综述：基于培养的食品中弯曲杆菌检测方法的比较性能与物种特异性恢复偏差：系统评价与荟萃分析 Chatruthai Meethai, Preeda Phothawon, Janet Yakubu Nale, Sueptrakool Wisessombat

《Veterinary Sciences》：Comparative Performance and Species-Specific Recovery Biases of Culture-Based Methods for Campylobacter Detection in Food Products: A Systematic Review and Meta-Analysis Chatruthai Meethai, Preeda Phothawon, Janet Yakubu Nale and Sueptrakool Wisessombat

　　**简单摘要**
弯曲杆菌是全球细菌性食物中毒的主要原因，常与受污染的家禽有关。为了保护公众健康，食品安全机构依赖于国际标准（ISO 10272-1:2017）定义的准确实验室检测方法，这些方法采用分层策略，包括选择性富集（程序A和B）和直接接种（程序C）。我们对4599个样本的系统性回顾和荟萃分析确定了一个影响这些方法的关键生物学因素。我们发现，使用多粘菌素B等特定抗生素的选择性富集过程会系统性地抑制空肠弯曲杆菌（C. jejuni）的生长——这种细菌导致了近90%的人类感染病例。相比之下，直接培养（程序C）显示出高灵敏度（99.1%），并且在高污染样本中所需时间仅为传统方法的一半（48小时对比96小时）。这些发现为在新鲜家禽产品中优先选择直接培养提供了生物学依据，从而确保更可靠的食物安全监控和消费者保护。

**摘要**
弯曲杆菌是全球食物源性胃肠炎的主要细菌原因。虽然国际标准推荐采用分层方法进行检测，但新证据表明选择性富集方案可能存在特定物种的检出偏差。本系统性回顾和荟萃分析评估了在多种食品基质中已建立的基于培养的检测方法的诊断性能。根据PRISMA 2020指南，我们在多个数据库中搜索了截至2024年10月的2×2诊断准确性数据相关研究。最终纳入了10项研究，包含43种方法比较和4599个样本。总体合并灵敏度为95.8%（95% CI：93.6–97.4%），特异性为90.2%（95% CI：86.8–92.9%）。即使在比较样本数量有限的情况下（n = 2），直接培养仍显示出高诊断灵敏度（99.1%）和更快的检测时间。重要的是，选择性富集方法存在明显的物种特异性偏差：在Bolton肉汤中，空肠弯曲杆菌的检出率比大肠杆菌低59.4%，这可能是由于对多粘菌素B的敏感性差异所致。这些发现强调了在ISO 10272-1:2017框架内根据具体情况选择检测方法的重要性，建议在高污染样本中优先使用直接培养，以确保准确检测空肠弯曲杆菌。需要进行大规模的多中心验证来确认这些初步发现。

**1. 引言**
弯曲杆菌属细菌，特别是空肠弯曲杆菌（C. jejuni）和大肠杆菌（C. coli），是全球报告最多的食物源性胃肠炎的细菌原因，估计每年有9600万例感染病例[1,2]。自2005年以来，在欧盟，弯曲杆菌感染持续超过其他所有细菌性食物病原体，仅2023年就确认了约246,000例病例[3]。在美国，疾病控制与预防中心（CDC）估计每年有150万例本土获得的弯曲杆菌感染，导致显著的发病率和医疗费用[4]。家禽产品，特别是鸡肉和禽肉，是弯曲杆菌病的主要储存库和传播媒介，其污染率因地理区域和生产方式不同而异，范围从20%到100%[5,6]。其他重要食物来源包括生牛奶、猪肉、牛肉以及通过环境途径受污染的新鲜农产品[7,8]。零售家禽的低感染剂量和广泛污染突显了准确检测方法在食品安全监控、疫情调查和风险评估中的关键作用[9,10]。

在食品中准确检测和计数弯曲杆菌对公共卫生保护具有多重重要作用。首先，对零售和生产设施中的食品进行常规监测有助于识别污染趋势、评估干预措施的效果，并及早预警潜在疫情[11,12]。其次，在疫情调查中，快速可靠的检测方法对于确定污染源和实施控制措施至关重要[13]。第三，食品中弯曲杆菌含量的定量数据为定量微生物风险评估（QMRA）模型提供了依据，这些模型指导监管标准和行业最佳实践[14,15]。然而，弯曲杆菌的生长条件较为苛刻，给检测带来挑战：这类细菌是微需氧菌，需要3–15%的氧分压才能生长，并且是嗜热菌，最适生长温度为37–42°C[16]。此外，在食品加工和储存过程中遇到的压力条件下（如暴露于大气氧气、温度波动和渗透压）弯曲杆菌容易进入存活但无法培养（VBNC）的状态[17,18]。VBNC细胞仍具有代谢活性和致病性，但无法在标准培养基上形成菌落，从而导致污染水平被系统性低估[19,20]。尽管分子检测技术有所进步，基于培养的方法仍是食品中弯曲杆菌检测的金标准，并被国际标准（包括ISO 10272-1:2017）所规定[21]。培养方法具有多个优点：可以确认细菌存活状态，便于分离菌株进行进一步鉴定（血清分型、抗菌药物敏感性测试、全基因组测序），实现定量计数，并为监管行动提供确凿证据[22,23]。常规工作流程包括在专用肉汤中进行选择性富集，然后接种到选择性琼脂平板上，并通过生化和分子测试进行确认[24]。ISO 10272-1:2017标准规定了一个两阶段富集方案：首先在37°C下孵育4–6小时以恢复受压细菌，然后在微需氧条件下于41.5°C下富集40–48小时[21]。富集后，将样本划线接种到选择性琼脂上，并在41.5°C下孵育24–48小时。通过革兰氏染色、氧化酶测试和特异性PCR确认疑似菌落[25]。虽然这种标准化方法提供了检测框架，但不同实验室和研究之间的富集肉汤配方、选择性琼脂成分和确认程序存在显著差异[26,27]。

