultry Bovine pork
28
52
101
118
138
153
180
PCB congeners
Figure 12: Estimates of mean with standard error for the different matrices of the incident-specific samples. The estimates are obtained using the MCMC model, incorporating the multivariate distribution and the presence of non-detects.
ANIMAL FEED
ANIMAL FEED
60 %
40 0
20
40 0
20
%
60
80
N = 13
80
N = 13
1
2
3
4
5
6
7
2
BOVINE
BOVINE
10
8
10
8
10
8
10
80 %
0
20
40
60
80 60 40 20
%
8
N = 13
0 1
2
3
4
5
6
7
2
4
6
7 PCDDs congeners
10 PCDFs congeners
POULTRY
POULTRY
60 %
0
20
40 0
20
40
60
80
N = 21
80
N = 21
%
6
10 PCDFs congeners
N = 13
1
2
3
4
5
6
7
2
4
6
7 PCDDs congeners
10 PCDFs congeners
PORK
PORK
60 %
0
20
40 0
20
40
60
80
N = 59
80
N = 59
%
4
7 PCDDs congeners
1
2
3
4
5
7 PCDDs congeners
6
7
2
4
6
10 PCDFs congeners
Figure 13: Dioxin (on the left) and furan (on the right) percentage profiles of different matrices for incidentspecific samples. Only based on samples of which the concentrations more than 10 congeners are exactly determined (to avoid artificial profiles). Values below the detection limit are replaced by ½ the detection limit.
POULTRY
POULTRY
60 %
40 0
20
40 0
20
%
60
80
N= 8
80
N= 8
1
2
3
4
5
6
7
2
6
10 PCDFs congeners
PORK
PORK
8
10
8
10
60 %
0
20
40 0
20
40
60
80
N = 52
80
N = 52
%
4
7 PCDDs congeners
1
2
3
4
5
7 PCDDs congeners
6
7
2
4
6
10 PCDFs congeners
Figure 14: Dioxin (on the left) and furan (on the right) percentage profiles of different matrices for background samples. Only based on samples of which the concentrations more than 10 congeners are exactly determined (to avoid artificial profiles). Values below the detection limit are replaced by ½ the detection limit.
3
Ch Ch
1 0 -1 -3
-2
second principal component
2
Ch P AF P P B Ch Ch Ch Ch P Ch P BP Ch Ch P P Ch Ch P PP Ch Ch B PPP PP Ch Ch P ChCh PPPP Ch Ch Ch P AF B P P P Ch Ch AFCh P Ch Ch AFAF Ch P P PPP Ch AF AF P P PPP P Ch Ch AF PPP P Ch P AF P P P Ch AFP P B PP P P P PP P P AF B Ch Ch ChP P P PP PPP PP B P PPP P AF P B P P P P P B P Ch P P AF ChB P P BB PP P P PP P P P P PPPP P B P PP PP PP P BP P P P P PPP P P P B BBB Ch PP P P Ch PP P PP PPP P PPP P PP PPP BB P P P P Ch P P P PP PPP P PP P PP P P PP P PPP PP PPPPPPP BB P P P P PPP P P P P P P P PP P PP PP P P P P P P P P Animal Feed PPP P P Chickens PP P P P P PP Pork P Bovine P P -4
-2
0
2
4
first principal component
-10
Ch Ch
-5
0
5
10
15 15
0.15
-15
Ch P
Ch
B
Ch P
FUR Ch 1 Ch Ch Ch ChCh FUR 2 AF Ch
Ch
P Ch
Ch
P
P
BP
FUR 10
P P P P B PP P P P P P PPCh Ch P P P B P PP Ch Ch Ch Ch ChCh AF P PP P AFAF AF P P P AF Ch P Ch AF PP P Ch P P P P PP P AF P P Ch AF BP P P P PP PP P P AF B Ch Ch P Ch P PPP P P P B P P PP AF P P P P B PPP PP B Ch P P AF P Ch P P PP P P BB P P P P B P PB P PP P P P PPP PP P P P P BP P PPP P P P P B B BBCh PPP P P P PCh P P P P P P PPP P PP P P PP B PPP P PP P B Ch P P P P P PPP P PP P P P P P P P PP PP P P PP B PP PP P B P P P P PP P P P PP P P P P P PP P P P PP P P PP P P P P P P P PP P P P P PP PP P P PP
0.05
Ch
FUR 6
0.0
P
FUR 9
FUR 7
FUR 3
-5
FUR 8
-0.05
-10
-0.10
FUR 5
-15
Comp. 2
Ch
10
Ch
P
P
5
Ch Ch
0
0.10
AF
-0.15
P P
P FUR 4
-0.15
-0.10
-0.05
0.0
0.05
0.10
0.15
Comp. 1
Figure 15 a,b: Principal component analysis on the 10 furan congeners. Values below the detection limit are replaced by ½ the detection limit.
0
20
%
40
60
A1221 A1232 A1242 A1248 A1254 A1260 A1262 ANIMAL FEED
28
52
101
118
138
153
180
PCB congeners
Figure 16: Percentage profiles of different Aroclor mixtures and of incident-specific animal feed. Values below the detection limit are replaced by ½ the detection limit.
! "
# '
$ !
%
&
% &
! " # !
" #
$ % &
'
(
$
$ % &
'
)
' $ # *
'
)
% & +
$ $
!
% &
'
# ' "
& ',
)
#
#
!
!
'$ #
! !!
# $
*
$
' % & % &
-
!
.#
///
% &
0
'
#
'
% &
#
)
#
)
'
#
)
'
$
#
$
#
#
1 $
3 ' #
#
%
' '
% ' #
* "
#
'
# '
# ' #
" #
%
#&
% ' ' %
%
$ $
%
'
$
#
%
#
'
#
#
'
'
'$
#$
%
&
+
'
8
#
'
%
"
&
$
'
1 #
"
'&
#
$'
'
#
#
' .#
4&
% &
'
'
%
3
#
%
) # # #
#
% &
#
'
# " )
#
'
.#
'
#
5
$
'
1"
#
.#
#
1" #
# 2 #
'
$
)
'
67
.#
#
& #
%
' '
%
" )
.#
)
# 5 "#
# )
+
% & '
' " # # #
$ #
(
Consumption
Fat nature
Xv,i,t
δv,i,t NO
P(Xv,i,t is sanitary)
Background data
YES
Data from the Concentration
incident
(CBv,i,t or CSv,i,t)
Yv,i,t
9 ( & & . / 0 ( .
% &
) *+ %
-+ 0 1
.0
,+ &
#
%
#
',
# #
6 ) .#
)
)
$ :
3
6
#
',
)
# '
$ #
:
'
$)
8
)
8@ $
6 :
#
% &
"# #
#
6
"
#
)
#
'
"8
# 0
'&
#
#
& #
0
)
# #
* 8
',
'
) $
#B
6 8
.#
$
#
6 89
#
0
%
.<=8
#
///8 .#
'
6
8
86
#
# )
6
'
6 : 8 .<=A
6
)
'$
"# #
%
#
# 6
$
'$
$
#
$"
?6
'
%
,
)
3
6 : 8
' '
',
6 8
$
.#
#
% &
>6
# 8
% &
8; "#
8
+
"#
)
"
# B&
"
* "
# ) '
) 7
)
)
# "#
#
'
)
'
$ " #
*
!& - $
$
#
8
#
$
&
& +
//
)
# )
$
'
)
+ #1 #
//-8
$ "
#
B
)
$
8
#
',
' "
E
% .#
)
'
" #
6 8 *
'
' #
' 68 #
' #
#
.# $
' #
1
$ .#
#
"
//( 6
' 1
68
67
#
"
',
) $
,
#
'
$
"
8 EF
)
6 8
)
$
0
+# 6
% &
# #
6 (&/ $ # )
' #
# #
#
"
6
) $
# '
# #
C#
#
#
! ',
$
1 "
<
$ 8
"
+#
# ' .
#
#
"
' $
#
$
'$ # D
#
$
!
#
$
"
"
#
# '
#
#
', #
' " # #
# )
'
$ "
%
#
-
. '
92
&
&
%
&
. .
2
'%%
$ #
4 $
'
#
%
#
)
" $ #
)
'
*
$ "
'
.#
# " )
#
' '
)
)
$
#
#
$ $ :
8
0 0
&
#
#
'
# $
% & * $ # $
"
)
'
'
' +
# '
#
#
# )
$
)
.#
" ' "
6
&
"
#
# *
&
#
# $
% $
#
'
"
'
'
# " )
"# & ',
8
" '
#
$
B
)
"
#
*9/-, *7/-: 9/7 */*7
#
"
#
%
#
*
'
0
34+ ,* ,> * =
#
6E
'
5
'$ # )
#
34+
&
#
)
&
6 7896,:9*<-=6:=8: *8=6,9::7 *:76=:8>
;
B
%
' ' #
"
# )
$ # " # ' "
6
8
/
4
b1=3 b1=2
b1=1
0
2
Density
6
b1=10
0.0
0.2
0.4
0.6
0.8
1.0
Probability
9
&
3 * ,+
% &
$ #
% &
' # $ 6
8 "
# K
8
.<=A
%
B
-& #
% &
'
% &
'
% &
67JI&< <J&*
6
' # $
K
( %
# E
&
% &
3 )
(
K
#
'
L"
"&
#
# #
# # /8
$ #
& ' '
; ;
**
'
%
"
' "
%
-/8
// ; G '
&.<
6 : 8 "#
(
%
8
:
'" .#
L "
-
0
6
6
6 : 8
6
+
' 2
% &
;G
%
8
.<=A
6
% &
3*
//-8 .#
#' '
6 %
% &
!
,? *
%
%
# !
' .#
2 & &
& '
L
*9
;H
% &
# -
J
*?*
; "
8
* 6
'
- (
-
-
(
- 8 .#
$
"
7 #
#
'
#
$
'
$
#
#
"
#
' )
"
% #
# $
#
6
A 8 .#
&
#
3 #
8: 8:
; ?
