{"id":26858,"date":"2026-09-08T11:49:01","date_gmt":"2026-09-08T09:49:01","guid":{"rendered":"https:\/\/www.proefschriftmaken.nl\/portfolio\/george-pampoukis\/"},"modified":"2026-10-31T11:31:25","modified_gmt":"2026-10-31T10:31:25","slug":"george-pampoukis","status":"publish","type":"us_portfolio","link":"https:\/\/www.proefschriftmaken.nl\/en\/portfolio\/george-pampoukis\/","title":{"rendered":"George Pampoukis"},"content":{"rendered":"","protected":false},"featured_media":26859,"template":"","meta":{"_acf_changed":false},"university_us_portfolio":[29],"class_list":["post-26858","us_portfolio","type-us_portfolio","status-publish","has-post-thumbnail","hentry","university_us_portfolio-wageningen-university"],"acf":{"main_text":"","naam_van_het_proefschift":"From data to insight","samenvatting":"De groeiende vraag naar veilig, voedzaam en kwalitatief hoogstaand voedsel dat geproduceerd wordt met een beperkte milieu-impact en minimaal voedselverlies en -verspilling, vereist conserveringstechnologie\u00ebn die microbiologische gevaren betrouwbaar beheersen zonder de productkwaliteit onnodig aan te tasten. Conventionele thermische verwerking heeft een lange geschiedenis van toepassingen in voeding, maar kan sensorische en nutritionele eigenschappen negatief be\u00efnvloeden. Milde of niet-thermische technologie\u00ebn zoals koud plasma (NTP), gepulseerde elektrische velden (PEF) en hogedrukbehandeling (HPP) worden steeds vaker voorgesteld als alternatieven die hoge niveaus van microbiologische veiligheid kunnen combineren met een verbeterde productkwaliteit en, in sommige gevallen, een lagere milieubelasting. Tegelijkertijd hebben levensmiddelenbedrijven en risicobeoordelaars kwantitatief bewijs nodig over de decontaminatieprestaties bij verschillende producten, micro-organismen en procesinstellingen om controlemaatregelen te ontwerpen en te valideren, risicobeoordelingen uit te voeren en technologie\u00ebn op een eerlijke basis te vergelijken.\n\nDit proefschrift had tot doel om kwantitatieve, generieke inzichten te verkrijgen in de decontaminatie-effectiviteit van NTP, PEF en HPP onder voedselrelevante omstandigheden door systematisch bestaande literatuurgegevens te verzamelen, te structureren en te analyseren. In plaats van het optimaliseren van een enkel proces of product, richtte het werk zich op het extraheren van globale kinetische parameters en het identificeren van de belangrijkste proces-, matrix- en microbi\u00eble factoren die variabiliteit in inactivatieresultaten veroorzaken. Om dit te doen, combineerde het meta-regressie en andere statistische benaderingen met recente data science-methoden, waaronder 'active learning' voor literatuurscreening, transparante data-verwerkingspijplijnen en machine learning-algoritmen om generieke inzichten te verkrijgen. De resulterende benchmarks zijn bedoeld ter ondersteuning van procesontwerp en -validatie, kwantitatieve microbiologische risicobeoordeling en technologievergelijking in een bredere context van duurzaamheid.\n\nHoofdstuk 2 behandelde decontaminatie met koud plasma in voedselgerelateerde toepassingen. Er werd een uit de literatuur afgeleide database van log10D-waarden samengesteld voor een breed scala aan plasmabronnen, matrices en doelorganismen. Omdat de gegevens zeer heterogeen waren en rapportagepraktijken aanzienlijk verschilden tussen studies, was klassieke kinetische meta-regressie niet haalbaar op generiek niveau. In plaats daarvan introduceerde het hoofdstuk gedissipeerd vermogen per plasmavolume als een ge\u00efntegreerde beschrijving van de procesintensiteit voor di\u00eblektrische barri\u00e8re-ontladingsconfiguraties en werden machine learning-methoden gebruikt om het relatieve belang van proces-, product- en microbi\u00eble factoren te rangschikken. Vermogensdichtheid en matrixcategorie kwamen naar voren als de meest invloedrijke voorspellers van decontaminatie-effici\u00ebntie, gevolgd door microbi\u00eble soort en pH. Het hoofdstuk demonstreerde ook, voor het eerst in de levensmiddelenmicrobiologie, het gebruik van active learning om literatuurscreening effici\u00ebnter te maken, waardoor de handmatige werklast werd verminderd terwijl de dekking van relevante studies behouden bleef.