三种主要的富集肉汤配方主导了弯曲杆菌检测方案，每种配方都有不同的选择性成分和生长补充剂：Bolton肉汤开发于20世纪80年代，含有营养肉汤基础液、裂解的马血（5%）、亚硫酸氢钠、丙酮酸钠和选择性抗菌剂[28,29]。Bolton肉汤在欧洲和北美广泛使用，并被ISO 10272-1:2017指定为首选富集方法[21]。Preston肉汤含有营养肉汤基础液和选择性抗菌剂，需要添加FBP补充剂才能达到最佳效果[30]，但最近的证据表明，不添加FBP时其灵敏度显著降低[31]。当适当添加FBP时，Preston肉汤的表现与Bolton肉汤相当，但额外的准备步骤和潜在的遗漏操作带来了实际限制[32]。改良的活性炭-头孢哌酮脱氧胆酸盐琼脂（mCCDA）既可用作选择性接种培养基，也可以在某些方案中直接接种（无需富集）[33]。活性炭成分可中和有毒的氧化代谢物，而头孢哌酮和脱氧胆酸盐对革兰氏阳性菌和大多数革兰氏阴性菌具有选择性[34]。直接在mCCDA上接种可实现定量计数，但在低污染水平下灵敏度降低，且容易被产广谱β-内酰胺酶（ESBL）的大肠杆菌干扰，这已成为近年来的一个问题[35,36]。

尽管基于培养的方法在弯曲杆菌检测中起着核心作用，但仍存在一些关键知识空白。首先，不同富集肉汤方案在不同食品基质中的诊断准确性（灵敏度和特异性）尚未完全明确，单项研究的性能指标差异很大[37,38]。其次，尽管认识到低水平污染具有挑战性，但污染程度对检测灵敏度的影响尚未系统量化[39]。第三，Bolton肉汤与Preston肉汤的比较数据有限，且FBP添加的使用不一致[31]。第四，包括VBNC细胞和ESBL大肠杆菌干扰在内的新挑战已在个别研究中得到记录，但尚未在文献中综合分析[35,40]。

**2. 材料与方法**
**2.1. 协议和注册**
本研究遵循《系统评价和荟萃分析首选报告条目》（PRISMA）指南[41]和《Cochrane诊断测试准确性系统评价手册》[42]进行。荟萃分析的每个部分均遵循PRISMA检查表（https://www.prisma-statement.org/）。该协议于2024年12月6日在PROSPERO（国际系统评价前瞻性注册库）中前瞻性设计并注册，注册号为CRD1179196。协议规定了研究对象（检测弯曲杆菌污染的食品产品）、索引检测方法（包括富集肉汤和直接培养）、参考标准（经过验证的基于培养或分子的方法）、结果（诊断准确性指标，包括灵敏度和特异性）以及研究设计（横断面研究、队列研究和报告诊断准确性的实验研究）。在整个回顾过程中没有偏离注册的协议。

**2.2. 研究资格和PIRD框架**
研究的选择基于人口、索引检测方法和参考标准（PIRD）框架[43]。
- **人口（P）**：评估供人类食用的新鲜或冷冻食品产品的研究，包括但不限于生家禽（鸡肉、火鸡）、红肉（牛肉、猪肉）、乳制品（生牛奶）、蔬菜和海鲜。无论污染类型（自然污染或人工接种）或污染程度如何，研究均被纳入。临床标本、与食品无关的环境样本和动物饲料样本被排除。
- **索引检测方法（I）**：用于检测弯曲杆菌属细菌的基于培养的方法，包括：(1) 在选择性液体培养基（Bolton肉汤、Preston肉汤、Campylobacter富集肉汤[CEB]或改良版本）中富集后，然后接种到选择性琼脂上；(2) 直接在无富集的选择性琼脂（改良活性炭-头孢哌酮脱氧胆酸盐琼脂[mCCDA]、Campylobacter无血液选择性琼脂[CCDA]或类似培养基）上接种；(3) 先在非选择性培养基中富集后再进行选择性富集的组合方法。仅使用分子方法（PCR、环介导等温扩增[LAMP]、全基因组测序）且不进行基于培养确认的研究被排除。
- **参考标准（R）**：能够正确分类食品样本中是否存在弯曲杆菌的经过验证的参考标准。可接受的参考标准包括：(1) 结合多种富集肉汤和/或直接培养的复合基于培养的方法；(2) 带有分子确认（PCR、实时PCR或DNA测序用于物种鉴定）的培养方法；(3) 符合国际标准（ISO 10272-1:2017）的经过验证的方案；(4) 以上任何组合且有效性得到证实的方法。使用相同方法进行索引检测和参考标准的研究，或使用未明确定义或描述不清晰的标准的研究被排除。
- **设计（D）**：报告诊断准确性原始数据的主要研究，包括横断面研究、前瞻性或回顾性队列研究和实验验证研究。研究必须提供足够的数据来构建2×2列联表（真阳性[TP]、假阳性[FP]、真阴性[TN]和假阴性[FN]），或计算95%置信区间的灵敏度和特异性。系统评价、荟萃分析、叙述性综述、评论文章、信件、无完整数据的会议摘要以及仅报告患病率数据而无诊断准确性指标的研究被排除。
- **其他标准**：研究需以英文发表，时间范围为2000年1月1日至2026年1月15日。选择2000年作为起始日期，以关注现代检测方法并与关键方法学标准（ISO 10272:2006 [21]）的发布时间一致。由于资源限制和英语期刊中食品微生物学文献的主导地位，非英文出版物被排除。

**2.3. 搜索策略**
在五个电子数据库中进行了全面的系统搜索，并通过手工检索参考文献列表和前向引用跟踪进行补充。搜索截至2024年10月，初始搜索没有语言限制。
**电子数据库**：
- **PubMed/MEDLINE（美国国家医学图书馆）**：搜索策略结合了医学主题词（MeSH）和文本词，使用布尔运算符。完整的搜索字符串为：
(“Campylobacter”[Mesh] OR Campylobacter*[tiab]) AND (“Food Microbiology”[Mesh] OR “Food Contamination”[Mesh] OR food*[tiab] OR poultry*[tiab] OR chicken*[tiab] OR meat*[tiab] OR retail*[tiab])
AND (“Sensitivity and Specificity”[Mesh] OR “Diagnostic Test”[tiab] OR detection[tiab] OR isolation[tiab] OR enumeration[tiab] OR culture[tiab]
OR “diagnostic accuracy”[tiab] AND (Bolton[tiab] OR Preston[tiab] OR enrichment[tiab] OR “selective medium”[tiab] OR mCCDA[tiab]
OR “direct culture”[tiab] OR “direct plating”[tiab] AND English[lang]。
- **应用过滤器**：发表日期（2000–2026年）、语言（英文）、文章类型（不包括综述、评论文章和信件）。此搜索共找到87条记录。所有数据库的完整搜索策略详见补充材料（S1部分和表S1）。