6
# # A
6 8 #
"#
#
#
#
#
#
)
# .<= ) "
6
)M
B
# '
$ '
#
)
)
#
6
"
$
'
3 6
8 .#
% &
#
#
$
'
.# '
" )
/// $
$
.<= ) &
A 8
5
#
'
" %
2
"
) )
#
+ *
"
7#
8
2
F
#
;
%
B
#
.#
) #
"
)
%
8; #
#
6 8 #
9
#
"
) "
% &
6 6
#
#
.#
"
7#
%
%
' #
'
)
J " )
'
% &
) '
B '
'
) "
& " #
'
$
%
&
' '
.#
1
'
# )
#
# " )
" $
%
#
.#
%
#
' 6
$
% & 1#
1
'
"
$
%
6 #
#
"
*8 "
#
2
$
#
///
#
#
#
% &
% &
" #
%
'
#
"
# $
$ 6.<
8 "
"
2
)
$
.#
#
$
"
" # #
+#
%
) % &
%
#
#
' "
)
'
#
'
$ #
#
8
# % &
#
' "
$
#
#
)
#
"
% &
$ 6
1
1#
#
#
.#
) $
% &
) $ *
# # $
/ #
)
A
% &
3
# $
) $
'
'
#
% -
#
) +
8 7 # #
$ # !
#
#
&
/8
" #
" # "
1
%
6 $
" '
'
% & " $
%
#
'
I
&
#
#
$
'$
6 :
#
$
#
' $
$8
" /// .#
. '
9 $#
@%
%#
%
3%6
+
&
# /@
# %
: %
2
. 9099 9099 9099 9099 909* 9099 3909*+ >0*< 9099 9099
; '%% ( %
&
. '
# ' "
*0**90*: =0-* ,0-8 *<0=> 90*8 390=9+ =,0>: 9099 9099
& ',
)
$ . '
*077 **0=* =089 ,0>> ,907> 90:* 3*09,+ ==0>8 90>8 90,-
,- 4 *4 *4 *4 94 -9 4 94 8= 4 :7 4
$ #
!& "
!
$ #
#
. ' !
# ' "
& ',
$
$ '
(&/ " # #
'
$ *
0 1
4
**098 -<0-> ,:0** 80<7 ><0<< **09: ***0:9 *,079 =0>*
# +#
&
-=* 0
' )
#
)
'
)
$ $
#
,
'
.#
$ 0
. '
9
3%6
@
+
#
*=
&
0 2
.
; '%% ( %
. ' 1
!9 ( @%
3%6 %#
&
9099 9099 9099 9099 70=> 9099 7908< 9099 9099
*0-> *0*7 90<*0:= 80>9 =0*7 7>0<7 *089 9099
<0>8 =0-8 ,0<7 >0** *-0<, *<0>, *9:0=9 ,70,7 9099
+ &
# %
2
/@ .
; '%% ( %
&
9099 9099 9099 9099 9099 9099 390*9+ 9077 9099 9099
9099 =089 90*9099 *7097 9099 3-0=9+ --07, 9099 9099
,0-*9078 -0,: *078 *<09*0=< 3:0->+ ->0<7 90,* 909*
>8088 *>:099 -<0>* ,9097 ,**0*9 <,0*9 ,9,0,9 >,079 -099
*-=9 % & 4 :: 4 ,- 4 -* 4 7- 4 ,4 89 4 94 << 4 << 4
0 0
!
Fish
Horse
5
0
0
20
1
40
10
2
60
3
15
80
Milk
1 BE 2 NL 3 BE TOT (n= 6 ) (n= 12 ) (n= 20 ) (n= 38 )
NL (n= 58 )
Vegetables
2.5
0.08 3 BE (n= 2 )
TOT (n= 5 )
TOT (n=5) Data source
% %
+# #
% 1'A6% 2
2B
@ ' %#
& % 3,7/:7+
# #
# )
!
) '
+
+
8
%
% &
.#
% #
'
#
.<= #
'
! # E
1C1 0
& 0
.
+# )
" 6. '
0 1 D
.
# ' '
+
. &
)
.#
TOT (n= 15 )
0.07
% 0 1
.
3 BE (n= 12 ) Data source
0.09
2.0 1.5 1.0 0.5 0.0
&
1 BE (n= 3 )
0.10
Sheep
Data source
# %
TOT (n= 68 )
Data source
1 BE (n= 3 )
9
3 BE (n= 10 )
Data source
0 #
)
%
(
Egg
0.0
2
0.4
4
0.8
6
1.2
Chicken
2 NL (n= 10 )
3 BE (n= 48 )
TOT (n= 70 )
1 BE (n= 4 )
Pork
Beef
6
4
4
3
0
2
2 1
&
2 NL 3 BE (n= 10 ) (n= 31 ) Data source
%
0 1
% % )
TOT (n= 16 )
Data source
0
1 BE (n= 14 )
!9
2 NL (n= 12 )
Data source
8
1 BE (n= 12 )
0 1 D
& &
TOT (n= 55 )
. 2B
1 BE (n= 12 )
. 2
2 NL 3 BE (n= 9 ) (n= 28 ) Data source
% 1'A6% ' %#
% 3,7/:7+
.
TOT (n= 49 )
% &
%% 1C1 & 0 0
.
. '
(9 2
&
;
;
6(
&
0
& #
;
;
2
1
0
&
$
;
; <9= *<= <*, ,:=
*,<< -7= -*9> 797 7,>=
'%% ;
6(
2
& ; *< < > =
-9 >9 *9< ,, ,,*
!
"
!
$
#
$ #
# #
(
#
"
# . '
(
)
#
#
"
'
1# "
9 "# #
# ' #
$
"
"
$
)
+ $
1 "
# $ "
)
)
)
+
A
#
" #
0
%
'
'
" #
$ #
# '
'
# "
)
!
+
$
#
(
$
"
' '
A
///
#
$
%&
;
)
'
"
'
( .#
#
"
.#
'
#
% #
#
#
% & J " )
( ( # " '
#
"
#
!
) #
#
' $
3
# #
)
' #
#
' &
# ,
$
Chicken (n=1450)
PCB (ng/g fat)
10 05/07/99
05/09/99
05/11/99
05/05/99
05/07/99
Pork (n=3286)
Beef (n=547)
5
50
PCB (ng/g fat)
500 50
20/07/99
20/09/99
20/11/99
07/05/99
07/07/99
Date of sampling
(9
.
07/09/99
# ; %
. +0
07/11/99
Date of sampling
; E
. 3
05/11/99
500
Date of sampling
5 20/05/99
0 1 #
05/09/99
Date of sampling
5000
05/05/99
PCB (ng/g fat)
100 1000
1000 100 10
PCB (ng/g fat)
100000
Egg (n=389)
# 0 1
,99 % ; #
6%
= .
# .
#
%
#
# %
6
8 '$ ) $
#
# "
" #
',
# '
$
"
#
;
#
$ (
"
#
# )
D $ (
'
"
#
) #
'
( *
$
#
) #
"
"
#
$
"#
D $ (
#
D $ ( *
)
D $ (
#
#
#
#
' "
#
$ (
#
# "
#
$"
#
) $' "
$# #$
(
.#
' "
' ) $
6
D
(
)
D )
#
"
8 "# D $ ( *
#
' "
#
# " $
%
(
!
( !
" .
%
.<=
$
6
% 8
# #
6 8
' #"
%
.<=
"
# "
&
J " )
#
'
#
B
"
#
'
)
3 "#
#
+ '
#
"
% #
A
#
)
)
# ) #
$
)
# $
/
1 111 1
8
11 11111 111 0 1 11111111111 111 1 1 1 1 1 0 1 1 11 1 11 0
-2
0 -2
4
6
8
10
12
0
2
4
6 ln(PCB)
Pork
Beef
8
10
12
10
12
8 6
4
1 1 1 1 1 1 1 1 1 1 1 1 1 11 1 1 1 1111 1111 1 1 11 11 111 1111 1 1111 11 1 11111 1 11 1 1 1111111 11 1 11 0 1 1
-2 0
2
4
6
8
10
2 0
0
11 1 1 111111 1 0 0 111
0 0
-2
0
2
1
4
ln(TEQ)
6
8
10
ln(PCB)
10
2
0 0 0
0
10 0 0 0 0 01 0 0 0 0 0
0 0 0
0
ln(TEQ)
1 1 11
2
1
1
6 ln(TEQ)
4
1
2
ln(TEQ)
6
1 11
4
8
10
Egg
10
Chicken
12
0
2
4
ln(PCB)
9 ;
3 % 1'A6% + % & F9G / ; & #
6
8
ln(PCB)
3 %; /
6%
+ ; .
0 1 & &
#
F*G0 5 % 0
Egg
0
0
500
10000
1500
20000
30000
2500
Chicken
1 2 3 4 5 6 7 8 9 1011121314151617181920
Uncertainty realisations
Uncertainty realisations
Pork
Beef
9
0
0
20
10
40
20
60
30
80
40
100
50
1 2 3 4 5 6 7 8 9 1011121314151617181920
1 2 3 4 5 6 7 8 9 1011121314151617181920
1 2 3 4 5 6 7 8 9 1011121314151617181920
Uncertainty realisations
Uncertainty realisations
.
E % &
,9
1'A #
#
M
) #
%
A
% #
E
% &
$ % +#
+#
'$ # )
% "
#
+ # .# "
%
.<=A
"
"
-
%
# .#
"
% &
2 '
%&
)
% &
'
.# #
# $
% &
#
+
0
!
.#
3 % 1'A6%
)
)
'
.# $ # "
$
2
4
6
12 Ratio
2
4
6
8
10
12 10 4 2
1.6
0
20
40
60
80
5
10
15
Beef
Pork
Chicken
1.5
2.0
2.5
0
TEQ dioxin (pg/g f at)
2
4
6
8
TEQ dioxin (pg/g f at)
-9
10 Ratio
2
4
6
8
10 2
4
6
Ratio
8
10 2
4
6
Ratio
8
10 8 6
1.0
12
Sheep
12
TEQ dioxin (pg/g f at)
12
TEQ dioxin (pg/g f at)
12
TEQ dioxin (pg/g f at)
2 0.5
6
Ratio
8
10 4 2 1.5
Horse
TEQ dioxin (pg/g f at)
4
Ratio
6
Ratio
8
10 8 Ratio
6 4 2
1.4
0
1
2
3
4
0.2
TEQ dioxin (pg/g f at)
;
E
0 .