\n\nHoofdstuk 3 reageerde op het gebrek aan standaardisatie dat de analyses in Hoofdstuk 2 beperkte door een specifiek metadata-schema te ontwikkelen voor NTP-decontaminatie in voedselgerelateerde toepassingen. Voortbouwend op het bestaande Plasma-MDS-raamwerk uit de plasmawetenschap, definieerde het nieuwe schema een gestructureerde set parameters die de plasmabron, het werkmedium, de voedsel- of doelmatrix, microbi\u00eble kenmerken en diagnostische methoden omvatten. Het schema werd ge\u00efmplementeerd in een mens- en machineleesbaar formaat en ge\u00efllustreerd met concrete voorbeelden van hoe experimentele parameters gerapporteerd zouden moeten worden. Door belangrijke experimentele details expliciet en interoperabel te maken, ondersteunt dit werk FAIR (vindbaar, toegankelijk, interoperabel, herbruikbaar) datapraktijken voor NTP en legt het de basis voor toekomstige meta-analyses en voorspellende modellering zodra er meer consistent gerapporteerde metadata zijn verzameld.\n\nHoofdstukken 4 en 5 richtten zich respectievelijk op PEF en HPP voor microbi\u00eble decontaminatie in voedingsmiddelen. In Hoofdstuk 4 werd een geharmoniseerde database van 569 PEF-experimenten samengesteld voor zeven microbi\u00eble groepen, waaronder E. coli, Listeria spp., Pseudomonas spp., S. aureus, S. cerevisiae, Salmonella spp. en melkzuurbacteri\u00ebn (LAB), over meerdere vloeibare voedselmatrices. Decontaminatie-effectiviteit werd uitgedrukt met behulp van de decimale reductie volumetrische energie-input (DEvol), gedefinieerd als de energie per liter die nodig is voor een log10-reductie van \u00e9\u00e9n. Meta-regressie werd gebruikt om globale en matrix-gestratificeerde DEvol-waarden te schatten, waaruit bleek dat de matrixsamenstelling de decimale reductie-energie tot achtvoudig kan veranderen. Vruchtensappen met een hoge zuurgraad vertoonden relatief lage DEvol-waarden, terwijl alcoholische producten met een hoge zuurgraad meer bescherming boden, wat aantoont dat zuurgraad alleen onvoldoende is om matrixeffecten te beschrijven. Er werd een beslissingsboom ontwikkeld om schattingen te geven van de energie-input die nodig is om een 5-log10-reductie te bereiken voor verschillende micro-organismen en matrices, en er werd een interactief dashboard gemaakt waarmee gebruikers de onderliggende gegevens in realtime kunnen visualiseren en verkennen.\n\nIn Hoofdstuk 5 werd hogedrukbehandeling onderzocht met behulp van een uitgebreide database van 2692 log10D-waarden voor 15 microbiologische gevaren behandeld bij temperaturen \u2264 45 \u00b0C. Met behulp van een model van het Bigelow-type, aangepast aan de beschikbare gegevens, werden globale log10D-waarden geschat bij een referentiedruk van 500 MPa, waardoor microbiologische gevaren konden worden ingedeeld in drie resistentiecategorie\u00ebn (gevoelig, gematigd en resistent) bij dit drukniveau. De analyse bevestigde dat matrixeigenschappen de HPP-resistentie sterk be\u00efnvloeden: een lage wateractiviteit (aw \u2264 0,95) had de neiging om micro-organismen te beschermen, terwijl zure of waterige matrices (pH \u2264 4,5 en aw > 0,95) de inactivatie vergemakkelijkten. Meervoudige lineaire regressie gaf aan dat aw- en pH-categorie\u00ebn de dominante voorspellers van inactivatie op productniveau waren, terwijl andere variabelen zoals eiwit- en koolhydraatgehalte relatief beperkte effecten hadden. Samen leidden deze resultaten tot een beslissingsondersteunend raamwerk dat (i) gevarenresistentie-rangschikking bij 500 MPa, (ii) matrix-gestratificeerde inactivatieschattingen per voedselcategorie en (iii) meervoudige lineaire regressiemodellen op basis van aw en pH combineert, wat flexibiliteit biedt afhankelijk van het beschikbare informatieniveau.