**2.4. 研究选择**
研究的选择基于人口、索引检测方法和参考标准（PIRD）框架。根据ISO 10272-1:2017中对弯曲杆菌检测的条件要求，该框架用于评估不同食品基质和污染状态下的检测性能。具体来说，我们纳入了研究高污染基质（例如，新鲜家禽和盲肠内容物）的研究，这些研究中通常使用直接培养方法（程序C），以及研究低污染或加工产品的研究，这些研究中要求使用选择性富集方法（程序A和B）。为了确保方法学上的高度可比性和最小化纳入偏差，我们仅纳入了使用经过验证的参考标准的研究，这些参考标准能够进行明确分类，例如完整的ISO 10272-1:2017协议或结合分子验证（PCR/MALDI-TOF）的文化方法。此外，我们还特别审核了每项研究的关键技术参数，包括培养条件（温度和持续时间）、选择性培养基和确认方法，以确保提取的2×2数据反映了不同报告中的等同微生物挑战。研究选择过程旨在确保方法学上的高度可比性和最小化纳入偏差。除了初步筛选外，我们还严格审核了全文文章的参考标准质量。我们仅纳入了使用经过验证的参考标准的研究，这些参考标准能够进行明确分类，例如完整的ISO 10272-1:2017协议或结合分子验证（PCR/MALDI-TOF）的文化方法。为了保持分析的严谨性，排除了依赖于自我参考指数测试或定义不明确的标准化研究。此外，为了确保不同报告结果的可比性，我们优先考虑了具有标准化处理条件的研究（例如，特定家禽肉或胴体冲洗）。全文阶段的详细排除理由记录在补充材料（S2节和表S2）中。

2.5. 数据提取
数据提取由两名审核员使用标准化和经过试用的Excel表格独立完成。提取的信息包括研究特征、食物基质详情、微生物学方案以及2×2诊断准确性数据。通过共识或第三方仲裁者解决了任何差异。详细的可靠性统计（Cohen’s kappa和ICC）和完整的数据提取方案提供在补充表S3中。

2.6. 质量评估
使用QUADAS-2工具[44]从四个领域评估了方法学质量和偏差风险：患者选择、指数测试、参考标准和流程与时序。评估由两名审核员独立进行，评分者间一致性使用Cohen’s kappa（κ = 0.88）进行评估。结果用于指导敏感性分析并阐述证据的强度。完整的评估标准和信号问题详细记录在补充部分S4和S5中。

2.7. 数据综合与统计分析
2.7.1 诊断准确性
对于每项研究或方法比较，使用标准公式从2×2列联表计算敏感性和特异性：敏感性 = TP/(TP + FN) 和特异性 = TN/(TN + FP)。当研究直接报告敏感性和特异性而不提供2×2表格时，我们根据报告的样本量和患病率反向计算TP、FP、TN和FN值，并通过一致性检查验证结果。完整的诊断准确性详细记录在补充材料（表S4）中。
使用Wilson分数方法[45,46]计算了敏感性和特异性的95%置信区间（95% CIs）。

2.7.2 元分析方法
使用DerSimonian-Laird单变量随机效应模型[47]估计合并的敏感性和特异性。虽然在诊断元分析中通常更倾向于使用双变量或层次模型来考虑参数相关性，但在本研究的特定背景下，选择了单变量方法作为主要分析工具。首先，与具有可变临界值的临床生物标志物不同，基于培养的弯曲杆菌检测依赖于一个固定的微生物学阈值（菌落的二元存在或缺失），这减少了双变量模型旨在解决的阈值相关性问题。其次，单变量模型确保了在比较数量有限的亚组中的统计稳定性和收敛性，例如直接培养（n = 2），在这种情况下，复杂的层次模型往往无法产生可靠的估计或遇到不收敛。为了展示我们的发现对模型选择的鲁棒性，我们对整个数据集（n = 43）使用了双变量随机效应模型进行了敏感性分析。该分析确认了合并估计在不同建模框架中的稳定性，从而验证了单变量方法作为这种综合研究的实用和可靠工具。
统计程序的详细描述在补充部分S3中。元回归系数详细记录在补充表S6中。

2.7.3 异质性评估
为了充分探索方法学异质性的来源（I2 > 50%），我们采用了多方面的分析方法[48,49]。还报告了组间方差（τ2）作为异质性的绝对度量。除了标准合并外，我们还进行了随机效应元回归，以评估连续和分类协变量（如样本大小、食物基质和确认技术）对诊断准确性的影响。进一步对亚组进行了分层分析，以确定不同样本类别下的最佳诊断应用，超越了简单的“最佳方法”比较，以确定在哪些条件下特定方案最有效。
此外，我们认识到观察到的高异质性（I2 > 70%）给合并估计带来了不确定性。因此，这些结果不是作为精确的通用参数呈现的，而是作为高度变化的微生物环境中的中心趋势指标。为了保持谨慎的解释，我们的结论明确受到这种变异性的限制，报告的95%置信区间用作不同食物基质和实验室设置中发现的精确度和可靠性的主要衡量标准。

2.7.4 亚组和元回归分析
进行了预先指定的亚组分析，以探索潜在的异质性来源。亚组的定义包括：(1) 检测方法（直接培养、Bolton肉汤、Preston肉汤、其他富集肉汤），(2) 食物基质（鸡肉/家禽、牛肉/猪肉、乳制品、蔬菜、混合），(3) 污染类型（自然、人工），(4) 样本大小（<50、50–200、>200个样本），(5) 地理区域（欧洲、北美、亚洲、其他），(6) 确认方法（仅生化、PCR、MALDI-TOF、复合），(7) 发表时期（2000–2010、2011–2020、2021–2026），以及(8) 资金来源（政府/学术、工业、混合/不明）。
对于每个亚组分析，使用上述随机效应模型分别计算合并估计值。使用Cochran’s Q检验（Qbetween）评估组间差异，p < 0.05被认为具有显著性。当整体元分析中的τ2是组间方差，τ2within是亚组内的平均方差时。
进行元回归以评估连续预测因子（样本大小、发表年份）与诊断准确性估计之间的关系。使用限制最大似然（REML）方法和Knapp-Hartung调整（适用于小样本量[50]）拟合随机效应元回归模型。报告了回归系数、标准误差、95%置信区间（CI）和t统计量。如上所述，计算了每个预测因子解释的异质性比例（R2）。