. /
;
0.4
0.6
0.8
TEQ dioxin (pg/g f at)
. / 0 1 &
0
Fish
12
Egg
12
Milk
6; ( @% 9 * % 1'A6%
12 8 6 4 0
2
Intake (pg/kg bw.day)
10
Total Chicken Pork Beef Egg Milk Fish Other
0
20
40
60
80
100
Cumulative Distribution Function
/9
#
. / 0 (
&
3 % 1'A6 % & 6 0
@
&
&
+
/
" '
.#
# $
'
' 8
/
#
$'
% &
" #
"
#
# (
$" # $
#
/ )
#
& ',
'
) #
)
' ' #
& ',
8 * $'
' " '
# '
6. '
$
# '
'
# ' "
+ &
%
$" B
&
&
6
2
%
)
' #
$
8 6 4 0
2
Intake (pg/kg bw.day)
0
20
40
60
80
100
Cumulative Distribution Function
9 &
7 %
&
<7 %
#
#
79
0
.# +
# "
.<=A
'"A '
N
$
"!
+ #
#
'
#
% &
.<=A '
#
#
'"A
$ .#
# )
+#
.#
+# #
'
)
',
#
*
0
' " $
#
#
" ## #
' ) % &
6
$ #
0
#
# /( #
# '
# $
,
#
9 '
; -(N
# *
#
$
#
'
#
- #
$
"
'
8
M
'
#
#
# # )
#
#
# #
#
# #
)
)
&
! $
+
',
# "
+
)
)
(
# (# $
+
$ '
$ # ' "
$ #
#
6
)
$
' )
'"A
$
$ .#
+
# "
#
$
#
J
$
.<=A
'"A
$ (N
*
+#
#
$
)
"
#
" $
' #
+#
# +#
"! # $
" # #
) #
'
$
$
" # #
'
#
$
#
% &
%
%
)
#
# /( #
&
1
% '
0
'
#
% & .<=A
$
.#
" #
.# +
'
$
% & +
' '
'$
)
'
# '
#
# # .<=
$'
8
1
'
',
$ #
)
)
$
'
#
$1
#
) $
)
1
#
.#
8
& ',
'$ # )
.#
#
/( #
+
#
'
# ' "
)
',
)
%
#
#
2
& ',
.<=
/
# (#
)
6. '
"
$
#
#
'
'$ # #
/( # )
+
'
#
#
9 '
'
#
)
#
12
(
0
2
4
6
8
Intake (pg/kg bw.day)
10
Total Chicken Pork Beef Egg Milk Fish Other
0
20
40
60
80
100
Cumulative Distribution Function
9 . /
# & 0 (
.#
# 6 %
8
6. '
)
' '
# ( #
+#
% &
#
$ $'
%
#
#
' "
$
$ "
#
#
#
# #
* #
$ "
& % &
#
0
'
1# "
$
# '
8
$ "
'
$'
) 1#
# #
&
3 % 1'A6 % & 6 + @ 0
'
)
&
# #
'
0
$ #
20 15 10 0
5
Intake (pg/kg bw.day)
0
20
40
60
80
100
Cumulative Distribution Function
9 74 3 &
+
# %
3
+ <74 3 1'A 3 %6 % & 6 0 E
&
C
# 3 *
1
+ = %6 % & 6
(
*
# $
# +# ) $
$
%
#
'
#
/(N
$
" $
&(8 7#
& #
! " #
#
&
"
)
$
)
'
# +
6. '
%
&
'
% & %
.# (N
'
+
0
" # $
'
+
# (N
"
'
# /(N
$ '
' '
# # # ' "
& ',
)
" #
#
12 8 6 4 0
2
Intake (pg/kg bw.day)
10
Total Chicken Pork Beef Egg Milk Fish Other
0
20
40
60
80
100
Cumulative Distribution Function
9
#
& (
3 % 1'A6 % & 6 0
@
# (N
/(N
"
)
#
.#
1 # "
'$
' # (N
"
+ $
( / 6/(N #
)
$8
)
# ( 6(N
.<=A
$8
'"A
'
# #
!(
$
$'
"
#
& ',
)
'
)
#
$ #
"
#
#
# # # '
)
$ .#
) #
) % &
# '
# # ' "
"#
% &
'$ # ( # $8
#
$ ' #
6
'$ #
#
# # #
'
. / 0
+
$ $
&
I $ )
+#
# / #
# # #
0
20
40
60
Intake (pg/kg bw.day)
80
100
-
0
20
40
60
80
100
Cumulative Distribution Function
!9
7
<7
&
#
%
J
0
" $
79
#
+
!
(
',
+
#
! # "
$
' # # (#
'$ #
)
" $
'
'$
#
2
*
)
$
# $ # " & ',
#
#
)
# #
)
' ' 1
1'
'$
# # $ '
$
$
$
#
)
1
" # #
&
$
' $
'
.# ' " # /( #
$
/( # )
'
#
$#
#
)
' +
# )
& ',
# (# $
$
B
' "
)
)
0
)
+ #
#
% &
+
(
10 0
5
Intake (pg/kg bw.day)
15
20
/
0
20
40
60
80
100
Cumulative Distribution Function
(9 74 3
+
# &
3
+ <74 3 + 1'A 3 %6 % & 6 + % + 0 E = %6 % & 6 0
& %
# 3 1
C
*
" # ) (N
% #
"
$
/(N
' #
# ) "
.# (N ' '
% &
$8
A
" # #
/(N
$ "
6(N
'"A
#
#
I $
" # / #
#
# &
)
#
#
6
$8
#
# +#
% & ) $
#
)
+# ) #
)
$ .#
#
)
' $8
# $
$
# #
% &
'$
! ( 6/(N
&/8 .#
% #
# ( #
6. '
'
#
.# #
'
' )
+#
12 8 6 4 0
2
Intake (pg/kg bw.day)
10
Total Chicken Pork Beef Egg Milk Fish Other
0
20
40
60
80
100
Cumulative Distribution Function
9 & 0 (
# @
3 % 1'A6 % & 6 0
&
. /
+
# # #
B
"
'
$
#
'
#
( #
# 6
$ % &
$8
" # #
6/(N
'
)
%
# $8
'$ A
'"A
$
6. ' 6(N
& 8
# $8
. '
9 H #
0
& ( % '%% ! ;
90:-, 90=7: 907*> 90><8 *09<7 90::9 908*= 908<8 90<*9 90<9: *0*>*
&
%$)
*
0 ' 909*> 9099, 9099, 909*7 9097> 9099= 90998 9097> 909*7 909*> 909,=
90,>: 909,9099< 90987 /90,:8 909*= 909,90**: 909,9 909** /909*7
"
&
# *:0*>: <07*= 7088> 707*9 =0<,8 -0-7* ,0<,9 ,09:, *0->9 90>89 90>-7
& !
$
&+
'
$
" *
)
"# #
K
#
#
) L #
.
)
#
$"
"
$
+
'
$ ' "
& ',
$
! .
$ #
5
" "
# #
'
' "
!
%
!
$
"
&)
0
6 A
& ',
)
%
'
"
#
.# # /
" #
#
#
$
'
"
"
9
$89 + #
'
) #
#
)
)
$ '
#
# *
)
$
#
5
) '
)
)
+#
# $ #
# )
' 6
) '
8 B
$
. '
9
#
%
& 3
+ (
"
'
)
#
'
. '
$"
0 ' 909=* 909*, 9099* 9099=
90*,8 90,>< 909,, 909-,
#
"
*
# )
',
" / "
)
# %
' '$'
+#
'
.# #
'
#
#
)
#
'
'
0
# ' "
+
0
# #
#
# $
&
) '
$"
+
# "
!
.#
$" #
#
'$
# #
#
' '
!
'
$
& ',
)
#
4
$ #
9
$
"# #
#
#
$
#
*
%
+
)
"
"
)
"
" #+
# -0*78 ,-0-*8 *70997 :07=8
)
#
'$
0
)
#
%
5
"
)
"# #
'
. '
-9
&%
&
&
%
&
%
0 ( ;
#
#
#
7
"
"
"
#
#
"
#
# #$
#
) "
#
3
$ #
'
' $
#
,
# $
# ' " #
)
"# # #
$ "
# $
# "
8) #
#
"
$
#
$
$
#
*
#
$
#
"#
( .# /(N -
"#
#
*
)
$ #
# " #
'
6
'
#
#
90:< *0**0=* ,0,, -09, =09, 80=*90-= *<0>-
+
$ B
) ( *
*0,= *08= ,0** =0=> 80=< *>0<* =:0,7809= <=0>,
)
,
"
.0
<74 $
90>8 90<*0*7 *087 ,07-0-9 >07, :0=: <0>7
$" '$
.
% * 7 ,7 79 :7 <7 <: <<
8
/
& ',
#
#
D )
# )
# )
+#
' '
)
8 # #
& &
!
.#
'
$
#
' '
#
%
$
.#
' '
# ) $
'
$ " #
" # )
# +
#
#
'
#
J " )
"
"
#
+
# # ' #
) "
# " )
I
#
%
# +
& "
#
'
$
6 #
%
$
'
!
#
6
#
/8 ' (
G
// 8 %
% &
)
%
.<=A )
'"A
6B -&.
% & 8 *
'
" # # # #
' # /// '
8 #
#
&
$
$
.< )
" # # <
# . *1
#
#
*1
-& '
#
'$ # #
$
"
%
#
# ""
"# "
# % &
+
# '
% &
'
*
"
$ .#
'
#
B
', ' '
'
$
#
.#
.#
$"
#
#
" #
#
0
' '
'
$
"# # # $ " #
#
$
$
7 )
%
'
#
# )
$ *
#
$
#
) .< 6B "
# '
+ %
$
'
# $"
'
) '
)
( #
#
'
% &
# #
,
%
#
)
'
*
'
)
# 7
"
'
"
#
$ '
$
#
$ /// '
) $
#
#
D $ (
$
#
"
'
$ #
.#
D
$
#
" # #
$
# ) "
$
# *
#
#
*
'
$" #
.# # +
'
#
'
" # $
#
$
'
% & $
# ) 3
D $ (
#
% &
"#
# ' "
& "
&
#
#
$) $ "
' '
#
(
'
1#
0
$
# '
A
$ '
"
' '
% &
#
.#
.