\n\nHoofdstuk 6 integreerde de technologiespecifieke bevindingen in een breder perspectief van voedselveiligheid en duurzaamheid door thermische verwerking, HPP en PEF te vergelijken voor de inactivatie van E. coli in vruchtensappen met een hoge zuurgraad. Met behulp van de in dit proefschrift ontwikkelde meta-regressiemodellen leidde het hoofdstuk effectiviteitsbenchmarks (log10-reducties) en hun variabiliteit af voor elke technologie onder verschillende industrieel relevante procesomstandigheden gerapporteerd in de literatuur. Deze effectiviteitsschattingen werden gekoppeld aan energieverbruik en, waar beschikbaar, broeikasgasemissiegegevens uit de literatuur. De analyse illustreerde dat conclusies over \"duurzamere\" technologie\u00ebn kritisch afhangen van het matchen van decontaminatieprestaties tussen processen en van het beschouwen van zowel energie als broeikasgasemissies per log10-reductie in plaats van alleen per liter. Het benadrukte ook dat elektriciteitsgedreven milde technologie\u00ebn relatief gunstiger kunnen worden naarmate de elektriciteitsproductie meer en meer afhankelijk is van hernieuwbare bronnen. Hoewel thermische processen met warmteterugwinning echter afbreuk doen aan vers-achtige eigenschappen, kunnen ze zeer effici\u00ebnt blijven vanuit zowel een energie- als een decontaminatieperspectief. Ten slotte schetste het hoofdstuk hoe het hier gebruikte meta-regressieraamwerk gekoppeld zou kunnen worden aan levenscyclusanalyse en uitgebreid naar andere technologie\u00ebn en product-pathogeencombinaties.\n\nSamengevat toont dit proefschrift aan dat zorgvuldig samengestelde databases, transparante gegevensverwerkingspijplijnen en kwantitatieve synthesemethoden generieke, praktisch bruikbare informatie kunnen extraheren uit heterogene literatuur over milde voedselverwerkingstechnologie\u00ebn. Voor NTP verduidelijkt het welke factoren de decontaminatie het sterkst be\u00efnvloeden en introduceert het een metadata-infrastructuur om robuustere vergelijkingen in de toekomst mogelijk te maken. Voor PEF en HPP levert het globale kinetische parameters, gevaren- en matrixresistentie-rangschikkingen en eenvoudige hulpmiddelen zoals beslissingsbomen en dashboards die procesontwerp, validatie en risicobeoordeling kunnen ondersteunen. Door deze onderdelen samen te brengen in een vergelijkend raamwerk dat expliciet rekening houdt met zowel microbiologische prestaties als duurzaamheidsfactoren, koppelt het werk data-gedreven modellering aan praktische besluitvorming over proceskeuze. Daarmee draagt het bij aan de bewijsbasis die nodig is om milde conserveringstechnologie\u00ebn in te zetten op een manier die wetenschappelijk onderbouwd, transparant en afgestemd is op bredere ambities voor veilige voedselsystemen met minder verspilling en meer duurzaamheid.","summary":"The growing demand for safe, nutritious, and high-quality food that is produced with limited environmental impact and minimal food loss and waste requires preservation technologies that reliably control microbiological hazards without unnecessarily compromising product quality. Conventional thermal processing has a long history of food applications but can negatively affect sensory and nutritional attributes. Mild or non-thermal technologies such as non-thermal plasma (NTP), pulsed electric field (PEF), and high-pressure processing (HPP) are increasingly proposed as alternatives that may combine high levels of microbial safety with improved product quality and, in some cases, lower environmental burdens. At the same time, food business operators and risk assessors need quantitative evidence on decontamination performance across products, microorganisms, and process settings in order to design and validate control measures, perform risk assessments, and compare technologies on a fair basis.\n\nThis thesis aimed to obtain quantitative, generic insights into the decontamination efficacy of NTP, PEF, and HPP under food-relevant conditions by systematically collecting, structuring, and analyzing existing literature data. Rather than optimizing a single process or product, the work focused on extracting global kinetic parameters and identifying the key processing, matrix, and microbial factors that drive variability in inactivation outcomes. To do so, it combined meta-regression and other statistical approaches with recent data-science methods, including active learning for literature screening, transparent data-wrangling pipelines, and machine-learning algorithms to obtain generic insights. The resulting benchmarks are intended to support process design and validation, quantitative microbiological risk assessment, and technology comparison in a broader sustainability context.