2.7.5 敏感性分析
为了评估我们发现的鲁棒性，进行了六项预先指定的敏感性分析。这些分析基于方法学质量（QUADAS-2偏差风险）、研究规模（n < 50）、污染类型（自然 vs. 人工）以及排除统计异常值。此外，还进行了留一法分析，以确定是否有单个研究不成比例地影响了合并估计。如果合并估计值的变化小于2个百分点且核心结论保持不变，则认为分析是稳健的。每种分析的详细标准和完整统计输出（I2、τ2和95% CI）可在补充材料（表S5）中找到。

2.7.6 发表偏倚
使用多种互补方法评估了发表偏倚和小样本效应。通过将敏感性或特异性（x轴）与标准误差（y轴，倒置）绘制漏斗图来构建漏斗图。漏斗图的不对称性表明可能存在发表偏倚或小样本效应。还生成了增强轮廓的漏斗图，其中阴影区域表示统计显著性水平（p < 0.01、p < 0.05、p < 0.10、p > 0.10），以区分发表偏倚和异质性。
进行了Egger的回归测试，即标准化效应（效应大小除以标准误差）对精确度（1/标准误差）的线性回归[51]。显著的非零截距（p < 0.10）表明漏斗图不对称。报告了检验统计量、截距、标准误差和p值。
进行了Begg的等级相关测试、Kendall的tau以及效应大小和方差之间的等级相关性[52]。显著的相关性（p < 0.10）表明不对称性。使用了Duval和Tweedie（2000）的方法进行了修剪填充分析，以估计由于发表偏倚而缺失的研究数量，并计算调整后的合并估计值。该方法迭代地从漏斗图的不对称侧修剪研究，直到达到对称性，估计缺失研究的数量，插补它们的效应大小，并重新计算合并估计值[53]。
鉴于诊断准确性的背景和显著的异质性，我们谨慎地解释了发表偏倚测试结果，认识到不对称可能来自发表偏倚以外的来源，包括异质性、方法学质量的差异以及不同环境下的诊断准确性真实变化。

2.7.7 软件和工具
所有统计分析均使用Python 3.9.7版本（Python软件基金会，美国俄勒冈州）和以下库执行：NumPy版本1.21.2用于数值计算；SciPy版本1.7.1用于统计测试；Pandas版本1.3.3用于数据操作；Matplotlib版本3.4.3和Seaborn版本0.11.2用于可视化。元分析函数是根据既定公式自定义编码的，并根据已发布的示例进行了验证。补充分析使用R版本4.3.0（R统计计算基金会）和meta版本5.2-0、metafor版本3.4-0和mada版本0.5.11进行，用于验证和生成专门图（SROC曲线、Galbraith图）。使用Python创建了森林图、漏斗图和其他可视化图表。数据管理和组织使用Microsoft Excel 2021（微软公司）进行，参考管理使用Zotero版本6.0.26（数字学术公司）。所有分析代码都在补充材料（S3和S4部分）中提供，以确保可重复性。

3. 结果
3.1 研究选择和特征
系统文献搜索在五个数据库中识别出433条记录（PubMed：87条，Google Scholar：156条，SciSpace标题/摘要：102条，SciSpace全文：58条，Deep Review：30条）。去除重复项（n = 130条）后，对303条独特记录进行了标题和摘要筛选。其中，68项研究符合初步纳入标准并进行了全文评估。经过详细评估后，由于诊断准确性数据不足（n = 32条）、参考标准不适当（n = 14条）、没有弯曲杆菌特定数据的多病原体研究（n = 8条）或缺乏基于培养的方法（n = 4条），有58项研究被排除。最终，10项研究包含43项方法比较和4599个样本被纳入定量元分析（图1）。图1显示了PRISMA 2020流程图，展示了研究选择过程。在五个电子数据库中识别出总共433条记录。去除重复项（n = 130条）后，对303条独特记录进行了标题和摘要级别的筛选，确定了68篇报告进行全文评估。由于特定原因（主要是诊断准确性数据不足和参考标准不适当），有58篇报告被排除。有10项独特的研究被纳入定性和定量元分析，这些研究报告了涉及4599个样本的43项不同的方法比较。这10项研究发表于2002年至2024年之间，代表了欧洲（n = 6项研究）、北美（n = 3项）和亚洲（n = 1项）的8个国家（表1）。最大的研究是来自荷兰的Biesta-Peters等人[54]，包含2560个样本和多个食物基质上的10项方法比较，而最小的是来自葡萄牙的Oliveira等人[55]，包含50个样本和4项比较。在6项研究中评估了自然污染（58%），而在4项研究中使用了人工接种（42%）。食物基质包括鸡肉/家禽肉（n = 20项比较）、胴体冲洗/洗涤样本（n = 8项）、Biesta-Peters研究中的多种基质（n = 10项）、火鸡和环境样本（n = 4项）以及猪肉产品（n = 1项）。表1总结了纳入基于培养的弯曲杆菌检测方法元分析的10项研究（43项比较）的特征。评估的检测方法包括各种配方的Bolton肉汤（n = 31项比较）、Preston肉汤（n = 8项）、在改良的Charcoal Cefoperazone Deoxycholate琼脂（mCCDA）上的直接培养（n = 2项）、弯曲杆菌富集肉汤（CEB）（n = 1项）以及缓冲蛋白胨水后跟Bolton肉汤（n = 2项）。参考标准各不相同，但主要包含经过验证的基于培养的方法，70%的研究使用了分子确认（PCR）。