#
)
#
) 1
$ (
(
# '
$
"
# #
#
' &
#
$
$
$
#
.#
"# #
'$ # #
,
)
" #
#
'
$
'$
$ 8
#
$
$" 6
)
#
#
# ,
'
,
$"
$
$
) B )
% &
$
#$' $3
& ',
+# #
& #
'
$ # ' "
) # #
%
'$ ',
)
#
+
&
. '
/9
%
) 0
%
$ 8:0,8 %6 7* 4 ,= 4 *- 4 *4
&
; @
.#
:>0>8 %6 := 4 ** 4 *4 74
$
:70=7 %6 =< 4 ,7 4 *= 4 ,4
$
#
)
"
) )
.# E $
J
#
) &
% &
&" /
#
$
$
$
#
#
$
*
#
#
$ " #3
0
#
# ( # $ ' # #
" #
"
8
#
#
# #
# E #
I 6H
//-8
'$
"
# $
% & $
3
# )
'$
$'
'
0
' '
6
%
&
#
#
C
) $
% &
. '
7
$
0 '
# #
#
$
$
$
' ) /
' ) '
3
'
)
$
',
)
#
#
#
# '
!
I
#
#
)
)
#
.#
6 // 8 #
#
" #
)
'
'$
.<=A
"
'
) $ 6
# 6 ///8 #
' '
& ',
)
'
'"A
# '
$ .# <
% & '"A
$ I
#
#
$
#
#
" #
% ,
# .<=A
.<=A
+#
G
)
# #
$
$
$
(
3
$
$
8
<
# ' "
#
$' %
'"A
0
% &
# ( # " #
)
# !
$
'
" #
#
+ 0
" #
$ $
B
'
$
$
% & #
#
#
7#
#
" #
#
#
' *
#
' '
& ',
'
# ' # '
)
)
$ *
#
&
'
' #
#
#
)
'$ # $
)
%
' "
"
#
'
# "
$ "
$ # "
I
'
$ .#
$
% &
# $
#
) +
$
.#
#
. '
# // #
# '
$ % &
+
" $ )
$ +#' "
#
"
)
"#
+#
)
"
+#
+#
'
$
)
$
"
#
# #
+ #1 #
)
)
"
6FB<
+# % &
6
'
#
# $
/(N
#
'
#
#
3
3
7JI . * 67JI&< <J&*
$1 # # # #
7JI . *1 ',
#
B $
81
'
"
-(N
" # (N
.# '"A
N
"
# .<=A
"
'"A
$1 #
N
3 "
$1 #
N !
)
'
.<=A N
" #
#
0 #
81
$ $
#
" #
#
#
$ '
B
'
#
$
7JI . * 67JI&< <J&*
# "
#
0
0
)
"
#
'
$
$
#
$
)
.#
'
)
' #
#
.#
"
#
# /(N
#
#
)
$
% &
$ # #
$
)
***8
.#
#
'"A
8 I
# (N
.#
+#
# $
.# #
1'
#
#
#
"
# #
FB<
"
" #
.#
'$ # FB "
#
&
I
"
&
%
#
# #
#
*
#
# " )
$
7# #
#
!
.<=A
# #
"
#
&
/
. '
9
& 6
$
;
;
(
+# %
. /
3&
;
:
. / & %
$ 74
. '
9
& 6
+# % ;
90>8 90<*0*7 *087 ,07-0-9 >07, :0=: <0>7
<74 90:, *09, *0,8 ,097 ,0:8 -0>7 :0*: 80-< **0,>
90:8 *0*9 *0-< ,0,9 ,0<8 =09, 80=> *907*<078
; . /
3 % 1'A6 %
# +0
% * 7 ,7 79 :7 <7 <: <<
;
3&
*=
; % +0
(
*0,= *08= ,0** =0=> 80=< *>0<* =:0,7809= <=0>,
. / &
; %
3 % 1'A6 %
% 74 * 7 ,7 79 :7 <7 <: <<
-0,> -0=* -07, -0<< =0=* =0<= 708: >0*= >0>7
<74 -0,> -0=-07= =09= =0=8 709= >0*, >0== :0-9
-0-8 -077 -0>7 =0*= =0>, 70,= >0::0:8 *-0:*
=0*8 =07> =087 >0=* 80<8 *-08< ,:0:: -,07: =-0:9
!
. '
9
;
& +# . /
3&
*
;
; ( & %
. /
% * 7 ,7 79 :7 <7 <: <<
909909< 90*7 90>* *0,: ,07, 80***0<: ,70<,
+# #
.# $
#
'
#
#
# )
#
;H #
' "
G
#
#
% &
'
'
6
8 .#
///;
#
0
#
' #
A 6
'
///;
6J
'
***
'
'
# # #
# .#
$ "
;J
909= 90*, 90*8 90>: *0=, -097 ,*0=, =808: ,790-*
#
# / #
# # #
% &
909= 90** 90*> 90>= *0-, ,0>= <0,= *=0*7 -*0<9
'
I $ )
<74
90990*9 90*7 9078 *0,* ,0=9 8099 *,0,,:0*-
#
6
3 % 1'A6 % %
# +0
74
#
;
;H
G
'
'
8
; H
G
#
#
8 * # #
$
#
' "
#
#
' ' )
)
'$ %
%
% &
"
'
;
/
# #
$
#
.<=
#
$ ///;
#
A
8"
#
$ #
.<=
'
' "
'
# $
% &
! ) $
'
"# #
# ) $
'$
# ) '
'
*
' 3 #
'
# 2
$
)
# $
) '
"
# $
'
%
I
%
"
# "# #
# #
)
'
# '
" I
%
# " #
!
' '
% &
'
' '
#
"
# #
$
#
+
" $
) $ $
' '
'
"
.<=A
#
'"A
$1 #
!
(N .<=A
)
'"A
'
#
$
# # #
.<=A "
'"A '
$ B ) "!
"# # #
$1 #
$& % N
.<=A '
&
) I $ N
"
#
% &
% & '
&
#
#
#
#
#
7JI . *1
< # $&+) N
) +#
"
$
7JI . *
#
.#
% & $
) $
#
# '
&
#
$
' #
N
% &
$
)
#
&
'
#
.#
"
#
#
'"A '
#
$ *
'$ #
" # #$
!
#
%$$% &
'
%$"
'
%$ (
' +
,-
+
. %
)
'
*
"
* &
/ 012 3%31 ($%-
+
4
*
*+ "
)
.
) +
6
'
5
'
+ 6
+
"
"
+
( 6 &
,
6378
+4
"
9
; 0
,
+
, 4
< 6378
,
4 &
+8 4 +
"
9
9 6
"
, 4:
' ,
4
"
9
, 4
9 "
:
#
; 0
,
, 4
, 4
4
'
;
6 9
'
"
"
+
"
-
6%
6%
+
637 0
,012 3%31 ($%-
;
" ;=
4
>
; 4
,
+ ,
4
' %, ?
4+ (
' *
'
+ ,
&
?,
+
@ * 4
?
%4 ( +
A
+
&
6
.
* %
? *
/
/ = + '
+
? A
"
15000 bb (pg/kg bw)
10000
97 %
5000
95 %
0
50 %
0
16
50
60
time (years)
&
: !
"
#
() ! ( / #
! %
* - . 0
" ,$ & %" 0
& "
! "
( /
" $
( + " " ! "$ %
! ' "
%
&' +
%" - . & 0
& "
* 1
? ?
'
%
A
" %
+ = 6
.
= (
"
.
'
"
+
A
9
"
+
2
"
%$+
+
$% &
'
9
'
%$'
"
' +
6
"
'
+
6
" +
0
"
'
"
6
+ " A @
' ?/ B
>
,$ $B4 "
. 9
-
,"
=4 "
+
"
'
6
1 + " )
$ $B )
= +
-
+
"
+
' ,-
. %
+
&
4 0
-%&
>
'
+
9
+
+
+
,
&
4 +
,C
D4 6 &
?
+
%,
2
4
9
0
, 4 '
%$*
6378 D
" 6378
3
+8
,3-&
6378 )
D?
"
+ @
&
+
+ "
'
' 4*
6378 ?
$% &
4* "
,-
" +
%$+
" A
D
* ?
6 6
"
"
' +
+
'
+ +
+
'
"
= '
6
+
D
6
: 2
! "
" 3
+
0
"
*
! ,$ % ! !
) ( () ((
7*8( * )9 , * :$ ,,*98$ ,9*87(
7*(, *,,9 , *,77 ,,*$ , *78) ! $ % !
)*:9, 8*9$8 ,:* 9) ,7* (8 , *7)8
)*:98 8*9)8 ,:* )$ ,7*, : , *$ 8
!
) ( () ((
)
)
"
6
' '
!
!
'
+
+
"
E "
'
+
1 "
9
"
" " =D
+ 8
+
+
6378
0 F + "
+ +
456 ! +& " - . ( / 9*:,( *8:$ ,:*:)7 ,9*:)8 ,(* :( 456 ! +& " - . ( / )*7( 8*)$ ,:*)), ,7*()7 ,$*$,)
+
+
6
!
9
"
'
+
' ' 2
'
E "
+
"
&
) '
-
" G
"
= D 6% /
"
) )
,"
. %
&
4 @
+ '
'
' '
"
= D 6%
637
6
/
+
"
'
"
%$
%$$% &
' )
"
)
*
%H$ "
8 "
"
3I& ,
+
'
4 (
"
'
* '
+
2
" + "
+ '
)
"
+ '
" "
'
,
4
&
)
+ + +
9
'
' '
+
) '
(
+ "
+
'
"
"
+
"
)
"
'
"
"
)
"
)
,E2 3F4 @
"
"
- "
,F2 3F4 + "
)
+ 0
!