\n\nChapter 2 addressed non-thermal plasma decontamination in food-related applications. A literature-derived database of log10D-values was compiled across a wide range of plasma sources, matrices, and target microorganisms. Because the data were highly heterogeneous and reporting practices differed considerably between studies, classical kinetic meta-regression was not feasible at a generic level. Instead, the chapter introduced dissipated power per plasma volume as an integrated descriptor of process intensity for dielectric barrier discharge configurations and used machine-learning methods to rank the relative importance of process, product, and microbial factors. Power density and matrix category emerged as the most influential predictors of decontamination efficacy, followed by microbial genus and pH. The chapter also demonstrated, for the first time in food microbiology, the use of active learning to make literature screening more efficient, reducing the manual workload while maintaining coverage of relevant studies.\n\nChapter 3 responded to the lack of standardization that limited the analyses in Chapter 2 by developing a dedicated metadata schema for NTP decontamination in food-related applications. Building on the existing Plasma-MDS framework from plasma science, the new schema defined a structured set of parameters covering the plasma source, working medium, food or target matrix, microbial characteristics, and diagnostic methods. The schema was implemented in human- and machine-readable format and illustrated with concrete examples how experimental parameters should be reported. By making key experimental details explicit and interoperable, this work supports FAIR (findable, accessible, interoperable, reusable) data practices for NTP and lays the foundation for future meta-analyses and predictive modelling once more consistently reported metadata have accumulated.\n\nChapters 4 and 5 focused on PEF and HPP, respectively, for microbial decontamination in food products. In Chapter 4, a harmonized database of 569 PEF experiments was compiled for seven microbial groups, including E. coli, Listeria spp., Pseudomonas spp., S. aureus, S. cerevisiae, Salmonella spp., and lactic acid bacteria (LAB), across multiple liquid food matrices. Decontamination efficacy was expressed using the decimal-reduction volumetric energy input (DEvol), defined as the energy per litre required for a one-log10-reduction. Meta-regression was used to estimate global and matrix-stratified DEvol values, revealing that matrix composition can change the decimal-reduction energy by up to eight-fold. High-acid fruit juices showed comparatively low DEvol values, whereas high-acid alcoholic products were more protective, demonstrating that acidity alone is insufficient to describe matrix effects. A decision tree was developed to provide estimates of the energy input needed to achieve a 5-log10-reduction for different microorganisms and matrices, and an interactive dashboard was created to allow users to visualize and explore the underlying data in real time.\n\nIn Chapter 5, high-pressure processing was examined using an extended database of 2692 log10D-values for 15 microbiological hazards treated at temperatures \u2264 45 \u00b0C. Using a Bigelow-type model fitted to the available data, global log10D-values were estimated at a reference pressure of 500 MPa, allowing microbiological hazards to be grouped into three resistance categories (sensitive, moderate, and resistant) at this pressure level. The analysis confirmed that matrix properties strongly influence HPP resistance: low water activity (aw \u2264 0.95) tended to protect microorganisms, while acidic or aqueous matrices (pH \u2264 4.5 and aw > 0.95) facilitated inactivation. Multiple linear regression indicated that aw and pH categories were the dominant product-level predictors of inactivation, whereas other variables such as protein and carbohydrate content had comparatively limited effects. Together, these results led to a decision-support framework combining (i) hazard resistance ranking at 500 MPa, (ii) matrix-stratified inactivation estimates by food category, and (iii) multiple linear regression models based on aw and pH, providing flexibility depending on the level of information available to users.