3.2 质量评估
使用QUADAS-2工具的质量评估显示，10项研究中有7项（70%）在所有四个领域（患者选择、指数测试、参考标准和流程与时序）显示出较低的总体偏差风险（表2，图2）。有三项研究（30%）在特定领域存在风险不明确的问题：Borck等人[56]在患者选择方面存在风险，因为样本选择程序的描述不足；Chon等人[57]在参考标准盲法方面存在风险；Rodgers等人[58]在检测流程和时间安排方面存在风险，因为指标测试和参考测试之间的时间间隔不明确。值得注意的是，没有研究在任何领域被评定为高风险。所有10项研究（100%）在三个适用性领域都表现出较低的适用性问题，表明研究人群、指标测试和参考标准适合用于评估问题。表2. 纳入研究的质量评估（QUADAS-2）。使用QUADAS-2工具对诊断准确性研究进行质量评估。偏差风险在四个领域进行了评估：患者选择、指标测试、参考标准以及检测流程和时间安排。图2. 10项纳入研究的QUADAS-2质量评估总结。四个领域的偏差风险评估：患者选择、指标测试、参考标准和检测流程与时间安排。三个领域的适用性问题评估。绿色 = 低风险/无问题，黄色 = 风险不明确，红色 = 高风险/有问题。总体而言，70%的研究具有低偏差风险，30%的研究在至少一个领域存在风险不明确，0%的研究具有高风险。最常见风险不明的原因是盲法程序报告不完整（2项研究）和测试执行时间细节不足（1项研究）。

3.3. 单项研究结果
所有43种方法比较的诊断准确性数据详见表3。Oliveira等人[55]使用Preston肉汤检测猪肉样本时的敏感性为77.8%（95%置信区间：40.0–97.2%），而Rodgers等人[58]使用直接培养法以及其他几项使用Bolton肉汤的研究（Andritsos等人[59]、Ben Bari等人[60]、Biesta-Peters等人[54]和Gonzales等人[61]）的敏感性均为100%。所有比较中的敏感性中位数为96.2%（IQR：93.3–98.6%）。表3. 单项研究结果——诊断准确性数据。表3列出了10项纳入研究中的43种方法比较的诊断准确性数据，包括真阳性（TP）、假阳性（FP）、真阴性（TN）、假阴性（FN）以及95%置信区间。特异性表现出较大变异性，从Oliveira等人[55]使用Preston肉汤时的33.3%（95%置信区间：0.8–90.6%）到15项比较中的100%（占总比的35%）。值得注意的是，使用Preston肉汤检测烤鸡和猪肉样本的研究显示出明显较低的特异性（33.3%），且置信区间较宽。样本量最大的Bailey等人[62]研究（共398个样本）使用Bolton肉汤和5%裂解的马血处理烤鸡冲洗样本，报告的敏感性为98.8%（95%置信区间：96.9–99.7%），特异性为94.7%（95%置信区间：87.1–98.5%）。Biesta-Peters等人[54]的研究测试了多种食品基质，所有比较的敏感性均在95.2%至100%之间，特异性在87.5%至100%之间，其中Bolton肉汤在相同基质下显示出更高的敏感性。

3.4. 整体汇总诊断准确性
对所有43种方法比较的随机效应荟萃分析显示，汇总敏感性为95.8%（95%置信区间：93.6–97.4%），汇总特异性为90.2%（95%置信区间：86.8–92.9%）（表4，图3）。这两项指标的异质性均为中等到高：敏感性的I2 = 72.3%（95%置信区间：62.8–79.4%，p < 0.001），特异性 的I2 = 68.7%（95%置信区间：58.1–76.8%，p < 0.001）。图3. 显示10项研究中43种方法比较的敏感性和特异性的联合森林图。每个标记代表一个单独的比较，水平线表示使用Wilson得分方法计算的95%置信区间。标记大小与随机效应荟萃分析中的研究权重成正比。红色菱形代表汇总的随机效应估计值及其95%置信区间：敏感性95.8%（95%置信区间：93.6–97.4%，I2 = 72.3%），特异性90.2%（95%置信区间：86.8–92.9%，I2 = 68.7%）。两项指标均观察到显著的异质性（敏感性的I2 = 72.3%，特异性的I2 = 68.7%；Cochran’s Q值的p < 0.001）。联合森林图直观地展示了所有43种比较的敏感性和特异性估计值分布。该图揭示了几个关键特征：（1）大多数研究集中在高敏感性区域（>90%）；（2）特异性存在较大差异，有若干低于80%的异常值；（3）直接培养法的估计值集中在高敏感性和高特异性区域；（4）Preston肉汤的估计值比其他方法的特异性更低。Cochran’s Q检验确认敏感性和特异性均存在显著异质性（敏感性Q = 148.7，df = 42，p < 0.001；特异性Q = 127.3，df = 42，p < 0.001）。研究间方差（τ2）敏感性为0.018，特异性为0.024。

3.5. 按检测方法进行的亚组分析
按检测方法进行的亚组分析显示组间存在显著差异（Q = 18.7，df = 3，p = 0.002）（表5，图4）。mCCDA上的直接培养法显示出最高的汇总敏感性，为99.1%（95%置信区间：97.4–99.8%，n = 2项比较），且无异质性（I2 = 0%）；其次是含有Bolton肉汤的缓冲蛋白胨水法，敏感性为97.0%（95%置信区间：92.6–99.0%，n = 2，I2 = 0%）；Bolton肉汤法敏感性为96.2%（95%置信区间：94.1–97.7%，n = 31，I2 = 65.4%）；CEB肉汤法敏感性为96.2%（95%置信区间：86.8–99.5%，n = 1，单项研究）；Preston肉汤法敏感性为93.7%（95%置信区间：89.2–96.6%，n = 8，I2 = 58.9%）。表5. 按检测方法、食品基质和研究特征进行的亚组分析。详细亚组分析显示了汇总的敏感性和特异性以及异质性统计值和组间比较结果。分析采用随机效应元回归方法进行。图4. 森林图显示了三种主要检测方法的汇总敏感性估计值：选择性琼脂上的直接培养法、Bolton肉汤富集法和Preston肉汤富集法。每个亚组都展示了其单个研究比较、汇总估计值（红色菱形）及95%置信区间。亚组分析显示方法间存在显著差异（Cochran’s Q值=18.7，p = 0.002）。直接培养法的汇总敏感性最高（99.1%，95%置信区间：97.4–99.8%），明显优于Bolton肉汤法（96.2%，95%置信区间：94.1–97.7%）和Preston肉汤法（93.7%，95%置信区间：89.2–96.6%）。特异性也表现出类似的趋势：直接培养法的特异性为97.9%（95%置信区间：91.5–99.7%，I2 = 0%），显著高于Bolton肉汤法的89.5%（95%置信区间：85.7–92.5%，I2 = 71.2%）和Preston肉汤法的87.3%（95%置信区间：80.1–92.4%，I2 = 62.3%）。直接培养法的优越性能具有统计学意义（p = 0.002），其敏感性比次优方法高出5.4个百分点，特异性高出8.4个百分点。元回归分析表明检测方法是敏感性和特异性的显著预测因子（敏感性系数=0.053，SE = 0.018，p = 0.003；特异性系数=0.087，SE = 0.024，p < 0.001），分别解释了38%和45%的研究间异质性。在含Bolton肉汤的亚组中，不含血液的配方和含有裂解马血的配方与标准Bolton肉汤的性能相当，无统计学差异（p = 0.43）。元回归系数见补充材料（表S6）。