9 '
+
!
+
) 6
+
' )
"
'
6
)
6
+
"
+
"
6
+
"
+
+
9
'
!
!
9
"
#
" " 6%
'
' )
(
3 +
(
'
+
9
. 6378
4
+
'
+
' +
9
"
+ , #
"
6 +
+
6
:
!
.
+
" 0
"
#;; = 0
!
-
"
< 4 !6 ! + *,
B .
0
A
," #
%2
3
A
3
3
!
+ !6 ! + : .7)
%
B
*,
!
%
A B 3
!
%
A B A
! 6
B " #C1, , #C1, : 4 @A + D B 0 D B !
7(
,(*
7 .78
, .,(
$
7
:(9
,
&
B 3
!6 ! +6 ,:* .,8*
&
% A
" * ><.4#4>.?1#2 @ : &*
!
2#@
% < 4 &
* 1
-
* 7"
0
-
! "
+
.$9 ! , ! ,
%
& & &
*, . *9 %
7.,
,* . :*:
,
:*:
$.8
:
&
! *9 %
& *:
%
&
%:
&
'
" +
/
6
"
/6
/ 3-&
$ #
! " "
J-3$
'
%
, +
4
"
&
3 @ ,9 K
+ '
4
' 6
A
9
"
%
?4
+ "
"
+
0
?#
6%
8
" ,F "
6
?/
' ' '
= D 6%
6378
4 2
+8
1 '
+
'
.
'
.
.
A
'
+8
"
A
D
,1
D/ &
L
F
'
/"
=
, C
'
'
F
4 6
.
D
' "
=
( .
+
1 + "
M
N .
D ( +
+
' +
. '
+ "
*
' "
"
+
"
= '
*+
== "
==
.
?#D
? #==
+
+ "
A
0
+ "
"
"
)
,%
' $$! ' $(!
?4
)
'
2
9 '
%$) "
'
'
+
+
6
' 4 '
4
9
"
>
' '
+
9 $% -
'
"
,1
/ C
'
' '
+
%$$% 6
>
+
1
D
F
'
4 6 '
%$"
= '
'
#
2
%$$% &
'
%$+ 6
#
9
'
? +
6378
"
6
"
+
+ "
?
A 6
" + '
+ ' '
"
+
)
!
'
(
!
' " + +
+
" )
+
+ "
'
)
6
" "
+
+
"
Literature
body burden report literature references
2
Ahlborg UG, Becking GC, Birnbaum LS, Brouwer A, Derks HJGM, Feeley M, Golor G, Hanberg A, Larsen JC, Liem AKD, Safe SH, Schlatter C, Wærn F, Younes M, Yrjänkeikki E (1994) Toxic equivalency factors for dioxin-like PCBs. Report on a WHO-ECEH and IPCS consultation, December 1993. Chemosphere 28: 1049-1067. Ashraf H (1999) European dioxin-contaminated food crisis grows and grows. The Lancet 353: 2049. Bailey S, Buynan PJ (1972) Interpretation of persistence and effects of polychlorinated biphenyls in birds. Nature 236: 34-36 Baker JI, Hites RA (2000) Is combustion the major source of polychlorinated dibenzo-p-dioxins and dibenzofurans to the environment? A mass balance investigation. Environ Sci Technol 34: 2879-2886. Baker SG (1994) The Multinomial-Poisson transformation. The Statistician 43 (4): 495-504. Ballschmiter K, Zell M (1980) Analysis of polychlorinated biphenyls (PCB) by glass capillary gas chromotography: Composition of technical Aroclor- and Clophen PCB mixtures. Fres Z Anal Chem 302: 1049-1067. Becher H, Steindorf K, Flesch-Janys D (1998) Quantitative cancer risk assessment for dioxins using an occupational cohort. Environ Health Perspect 106 S2: 663-670. Beernaert, De Poorter G (1999) Personal communication. Bernard A (2000) La crise PCB/dioxine en Belgique: analyse de la contamination et evaluation des risques pour la santé. In “Parlementair onderzoek naar de belgische vlees-, zuivel- en eierproductie en naar de politieke verantwoordelijkheden in het licht van de zogenaamde dioxinecrisis”. Belgische Kamer van Volksvertegenwoordigers. Doc 50 0018/007, 40-50. Bernard A, Hermans C, Broeckaert F, De Poorter G, De Cock A, Houins G (1999) Food contamination by PCBs and dioxins. An isolated episode in Belgium is unlikely to have affected public health. Nature 401: 231-232. Birnbaum LS (1994) The mechanism of dioxin toxicity: relationship to risk assessment. Environ Health Perspect 102 S9: 157-167. Boon JP, Reijnders PJH, Dols J, Wensvoort P, Hillebrand MTJ (1987) The kinetics of individual polychlorinated biphenyl congeners in female harbour seals (Phoca vitulina), with evidence for structure related metabolism. Aquat Toxicol 10: 307-324.
body burden report literature references
3
Buekens A, Stieglitz L, Huang H, Cornelis E (1998) Formation of dioxin in industrial combustors and pyrometallurgical plants. Environ Engrg Sci 15: 29-36. Buekens A, Cornelis E, Huang H, Dewettinck T (2000) Fingerprints of dioxin from thermal industrial processes. Chemosphere 40: 1021-1024. Buser HR (1985) Formation, occurrence and analysis of polychlorinated dibenzofurans, dioxins and related compounds. Environ Health Perspect 60: 259-267. Clapp R, Ozonoff R (2000) Where the boys aren’t: dioxin and the sex ratio. The Lancet 355: 1838-1839. Crump KS (1996) The linearized multistage model and the future of quantitative risk assessment. Human Exper Toxicol 15: 787-798. Cullen AC, Frey HC (1999) Probabilistic Techniques in Exposure Assessment. New York and London: Plenum Press. De Boer J, Stronck CJN, Traag WA, van der Meer J (1993) Non-ortho and mono-ortho substituted chlorobiphenyls and chlorinated dibenzo-p-dioxins and dibenzofurans in marine and freshwater fish and shellfish from the netherlands. Chemosphere 26: 1823-1843. De Cock A (2000) De centrale gegevensbank tijdens de Belgische dioxinecrisis: cijfers en grafieken. Stagewerk bij Ministerie van Middenstand en Landbouw, Inspectie-generaal Grondstoffen en Verwerkte producten. Denison MS, Heath-Pagliuso S (1998) The Ah receptor: a regulator of the biochemical and toxicological actions of structurally diverse chemicals. Bull Environ Contam Toxicol 61: 557-568. De Pauw E (2001) A Belgian food contamination control program (Institute for Veterinary Control, IVK-IEV). Analytical results for PCDD, PCDF, and dioxin-like PCB, personal communication. De Wit C, Jansson B, Bergek S, Hjelt M, Rappe C, Olsson M, Andersson O (1992) Polychlorinated dibenzo-p-dioxin and polychlorinated dibenzofuran levels and patterns in fish and fish-eating wildlife in the baltic sea. Chemosphere 25(1-2): 185-188. Dioxin follow-up group (2000) Uitslagen van dioxinebepalingen in Belgishe mengmelk / Résultats des analyses de dioxines dans le lait de mélange Belge. Scientific Institute of Public Health, Brussels.
body burden report literature references
4
Domingo JL, Schuhmacher M, Granero S, Llobet JM, de Kok HAM (1999) PCDD/F levels in the vicinity of an old municipal solid waste incinerator: temporal variation in soils. Arch Environ Contam Toxicol 36: 377-383. ESF news release (2000) European Science Foundation Workshop on Dioxin Food Contamination. Bayreuth, September 29 – October 1, 2000. http://www.esf.org/update/news/00/dioxin.htm. Ferguson GM (1998) Use of congener-specific chemical fingerprints in the environmental health risk assessment of releases from a PCB incineration facility. MSc. Thesis. Waterloo, Ontario, Canada. Flesch-Janys D (2000) Exposure assessment and dose-response relationship for PCDD/F and cancer mortality and implications for risk assessment. In “Proceedings of the Workshop on possible health implications of the dioxin crisis”. Verhandelingen van de Koninklijke Academie voor Geneeskunde van België 112: 90-91. Focant JF, Eppe G, Houziaux JS, Xhrouet C, André JE, Dipede D, De Pauw E (2000) Contribution and importance of non-ortho (coplanar) PCBs for the I-TEQ evaluation in “dioxins analysis” of biological matrices. Proceedings of the 20th International Symposium on Halogenated Environmental Organic Polluants & POPS 48: 312-315. Foster EP, Drake D, Farlow R (1999) Polychlorinated dibenzo-p-dioxin and polychlorinated dibensofuran congener profiles in fish, crayfish and sediment collected near a wood treating fecility and a bleached kraft pulp mill. Bull Environ Contam Toxicol 62: 239-246. Fries GF, Paustenbach DJ, Mather DB, Luksemburg WJ (1999) A congener specific evaluation of transfer of chlorinated dibenzo-p-dioxins and dibenzofurans to milk of cows following ingestion of pentachlorophenol-treated wood. Environ Sci Technol 33: 1165-1170. Gilliom RJ, Helsel DR (1986) Estimation of distributional parameters for censored trace level water quality data: 1. Estimation techniques. Water resources Research 22(2): 135-146. Hansen LG, Welborn ME, Borchard RE, Teske RH, Metcalf (1977) Tissue distribution of PCB components in swine and sheep fed three ratios containing aroclors 1242 and 1254. Arch Environ Contam Toxicol 5: 257-278. Helsel DR (1990) Less than obvious: statistical treatment of data below the detection limit, ES & T features. Environ Sci Technol 24(12): 1767-1774.