\n\nChapter 6 integrated the technology-specific findings into a broader food safety and sustainability perspective by comparing thermal processing, HPP, and PEF for the inactivation of E. coli in high-acid fruit juices. Using meta-regression models developed in this thesis, the chapter derived efficacy benchmarks (log10-reductions) and their variability for each technology under various industrially relevant processing conditions reported in the literature. These efficacy estimates were linked to energy use and, where available, greenhouse gas emission data from the literature. The analysis illustrated that conclusions about \u201cmore sustainable\u201d technologies depend critically on matching decontamination performance across processes and on considering both energy and GHG emissions per log10-reduction rather than per litre alone. It also highlighted that electricity-driven mild technologies may become relatively more favorable as electricity production relies more and more on renewable sources. However, although thermal processes with heat recovery compromise fresh-like properties, they can remain highly efficient from both an energy and a decontamination performance perspective. Finally, the chapter outlined how the meta-regression framework used here could be coupled with life-cycle assessment and extended to other technologies and product-pathogen combinations.\n\nTaken together, this thesis shows that carefully curated databases, transparent data processing pipelines, and quantitative synthesis methods can extract generic, practically useful information from heterogeneous literature on mild food processing technologies. For NTP, it clarifies which factors most strongly influence decontamination and introduces a metadata infrastructure to enable more robust comparisons in the future. For PEF and HPP, it delivers global kinetic parameters, hazard and matrix resistance rankings, and simple tools such as decision trees and dashboards that can support process design, validation, and risk assessment. By bringing these pieces together in a comparative framework that explicitly considers both microbiological performance and sustainability factors, the work links data-driven modelling to practical decision-making on process choice. In doing so, it contributes to the evidence base needed to deploy mild preservation technologies in a way that is scientifically justified, transparent, and aligned with broader ambitions for safe, lower-waste, and more sustainable food systems.","auteur":"George Pampoukis","auteur_slug":"george-pampoukis","publicatiedatum":"16 oktober 2026","taal":"EN","url_flipbook":"https:\/\/ebook.proefschriftmaken.nl\/ebook\/georgepampoukis?iframe=true","url_download_pdf":"https:\/\/ebook.proefschriftmaken.nl\/download\/303a1ef9-c9a6-44e2-9ac1-0c65d6473cf3\/highres","url_epub":"","ordernummer":"19370","isbn":"","doi_nummer":"https:\/\/doi.org\/10.18174\/681689","naam_universiteit":"Wageningen University","afbeeldingen":26859,"video_url":"","podcast_url":"","naam_student:":"","binnenwerk":"","universiteit":"Wageningen University","cover":"","afwerking":"","cover_afwerking":"","design":""},"_links":{"self":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio\/26858","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/us_portfolio"}],"about":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/types\/us_portfolio"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media\/26859"}],"wp:attachment":[{"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/media?parent=26858"}],"wp:term":[{"taxonomy":"university_us_portfolio","embeddable":true,"href":"https:\/\/www.proefschriftmaken.nl\/en\/wp-json\/wp\/v2\/university_us_portfolio?post=26858"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}