3.6. 按食品基质进行的亚组分析
按食品基质进行的分析未发现统计学上的组间差异（Q = 6.4，df = 4，p = 0.17）（表5）。Biesta-Peters等人[54]的研究测试了多种基质，显示最高的汇总敏感性为97.8%（95%置信区间：96.4–98.8%，n = 10，I2 = 45.3%）；其次是尸体冲洗样本，敏感性为96.8%（95%置信区间：93.7–98.6%，n = 8，I2 = 52.1%）；鸡肉/家禽肉样本敏感性为95.4%（95%置信区间：92.5–97.4%，n = 20，I2 = 68.2%）；火鸡/环境样本敏感性为94.3%（95%置信区间：88.5–97.6%，n = 4，I2 = 0%）。Oliveira等人[55]的仅针对猪肉的比较显示敏感性较低，为83.5%（95%置信区间：62.7–94.8%），但由于样本量非常小（n = 12），因此需谨慎解读。特异性也未显示出显著基质效应（p = 0.24），各基质之间的特异性范围从91.8%到80.4%不等。缺乏显著的基质相关差异表明这些检测方法在不同食品类型上的表现稳定，但由于某些基质（尤其是仅有少量研究的猪肉）的置信区间较宽，难以得出明确结论。

3.7. 按污染类型进行的亚组分析
自然污染（n = 25项比较）的汇总敏感性为95.9%（95%置信区间：93.4–97.6%，I2 = 69.8%），特异性为91.2%（95%置信区间：87.1–94.3%，I2 = 62.4%）；人工污染（n = 18项比较）的敏感性为95.7%（95%置信区间：92.8–97.6%，I2 = 76.1%），特异性为89.1%（95%置信区间：84.2–92.8%，I2 = 74.3%）（表5）。污染类型对敏感性和特异性均无显著影响（敏感性Q = 0.02，p = 0.89；特异性Q = 0.8，p = 0.37），表明人工接种样本的诊断准确性估计值与自然污染样本相当。然而，人工污染亚组的异质性略高（敏感性的I2 = 76.1%，特异性I2 = 69.8%），这可能反映了不同研究中接种方案和细菌状态的差异较大。

3.8. 按样本量进行的亚组分析
研究按样本量分为三类：小样本量（<50个样本，n = 10项比较）、中等样本量（50–200个样本，n = 10项比较）和大样本量（>200个样本，n = 10项比较）。诊断准确性估计值因样本量不同而有所差异，样本量较大的研究显示出更高的诊断准确性（表5）。小样本量的研究汇总敏感性为91.8%（95%置信区间：86.2–95.6%，I2 = 54.2%），特异性为77.3%（95%置信区间：66.8–85.4%，I2 = 48.9%）；中等样本量的研究敏感性为96.4%（95%置信区间：93.9–98.0%，I2 = 62.7%），特异性为91.5%（95%置信区间：87.4–94.6%，I2 = 58.3%）；大样本量的研究敏感性为97.6%（95%置信区间：95.8–98.8%，I2 = 48.1%），特异性为92.8%（95%置信区间：88.7–95.7%，I2 = 52.4%）。组间差异具有统计学意义（Q = 12.3，df = 2，p = 0.006），元回归分析确认样本量是敏感性和特异性的连续预测因子（每100个样本的敏感性系数 = 0.024，SE = 0.010，p = 0.018；每100个样本的特异性系数 = 0.031，SE = 0.012）。

3.9. 在临床相关流行率水平下的预测值
根据不同的弯曲杆菌流行率情景，计算了总体和方法特定的阳性预测值（PPV）和阴性预测值（NPV），详见表6。表6. 在不同流行率情景下的阳性预测值和阴性预测值。在30%的流行率情景下，所有方法的总体PPV为80.7%，NPV为98.0%；直接培养法的PPV为95.0%，而Bolton肉汤法和Preston肉汤法的PPV分别为79.5%和74.4%。在10%的流行率情景下，直接培养法的PPV为84.3%，而富集方法的PPV在43%至50%之间；所有评估方法的NPV均高于97%。在70%的流行率情景下，直接培养法的NPV为98.7%，而富集方法的NPV在91%至95%之间。在5%的流行率情景下，直接培养法的PPV为71.2%，Bolton肉汤法为91%，Preston肉汤法为27.8%；在这种条件下，所有方法的NPV均高于99.7%。

3.10. 敏感性分析
进行了多项敏感性分析以评估研究结果的稳健性。排除风险不明确的三项研究后，汇总敏感性为95.3%（95%置信区间：92.7–97.2%），特异性为89.8%（95%置信区间：85.9–92.9%），与总体估计值相比变化很小（Δ敏感性 = ?0.5个百分点，Δ特异性 = ?0.4个百分点）。这表明质量问题并未显著影响汇总结果（见表S5）。排除小样本量研究（<50个样本，n = 10项比较）后，汇总敏感性提高到96.7%（95%置信区间：94.8–98.0%），特异性提高到91.9%（95%置信区间：88.9–94.3%），同时异质性降低（I2分别为64.2%和58.7%）。这支持了小样本量研究对点估计值和异质性的影响。留一法分析确定某项研究具有显著影响，该研究贡献了10项比较（占总数的23%）。排除这项研究后，合并检测的敏感性降低到94.9%（95%置信区间：92.3–96.9%），特异性降低到89.3%（95%置信区间：85.2–92.6%），这表明尽管这项研究具有影响力，但其排除并没有从根本上改变研究结论。留一法分析结果见表S7。仅限于自然污染样本的分析（n = 25组比较）得出的结果与全分析结果几乎相同（敏感性分别为95.9%和95.8%，特异性分别为91.2%和90.2%），这支持了纳入人工接种研究的有效性。亚组分析的详细数据见表S8。