body burden report literature references
5
Hens L (2000) Gezondheidsaspecten van blootstelling aan dioxins, furanen en bifenylen in België. In “Parlementair onderzoek naar de belgische vlees-, zuivel- en eierproductie en naar de politieke verantwoordelijkheden in het licht van de zogenaamde dioxinecrisis”. Belgische Kamer van Volksvertegenwoordigers. Doc 50 0018/007, 72-84. Hoogerbrugge R, Freijer JI, Liem AKD, Traag WA, Hoogenboom LAP, van Klaveren JD (2001) Relationship between critical levels and estimated percentage of non compliance and effect on intakes, personal communication. Johnson RA, Wichern DW (1992) Applied multivariate statistical analysis. Third edition. Prentice Hall, inc. New Jersey. Kreuzer PE, Csanady GyA, Baur C, Kessler W, Päpke O, Greim H, Filser JG (1997) 2,3,7,8-Tetrachlorodibenzo-p-dioxin (TCDD) and congeners in infants. A toxicokinetic model of human lifetime body burden by TCDD with special emphasis on its uptake by nutrition. Arch Toxicol 71: 383-400. Leonards PEG, Lohman M, de Wit MM, Booy G, Brandsma SH, de Boer J (2000) Actuele situatie van gechloreerde dioxines, furanen en polychloorbifenylen in visserij-producten: Quick- en Full-scan. RIVO rapport nummer C034/00. Liebman SA, Ahlstrom DH, Hoke TA (1978) Multivariate profile analysis of gas chromatograms. Chromatographia 11(8): 427-429. Liem AKD, Theelen RMC (1997) Dioxins: chemical analysis, exposure and risk assessment. Thesis University Utrecht. ISBN 90393-2012-8. Lovell DP, Thomas G (1996) Quantitative risk assessment and the limitations of the linearized multistage model. Human Exper Toxicol 15: 87-104. Luotamo M, Jarvisalo J, Aitio A (1991) Assessment of exposure to polychlorinated biphenyls: analysis of selected isomers in blood and adipose tissue. Environ Res 54: 121-134. MacDonald RJ, Norstrom RJ, Turle R (1992) Application of pattern recognition techniques to assessment of biomagnification and sources of polychlorinated multicomponent pollutants, such as PCBs, PCDDs and PCDFs. Chemosphere 25(1-2): 129-134. McFarland VA, Clarke JU (1989) Environmental occurrence, abundance, and potential toxicity of polychlorinated biphenyl congeners: considerations for a congener-specific analysis. Environ Health Perspect 81: 225-239. Nationaal Instituut voor de Statistiek (2000) Landbouwstatistieken, landbouw- en tuinbouwtelling op 15 mei 1999. Ministerie van Economische Zaken. Brussel.
body burden report literature references
6
NEVO (1996) NEVO Tabel. Nederlands voedingstoffenbestand. Velotekst, Den Haag. Newman MC, Dixon PM, Looney B, Pinder JE (1989) Estimating mean variance for environmental samples with below detection limit observations. Water resources bulletin 25(4): 905-916. Norwood CB, Hackett M, Pruell RJ, Butterworth BC, Williamson KJ, Naumann SM (1989) Polychlorinated dibenzo-p-dioxins and dibenzofurans in selected estuarine sediments. Chemosphere 18: 553-560. NUBEL (1999) Belgische Voedingsmiddelentabel. 3de editie. VZW NUBEL, Brussels. Owen WJ, DeRouen TA (1981) Estimation of the mean for lognormal data containing zeroes and left-censored values, with applications to the measurement of worker exposure to air contaminants. Biometrics 36: 707-719. Patandin S, Dagnelie PC, Mulder PGH, Op de Coul E, van der Veen JE, Weisglas-Kuperus N, Sauer PJJ (1999) Dietary exposure to polychlorinated biphenyls and dioxins from infancy until adulthood: a comparison between breast-feeding, toddler, and long-term exposure. Environ Health Perspect 107: 45-51. Rencher AC (1995) Methods of multivariate analysis. Chapter 12: Principal component analysis. Wiley series in probability and mathematical statistics. John Wiley and sons, inc. New York. Safe S (1994) Polychlorinated biphenyls (PCBs): Environmental impact, biochemical and toxic responses, and implications for risk assessment. Crit Rev Toxicol 24(2): 87-149. Safe S (1997/98) Limitations of the toxic equivalency factor approach for risk assessment of TCDD and related compounds. Teratog Carcinog Mutagen 17 (4-5): 285 – 304. Safe S, Bandiera S, Sawyer T, Robertson L, Parkinson A, Thomas PE, Ryan DE, Reik LM, Levin W, Denomme MA, Fujita T (1985) PCBs: structure-function relationships and mechanism of action. Environ Health Perspect 60: 4756. Schoeters G (2000) Samenvatting van het toxicologie luik “Milieu en Gezondheid”. In KUL, VITO, RUG, PIH, UIA “Milieu en Gezondheid in Vlaanderen”. http://www.wvc.vlaanderen.be/gezondmilieu/onderzoek/toxicologie/pdf/koepeltekst.pdf. Schuhmacher M, Granero S, Rivera J, Müller L, Llobet JM, Domingo JL (2000) Atmospheric deposition of PCDD/Fs near an old municipal solid waste incinerator: levels in soil and vegetation. Chemosphere 40: 593-600.
body burden report literature references
7
Schwartz TR, Stalling DL (1991) Chemometric comparison of polychlorinated biphenyl residues in toxicologically active polychlorinated biphenyl congeners in the eggs of Forster’s terns (Sterna fosteri). Arch Environ Contam Toxicol 20: 183-199. Scientific Committee on Food (2000) Opinion of the SCF on the risk assessment of dioxins and dioxin-like PCBs in food. SCF/CS/CNTM/DIOXIN/8 Final. http://www.europa.eu.int/comm/food/fs/sc/scf/index_en.html. Serrano R, Fernandez M, Rabanal R, Hernandez M, Gonzalez MJ (2000) Congener-specific determination of polychlorinated biphenyls in shark and grouper livers from the Northwest African Atlantic Ocean. Arch Environ Contam Toxicol 38: 217-224. Shiu WY, Doucette W, Gobas FAPC, Andren A, Mackay D (1988) Physical-chemical properties of chlorinated dibenzo-p-dioxins. Environ Sci Technol 22: 651-658. Slymen DJ, de Peyster A (1994) Hypothesis testing with values below detection limit in environmental studies. Environ Sci Technol 28: 898-902. Souci SW, Fachmann W, Kraut H (2000) Souci Fachmann Kraut Food Composition and Nutrition Tables. 6th revised and completed edition. Medpharm Scientific Publishers Stuttgart, CRC Press, London. Spiegelhalter DJ, Thomas A, Best NG, Gilks WR (1995) BUGS: Bayesian Inference Using Gibbs Sampling, version 0.50. MRC Biostatistics Unit, Cambridge, UK. Stalling DL, Peterman PH, Smith LM, Norstrom RJ, Simon M (1986) Use of pattern recognition in the evaluation of PCDD and PCDF residue data from GC/MS analyses. Chemosphere 15(9-12): 1435-1443. Stalling DL, Petty JD, Smith LM, Dunn WJ (1986) Dioxins and furans in the environment: a problem for chemometrics. In: Kamin MA, Rudgers PW Eds. Dioxins in the environment. Hemosphere publishing company. Washington DC, pp 101-126. Storr-Hansen E, Spliid H, Boon JP (1995) Patterns of chlorinated biphenyl congeners in harbor seals (Phoca vitulina) and in their food: Statistical analysis. Arch Environ Contam Toxicol 28: 48-54. Talloen W, Vrijens B, Vleminckx M, De Cock A, De Poorter G, Srebrnik S, Goeyens L, Willems J (2000) A statistical method for the analysis of PCB profiles in the presence of values below the detection limit. Organohalogen compounds 45: 9-12. Townsend DI (1986) The use of isomer specific data to characterize and differentiate sources of dioxins into the environment. Chemosphere 15: 1461-1466.
body burden report literature references
8
Tuomisto J, Vartiainen T, Tuomisto JT (1999) Synopsis on dioxins and PCBs. KTL (National Public Health Institute, Finland), Division of Environmental Health Finland. Http://www.ktl.fi/dioxin. USEPA (2001) EPA Note to correspondents. FDA and EPA issue advisories on fish. Released January 12, 2001. Http://www.fda.gov. van den Berg M, Birnbaum L, Bosveld BTC, Brunström B, Cook P, Feeley M, Giesy JP, Hanberg A, Hasegawa R, Kennedy SW, Kubiak T, Larsen JC, van Leeuwen FXR, Liem AKD, Nolt C, Peterson RE, Poellinger L, Safe S, Schrenk D, Tillitt D, Tysklind M, Younes M, Waern F, Zacharewski T (1998) Toxic equivalency factors (TEFs) for PCBs, PCDDs, PCDFs for humans and wildlife. Environ Health Perspect 106: 775-792. van den Berg M, Peterson RE, Schrenk D (2000) Human risk assessment and TEFs. Food Add Contam 17: 347-358. van der Molen GW, Kooijman SALM, Slob W (1996) A generic toxicokinetic model for persistent lipophilic compounds in humans: an application to TCDD. Fund Appl Toxicol 31: 83-94. Van Larebeke N, Hens L, Schepens P, Covaci A, Baeyens J, Everaert K, Bernheim JL, Vlietinck R, De Poorter G (2001) The Belgian PCB and dioxin incident of January-June 1999: exposure data and potential impact on health. Environ Health Perspect 109: 265-273. Wenning RJ, Paustenbach D, Johnson G, Ehrlic R, Harris M, Bedbury H (1993) Chemometric analysis of potential sources of polychlorinated dibenzo-p-dioxins and dibenzofurans in surficial sediments from Newark Bay, New Jersey. Chemosphere 27(1-3): 55-64. WHO (1999) Consultation on assessment of the health risk of dioxins: re-evaluation of the tolerable daily intake (TDI). Executive Summary. Document EHBI 010201, September 1999, WHO European Center for Environment and Health, Bilthoven Division. WHO-ECEH-IPCS (2000) Consultation on assessment of the health risks of dioxins; re-evaluation of the tolerable daily intake (TDI): Executive Summary. Food Add Contam 17: 223-240. Willems JL (2000) The Belgian dioxin accident: risk assessment and risk communication. In “Proceedings of the Workshop on possible health implications of the dioxin crisis”. Verhandelingen van de Koninklijke Academie voor Geneeskunde van België 112: 84-86. Zitko V (1989) Composition of chlorinated dibenzodioxins and dibenzofurans in various samples. Sci Total Environ 80: 127-137.
!
! !
!
" #
!
" $
%
!
"
#
! %
!
" &
%
% %
(
)
!
" #
!
' *
!
%
!
%
!
" # *
* "
+
! % %
(
)
" #
!
%
%
,
" #
! !
!
%
%
!
" #
!
% #
-
(
)
!
!
"
!
( " .
%
/
!
" !
! (
! !
" # % !
(
0 !
!
%
" + %
!
% %
"
$(1
+
!
%
1
$
% %
" + !
!
!
"
! (
%
" +
!
(
!
!
! %
+
)
2
'
%
%
" &
/ * %
(
" # !
" #
(
"
.
% ! 5
#
'
% !
6
-
!
3$
0( 4
3$
/
7,
%
7
%
5
" #
%
!
.
6"
9" : 0
" ;
8
% !
% (
%
<9( %
!
<" %
%
, 9 %
!
" ;
! 2
!
"
%
!
= !
(
%
=
%
2 /
" +
' /
%
"
#
/ 8
>
-
!
/
!
0
%
!
%
&
"
4 #
%
%(
%
(
%
4 ( 40
1 )
8
+
!
?
@
A
!
" #
8
<
,(90 8+?@A 1 )
!
%( ! 7,( !
," #
%
!
0
0
%
" %
-
%
" # ! ' " +
9
%
.
<
-
" +
/
1
CD
%(
%(
'
8
< !
'
(
" .
(
CD
" #
" "
%
%
%
( (
" 0
7
8+?@A 1 )
% 8
@ B
8+?@A
E <
!
% (!
%
/ (
8@0" . < , 9
90,
' <8
7 " +
<
%
0
7 0"
%
=
!
%
"
%
F
8
$
( @ !
! A
G
(: '
>
"
%
"+
7 ' G
!
?+H: "&
-
02 ,<
<
#ID !
%
' (;
!
%
; 1 % ;
"
>
#
7
(
J %
"
8
%
F
8
$
(@ !
! (
4(
"
%
!
G
8
F
8
9
" :
%( %
!
8
.
-
; -
%
7
@ "
8
=
!
'
8
!
A
.
; "
G 8
" :
G 4
04 (;
; 1 %
9 8
%
%
$ ! "
F
(@ !
0
.
;
8
"
:
G
4(
A
"
8
%
F $
( @ !
!
0
.
"
;
A
"
4(
G (;
; 1 %
%
"
F
8
$
( @ !
! 4(
G :
8 8
8
.
"
G
;
A
"
G
: 4
8
(;
; 1 %
" 8
%
8
% $
(@ !
F .
"
G
8 (; 8
; 1 % %
8
" %
$
(@ !
F .
" 8
(;
; 1 %
G
! "
#
$ ! % ! , , / , 0 1
% $ $ $' $ ( $ $ ' $ $ $ $
& $ % % $'( $ ) $ ( *$ + $( $ .$ *$.+ '$ $ ' $ ' $*' $ + $ ( $ ( $ $ ' $ $' $* $ ( $ $ ) $ $( $. $*(
& $ % "$ $'( $*' +$ +*$) $.+ +$ * $ + $*. $ $ $ + $.. $)) '$* $ ) .$ $+' '$(+
+ *+ ) ) * ' * )) .(
, 0&$
4
56
#
" 2
2
$ 3 ,
6
,
7
8
9
,
$5 ,
1
0
%
! , :,
6 ; ; ); ; ); ; ); ; ); . ; .); ) ; )); * ; *); ' ; '); + ; +); ( ; (); ('; ((; ;
1 3
,
4 , , ,
!
#
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $
. . ) * +
)
$ $ $ $ $ . $ ) $ * $ ' $ ' $ + $ ( $ $ $ $ $ . $ ) $ * $ + $ $ ) $ + $ ) $)'
$ $ $ ) $ + $ $ $ ' $ $ . $ ' $ $ ) $ + $. $.* $) $)* $* $*+ $'+ $() $ ' $ . $'.
$ $ $ . $ * $ ( $ $ $ . $ * $ + $ $ $ . $ * $ + $ $ $ ' $. $.+ $)* $* $'( $ (
$ ) $ * $ ( $ * $.* $)* $* $' $'( $+' $(. $ $ ' $ . $ $ $. $) $*) $+ $ . $ . $) $ .
$ $ $ $ $ $ $ $ $ ' $ $ ) $ $ + $ ' $.' $* $'+ $ + $* $* .$ )$ + '$ + *$
$ $ ) $ * $ + $ ( $ $ $ $ $ . $ ) $ ' $ + $ $ $ ' $ $ * $. $.( $* $' $( $'+
$*+ $( $ ) $.) $)( $' $+) $(( $ $ $ ' $) $*' $+ $() $ $ $). $( .$( *$) '$.' ($*) +$).
.
, 0&$
,
4
56 4 , , $5
#
!
#
" 2
,
,
$3 ,
6
, ,
7 1
0
%
8
9
,
! , :,
6 ; ; ); ; ); ; ); ; ); . ; .); ) ; )); * ; *); ' ; '); + ; +); ( ; (); ('; ((; ;
$ $ $ $ $ $ $ $ $ $ $ . $ ) $ ' $ ( $ $ ) $ $ ( $.) $+ $ .$+) )$ *$.
$ $ $ . $ * $ + $ $ $ . $ ) $ ' $ ( $ $ $ ) $ + $ $ . $ + $. $) $* $' $(. $+.
$ $ $ $ $ ) $ . $ + $ ' $ $ $ . $ $ ' $ . $ $ * $ . $ ( $ + $ $ $ $ ) $ ) $ ( $ + $. $ $.' $ $) $ ' $)* $. $* $.* $*( $) $'( $* $(' $+ $ ( $(' $ ' $) $'( *$'
$ ) $ * $ ( $ * $.* $)* $* $' $'( $+' $(. $ $ ' $ . $ $ $. $) $*) $+ $ . $ . $) $ .
$ $ $ $ $ $ $ $ $ ' $ $ ) $ $ + $ ' $.' $* $'+ $ + $* $* .$ )$ + '$ + *$
$ $ ) $ * $ + $ ( $ $ $ $ $ . $ ) $ ' $ + $ $ $ ' $ $ * $. $.( $* $' $( $'+
$'+ $ $ ( $' $+( $ ) $ $ ) $) $*+ $+. $(+ $ . $ $) $'. .$ .$. )$ *$.) +$.* $) ($)+ +$+*
1 3 "
)
. 0&$
,
, 4
56 4 , ); , $5
#
!
#
" 2
, $ 3 ,
, 6
,
7
,
1
0
%
8
9
,
! , :,
6 ; ; ); ; ); ; ); ; ); . ; .); ) ; )); * ; *); ' ; '); + ; +); ( ; (); ('; ((; ;
$ $ $ $ $ $ $ $ $ $ $ $ $ $ . $ ) $ * $ ' $ ( $ $ ' $. $( $' .$+'
$ $ $ $ ) $ ' $ + $ ( $ $ $ $ . $ * $ ' $ ( $ $ $ ) $ + $ $ ' $.* $) $*( $ +
$ $ $ . $ + $ $ $ ' $ $ . $ ' $ $ . $ + $. $.* $) $)) $* $*' $'' $(. $ ) $ $.
$ $ $ . $ * $ ( $ $ $ ) $ * $ + $ $ $ ) $ ' $ ( $ $ ) $ ( $.. $) $* $' $( $ *
$ ) $ ) $ + $ ) $.* $)) $* $' $'+ $+* $( $(( $ * $ $ $ $ ( $.( $*. $'+ $ $ $.* $(*
$ $ $ $ $ $ $ $ $ ' $ $ ) $ $ ' $ ) $.) $)+ $'* $ . $). $) $(' .$+' *$'* $+.
$ $ ) $ * $ + $ ( $ $ $ $ $ . $ ) $ * $ + $ $ $ * $ $ ) $. $.+ $* $*( $++ $))
$' $ $ + $* $'* $( $ ) $ ( $ . $.( $*. $'+ $( $ ' $ . $. $*) $(. .$.* )$) '$ ' +$ ( $ * '$'*
1 3 "
*
) 0&$
,
, 4
56
#
# 4 , (); , $5
!
" 2
, $ 3 ,
, 6
,
,
7 1
0
%
8
9
,
! , :,
6 ; ; ); ; ); ; ); ; ); . ; .); ) ; )); * ; *); ' ; '); + ; +); ( ; (); ('; ((; ;
$ $ $ $ $ $ $ $ + $'' $. $ $ .$. )$++ '$ ) ($.' $)' *$ $( +$.+ . $'+ ))$ +($ ( . $
$ $ $ ) $ ( $ $ . $ * $ + $ $ $ * $ + $ $ . $ ' $. $.* $) $)( $*( $+( $ $ ' $ )
$ $ $ ) $ ( $ $ . $ + $ $ ) $ ( $ $ * $. $.. $.+ $) $)+ $* $' $+ $ $ $.. $
$ $ ) $ $ ( $ ( $ + $.+ $)+ $' $+ $( $ $ ( $ + $* $( $ $'+ $ .$ ' *$ . '$) $' $ )
$ * $ * $ ( $ ' $.' $)* $*. $' $+ $++ $() $ $ ' $ ) $ . $ $. $) $*' $+ $ ' $ + $)) $ )
$ $ $ $ $ $ $ $ $ + $ $ * $ $ ( $ + $.( $* $+ $ $*+ $') .$ ) )$.. '$'+ $ )
$ $ ) $ * $ + $ ( $ $ $ $ $ . $ ) $ ' $ + $ $ . $ ' $ $ ' $. $) $*. $'. $(+ $ +
$ . $+. $ $*+ $ $'( .$.* )$ )$+. *$' '$) +$.( ($*' $+( $ . .$ ' *$( $*' )$+ $+* .'$ )+$ . (.$* . $ )
1 3 "
'
* 0&$
, 4
56
!