3.11 发表偏倚评估
通过目视检查漏斗图（图S1和S4）发现轻微的不对称性，表明可能存在小样本效应，即小样本的研究显示出更大的分散性和倾向于更高的估计值。Egger回归测试显示敏感性存在统计学上的显著不对称性（截距 = 2.34，标准误差 = 0.89，p = 0.011），但特异性没有显著差异（截距 = 1.67，标准误差 = 1.12，p = 0.14），这表明可能存在偏爱高敏感性小样本的发表偏倚。然而，修剪-填充分析表明，如果存在发表偏倚，其对合并估计值的影响很小（调整后的敏感性为95.2%，调整后的特异性为89.8%），变化幅度不到1个百分点。Begg的等级相关测试显示效应大小与敏感性（τ = 0.12，p = 0.28）或特异性（τ = 0.09，p = 0.42）之间没有显著相关性，因此这种方法没有提供强有力的发表偏倚证据。Egger测试与Begg测试之间的差异可能反映了Egger方法对小样本效应更敏感，无论这些效应是否真正由发表偏倚或其他异质性来源引起。

使用漏斗图评估发表偏倚时也发现了轻微的不对称性，Egger回归测试显示敏感性和特异性都有显著的截距（敏感性截距 = ?1.218，标准误差 = 0.292，p < 0.0001；特异性截距 = ?1.153，标准误差 = 1.164，p < 0.0001）（图S3和S6）。Begg的等级相关测试也确认了这种不对称性（敏感性：τ = ?0.550，p < 0.0001；特异性：τ = ?0.417，p = 0.0002）。通过增强轮廓的漏斗图（图S2和S5）的目视检查发现，小样本的研究倾向于报告更高的估计值，且很少有小样本报告低诊断准确性。修剪-填充分析表明，如果存在发表偏倚，其对合并估计值的影响也很小，调整后的敏感性为95.2%（实际观察值为95.8%），调整后的特异性为89.8%（实际观察值为90.2%），变化幅度不到1个百分点。观察到的不对称性可能是由真正的发表偏倚、小样本效应以及研究质量和方法学上的异质性共同作用的结果。

4. 讨论
与选择性富集方法相比，直接培养法的高诊断准确性对当前的Campylobacter检测国际框架（特别是ISO 10272-1:2017标准）提出了挑战。我们的荟萃分析表明，目前依赖基于富集的协议可能会导致对食品中Campylobacter流行率的系统低估，大约低估了5个百分点。此外，直接培养法的阳性预测值（95.0%）高于富集方法（74.4–79.5%），在典型的30%零售流行率下，这表明当前的富集协议可能会产生更多的假阳性结果。这些结果在敏感性分析中保持稳定，证实观察到的趋势主要不是由小样本效应或方法学质量问题造成的。

诊断差异以及显著偏爱C. coli而非C. jejuni的现象是由富集过程中几个相互关联的生物学机制驱动的。富集培养基使用复杂的抗生素混合物，如多粘菌素B，这些抗生素可能会无意中抑制具有较高内在敏感性或膜受损的C. jejuni细胞。这种选择压力因竞争性生长而加剧，因为在食品基质中，背景微生物的数量通常超过Campylobacter的100倍，它们会竞争营养物质并产生抑制性代谢物。此外，富集过程中所需的处理和转移步骤中的累积氧气暴露增加了氧化应激，可能导致Campylobacter转变为可存活但无法培养（VBNC）的状态。直接培养在mCCDA培养基上进行，可以绕过这些选择性和氧化应激因素，从而无偏地恢复敏感或亚致伤的细胞群体。

富集培养基使用复杂的抗生素混合物——通常在Bolton培养基中包含万古霉素、甲氧嘧啶和多粘菌素B，在Preston培养基中包含多粘菌素B、利福平和甲氧嘧啶及环己亚胺——以抑制背景微生物[23,64]。虽然这些抗生素对竞争性微生物有效，但它们可能会无意中抑制那些膜受损、抗菌敏感性高或处于亚致伤状态的Campylobacter细胞，这种情况在冷藏或冷冻食品中很常见[65,66]。在mCCDA培养基上直接培养主要使细胞暴露于头孢哌酮，这是一种针对肽聚糖合成的β-内酰胺类抗生素，从而能够恢复那些在多药压力下会被消除的敏感或受损细胞群体[33,67]。

在24–72小时的富集过程中，背景微生物的数量通常超过Campylobacter的100倍，它们会竞争营养物质并产生抑制性代谢物，如有机酸、细菌素和活性氧（ROS）[68,69]。这种竞争性生长对Campylobacter特别有害，因为Campylobacter是一种代谢灵活性有限且严格要求微需氧环境的菌株[70]。直接培养完全消除了这种竞争性生长，即使初始Campylobacter数量很少，也能在选择性琼脂上形成明显的菌落，而不会被更强大或不太苛刻的微生物（如假单胞菌、肠杆菌科或芽孢杆菌属）抑制[14,71]。

Campylobacter对ROS特别敏感，因为其抗氧化防御能力有限，且大多数菌株缺乏过氧化氢酶[70,72]。富集过程中所需的处理步骤（初始接种、混合和后续传代）会增加每次转移过程中的累积氧气暴露，可能导致DNA、蛋白质和膜脂质的氧化损伤[20,73]。这种氧化应激可能导致Campylobacter转变为VBNC状态，即细胞保持代谢活性但无法通过标准培养技术检测到[19,74]。直接培养减少了处理步骤和培养时间（48小时对比富集过程的96小时），有助于防止或逆转VBNC状态，并在整个检测过程中保持细胞的培养能力。

ESBL E. coli问题在亚洲国家（韩国、孟加拉国、中国）最为严重，因为这些国家的家禽生产中抗菌药物的使用量很高[35]。然而，欧洲和北美ESBL E. coli的日益普遍表明这一问题将变得更加普遍。多项研究表明，在mCCDA培养基中加入塔佐巴坦（4 mg/L，一种β-内酰胺酶抑制剂）可以有效解决ESBL E. coli的干扰[35,36]。塔佐巴坦可以抑制ESBL酶，从而恢复头孢哌酮对ESBL E. coli的活性，而不影响Campylobacter的生长。使用塔佐巴坦添加的mCCDA（T-mCCDA）的研究报告显示：特异性从16.7%提高到98.1%，敏感性保持或提高（一个比较中从54.4%提高到100%），完全消除了ESBL E. coli菌落，并且对Campylobacter的恢复没有不良影响。鉴于ESBL E. coli在 poultry 产品中的全球普遍存在，特别是在已知存在ESBL问题的地区，应考虑常规使用T-mCCDA。应考虑修订这些标准，将T-mCCDA作为推荐或强制选项。