# 4 ,
$ 3 , ,
,
,
#
" 2
1 3
4
2 6
,
7
8
) ) ) * * ' ' ' + ( ( (
$ * $. $) $*( $+ $( $(( .$ + .$ * .$ . .$ .$. .$) .$)( .$*( .$+ .$(. )$ ( )$ ' )$) )$+' *$ . *$*) '$.(
$5 ,
1
0
%
! , :,
6 ; ; ); ; ); ; ); ; ); . ; .); ) ; )); * ; *); ' ; '); + ; +); ( ; (); ('; ((; ;
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $
. . ) ) ) ) ) ) * * * * * * * * ' ' ' ' + + (
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $
(
. . . . ) ) * ' ' +
$ $ $ $ $ $ $ $ $ . $ . $ . $ . $ . $ ) $ ) $ ) $ * $ * $ * $ ' $ ' $ + $ ( $.
$) $*' $'' $( $ ) $ ) $ . $ $. $.+ $)* $*) $'. $+ $(. .$ ) .$ + .$ .$) .$') )$ )$ ' )$( *$'.
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $
. * ' (
9
+
' 0&$ 4 , "
, 56
,
,
! 4
# 4 , , #
$ 3 ,
" 2
1 3
6
,
7
8
) ) ) * * ' ' ' + ( ( (
$ + $)) $*) $+ $() .$ ) .$ . .$ . .$ . .$. .$) .$* .$' .$+ .$(' )$ ( )$ . )$.. )$*+ )$(( *$' '$'+ $' *$.'
$5 ,
1
0
%
! , :,
6 ; ; ); ; ); ; ); ; ); . ; .); ) ; )); * ; *); ' ; '); + ; +); ( ; (); ('; ((; ;
$ $ $ $ $ $ $ $ $ $ . $ ) $ ) $ * $ ' $ ( $ $ . $ ( $ + $.' $ . $+ ($ ) $
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $
. . ) +
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $
. ) ) ) ) ) ) ) * * * * * * * * ' ' ' ' + + (
$ $ $ $ $ $ $ $ $ . $ . $ . $ ) $ ) $ * $ * $ ' $ + $ ( $ $ $ $. $* $*+
$ $ $ $ $ $ $ $ $ . $ . $ . $ . $ . $ ) $ ) $ ) $ * $ * $ * $ ' $ ' $ + $ ( $.
$) $*' $'' $( $ ) $ ) $ . $ $. $.+ $)* $*) $'. $+ $(. .$ ) .$ + .$ .$) .$') )$ )$ ' )$( *$'.
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $
. * ' (
9
(
+ 0&$ 4 , " ,
, 56
,
# 4 , ); , $5
# ,
! 4 6
$ 3 , , 1
" 2
7 0
%
8
9
! , :,
6 ; ; ); ; ); ; ); ; ); . ; .); ) ; )); * ; *); ' ; '); + ; +); ( ; (); ('; ((; ;
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ . $ . $ ) $ * $ $ $* $( +$
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ . $ )
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $
. . ) ) ) ) ) ) ) * * * * * * * * ' ' ' + + + (
$ ( $ $ $ $ $ $ $ $ $ $ $ $ . $ . $ . $ ) $ ) $ ) $ * $ ' $ + $ $ + $)
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $
(
. . . . . ) ) ) * * * ' + + (
$. $* $' $++ $ $ ( $ + $ ' $ ) $. $) $)( $*+ $'* $+* $(+ .$ .$ ) .$. .$* .$(* )$ )$)* *$
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $
. ) ) ) * * ' ' + + ( ( (
. ) * +
1 3
$ * $. $). $' $+) $() .$ . .$ .$ .$ .$ ( .$.+ .$)* .$** .$'+ .$( )$ . )$ )$. )$** *$ *$.. '$ $')
( 0&$ 4 , " ,
, 56
,
! 4
# 4 , (); , $5
# ,
$ 3 ,
7 0
%
8
! , :,
6 ; ; ); ; ); ; ); ; ); . ; .); ) ; )); * ; *); ' ; '); + ; +); ( ; (); ('; ((; ;
$ $ $ + $ . $*( $ ' $. $+* $ $+ $ ' $(* .$' )$* *$.) '$* +$+( $)+ $* *$ ' $') '$ +$.) ( $((
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $
. . . ) * ' .
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $
. ) ) ) ) ) ) * * * * * * * * ' ' ' ' ' + + (
$ . $ ' $ $ ) $ $ ) $. $.* $) $)( $*. $' $'+ $+' $(( $ * $ ' $ $)* $+ $ ' $+ $*. '$(
1 3
6
, 1
" 2
$ $ $ $ $ $ $ $ $ . $ . $ . $ . $ ) $ ) $ ) $ ) $ * $ * $ * $ ' $ + $ + $ ( $.
$* $'. $+ $(( $ $ $ ( $ ' $.) $) $* $' $+ $( .$ .$ .$ * .$. .$* .$+' )$ ( )$)( *$ '$+)
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $
) ) ) * * ' ' + + ( (
. ) ' + )
.$ + .$)* .$+) )$ ' )$* *$ * *$. *$+) '$ ( '$'* +$). +$(+ ($' $** $. $. $+( )$)' '$*( $** '$'' $)' . $' (*$ +
9
, 0&$
4
56 4 ,
#
#
" 2
13
, $ 3 ,
, ,
!
2 6
,
7
8
9
,
$5 ,
1
0
%
! , :,
6 ; ; ); ; ); ; ); ; ); . ; .); ) ; )); * ; *); ' ; '); + ; +); ( ; (); ('; ((; ;
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ + $ + $ ' $). $
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ . $ ) $ ' $ ( $ $ ( $ $.' $ '$ +
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ ) $ $ + $ $ $ ) $ + $ + $ * $ $ + $ $)* $ $(+ $*. $ ( $( $* $') $)' *$ (
$ $ $ $ $ . $ ' $ $ ) $ $ * $ $. $) $* $' $+' $ . $ ) $). $(( $'* $. .$+. $*.
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ . $' $ . *$ $*( )$( +.$'.
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ '$
. . ) * * ' + + (
) ' . '
$ $ $ ) $ * $ ' $.' $)+ $' $+ $(. $ ' $ $ + $)* $'( $ ) $. $+* $)* .$'. +$ $ '$ +)$
, 3
0&$
,
4
#
56 4 , , $5
!
#
" 2
, $3 ,
6
,
,
7 1
1 ,
0
%
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ * $ ( $ . $ $ ) $*+ $ $ . .$*'
$ $ $ $ $ . $ ' $ $ ) $ $ * $ $. $) $* $' $+' $ . $ ) $). $(( $'* $. .$+. $*.
8
9
,
! , :,
6 ; ; ); ; ); ; ); ; ); . ; .); ) ; )); * ; *); ' ; '); + ; +); ( ; (); ('; ((; ;
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ . $ $ + $.( $)* ).*$(*
$ $ $ $ $ $ $ $ $ $ $ $ $ $ . $ ) $ ' $ $ . $ $ $' $ $ .$ )
$ $ $ $ $ $ $ $ $ $ $ $ $ $ ) $ ( $ $ + $ ' $ + $)' $ $. $** $+
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ . $' $ . *$ $*( )$( +.$'.
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ '$
. . ) * * ' + + (
) ' . '
$ . $ $ * $ + $. $) $*. $'* $+( $ $ * $ $) $' $(* $ ) $*. $ ' $( )$ ($ . .$ ) $+( )*+$
"
, 3
0&$
,
4
#
56 4 , ); , $5
!
#
" 2
, $ 3 ,
6
,
,
7 1
0
%
8
9
,
! , :,
6 ; ; ); ; ); ; ); ; ); . ; .); ) ; )); * ; *); ' ; '); + ; +); ( ; (); ('; ((; ;
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ ( $ $ * $++ *$()
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ ) $ * $ + $ $ ' $ * $) $+ $ ($*
1 ,
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ ) $ $ + $ $ $ ) $ ' $ + $ ) $ $ * $ ( $) $ $( $* $ ( $++ $ $* '$ + )$*
$ $ $ $ $ . $ ' $ $ . $ ( $ ) $ $. $.( $)( $' $+) $ $ $.( $( $* $ + .$.' +$+*
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $*) $( )$ ( ($ ( $( ('$.+
$ $ $ $ $ $ . $ . $ ) $ * $ * $ ' $ + $ + $ ( $ $ $ $ $ ) $ ' $ $ $ ( $'
$ $ ( $ ) $ ' $ + $) $* $' $+) $(+ $ $ ' $.. $*. $+( $ * $) $ $' .$(' +$ $(' )$( ..$.(
"
.
, 3
0&$
,
#
4
56 4 , (); , $5
!
#
" 2
, $ 3 ,
6
,
,
1 ,
7
8
1
0
%
$ $ $ $ $ $ $ $ $ $ $ $ $ $ * $ ( $ $ ( $ ( $. $* $ + $)+ $ + )$*(
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ . $ * $ $ * $ * $.* $ . $.* )$ + +$ (
$ $ $ $ $ $ $ $ $ . $ $ ' $ $ $ $ ) $ $ $ $ ' $ $ ) $ $. $ $) $ $* $ $') $ $( $ $ + $ $ $ * $* $+ $ ' $ * $( *$'' $)+ $ )$ $+. $* .()$)*
9
,
! , :,
6 ; ; ); ; ); ; ); ; ); . ; .); ) ; )); * ; *); ' ; '); + ; +); ( ; (); ('; ((; ;
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ ) $ ) $) $*' $** *'+*$ (
$ $ $ $ $ $ $ $ $ $ $ $ $ $ ) $ * $ ( $ $ ' $ * $.. $ $') .$). **$ '
$ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $ $
. ) ) * * ' + + (
) ' . *
$ . $ $ + $ $. $). $*' $+ $( $ + $ $. $* $+* $ * $). $ ) $+. )$ +$ $. .+$+' ) $ *'+*$*.
"