我们的荟萃分析揭示了基于富集的检测方法中存在严重且先前未被充分认识的物种特异性偏倚。Rodgers等人[58]的研究直接在同一样本集上比较了多种方法，发现C. coli（使用Bolton培养基的敏感性为85.4%）与C. jejuni（使用Bolton培养基的敏感性为40.6%）之间存在44.8个百分点的差异，而直接培养法能够以相同的效率恢复这两种菌株（均为100%）。这种显著的恢复差异是食品微生物学诊断中识别出的最重要的方法学偏倚之一，对流行病学监测有深远影响，因为C. jejuni约占全球Campylobacter相关病例的80–90%[2,3]。

这种物种特异性偏倚的生物学原因是多粘菌素B的差异敏感性，多粘菌素B是Bolton和Preston培养基中存在的关键选择性因子，其浓度为10–20 mg/L[27,75]。多粘菌素B是一种阳离子脂肽抗生素，它作用于革兰氏阴性菌外膜中的脂多糖（LPS）成分[76]。结合后，它通过其带正电荷的二氨基丁酸残基与脂质A的负电荷磷酸基团之间的静电相互作用破坏膜完整性，随后其脂肪酸尾部插入膜双层，导致细胞快速裂解和死亡[77,78]。

我们荟萃分析中观察到的极端偏倚可以通过这两种菌株LPS的固有结构差异来解释。许多C. coli菌株对多粘菌素B的基线抵抗力高于C. jejuni，最小抑制浓度（MICs）通常高2–4倍[79,80,81]。这使得C. coli能够在Bolton培养基的48小时富集窗口期内存活，而C. jejuni菌株则被抑制或消除[58,82]。LPS中的脂质A成分的差异——LPS中负责内毒素活性的保守锚定结构——或C. jejuni LPS中的特定磷酸胆碱修饰可能增加了其对多粘菌素B的结合亲和力，使其更容易受到标准富集配方中抗生素浓度的影响[83,84,85]。C. jejuni菌株经常表达唾液酸化脂寡糖（LOS）结构，这些结构类似于宿主神经节苷脂（GM1, GD1a, GT1a），这种分子模拟策略有助于毒力和免疫逃逸，但在C. coli中较为少见[86,87]。这些唾液酸化残基，特别是α2,3连接的N-乙酰神经氨酸，增强了外膜的净负电荷，可能增加了对带正电荷的多粘菌素B分子的静电吸引力，从而促进更深的膜穿透[88,89]。此外，脂质A的修饰（如磷乙醇胺添加、棕榈酰化、羟基化和氨基阿拉伯糖替换）是其他革兰氏阴性菌（如沙门氏菌、假单胞菌和鲍曼不动杆菌）中常见的抗性机制[89,90]。这些修饰减少了脂质A的净负电荷，降低了多粘菌素B的结合亲和力，从而产生了抗性[89,90]。C. jejuni中这些保护性修饰的相对缺失或表达减少可能解释了富集培养基中观察到的差异敏感性[91,92]。

我们的证据表明，选择直接培养还是选择性富集应根据预期的样本特征、监测计划的具体目标以及敏感性、特异性和周转时间之间的平衡来决定[21,93]。当预期污染水平较高（>100 CFU/g）时，例如在肉鸡盲肠内容物、新鲜禽类尸体冲洗液或已知阳性群体的样本中，以及当需要快速结果进行时间敏感的决策时，应优先选择直接培养[58,94]。绕过富集阶段可以将总周转时间从96小时（4天）缩短到48小时（2天），从而将实验室效率提高50%，并在疫情爆发时实现更快速的干预[95,96]。此外，直接培养是进行需要无偏回收C. jejuni和C. coli的流行率研究、依赖于准确计数数据的定量风险评估模型以及研究食品生产系统中Campylobacter生态学和流行病学的首选方法。直接培养在零售流行率下的较高阳性预测值（95.0%对比富集方法的74.4–79.5%）使其在监管执行中特别有价值，因为假阳性可能导致不必要的产品召回、经济损失和行业合规性的降低。

尽管富集对于检测极低水平的污染（<10 CFU/g）仍然是不可或缺的[30,97]，但在背景微生物数量极高的样本中（例如，>10^6 CFU/g，需要多种抗生素的抑制作用以防止选择性琼脂上的过度生长并使Campylobacter菌落可见[98]，富集也是必要的。在这些情况下，富集培养基提供的复苏和扩增可能是检测与否的关键，即使存在物种偏倚和较长的周转时间。结合直接培养和富集的混合方法可能为许多监测计划提供最佳平衡。同时使用这两种方法可以最大化总体敏感性，并提供互补的信息：直接培养提供快速、定量和物种中性的结果，而富集则提高了对低水平污染和受损细胞的敏感性。虽然并行测试的成本和劳动量会增加（每个样本的成本估计增加30–50%），但在高优先级的监测计划、疫情调查或需要最高检测敏感性和全面Campylobacter流行率数据的研究中可能是合理的。

目前国际上的Campylobacter检测标准，包括ISO 10272-1:2017[21]和美国农业部食品安全检验服务局[93]，推荐将富集作为食品产品的主要或唯一检测方法。我们的研究结果挑战了这一范式，建议对这些标准进行紧急修订，将直接培养作为一种推荐或替代的主要方法纳入其中，尤其是对于预期污染水平较高的样品，或者当需要物种中立检测时。ISO 10272-1:2017标准明确指出，“在选择性液体培养基中进行富集是检测少量弯曲杆菌所必需的”，并将直接平板培养视为可选的补充程序。虽然这一建议适用于预期污染水平非常低的样品（<10 cfu），但在解释这项荟萃分析的发现时需要考虑几个限制因素。

首先，纳入的主要研究数量相对较少（n = 10），这是由于我们严格的资格标准，这些标准优先考虑方法学的严谨性和完整2 × 2列联数据的可用性。此外，富集方法的证据基础（n = 39项比较）与直接培养的证据基础（n = 2项比较）之间存在明显的数量不平衡。因此，对于直接培养报告的高值估计应被视为高负荷样本潜在诊断优势的指标，而不是其普遍应用的强制性要求。

研究中观察到的方法学异质性较高，并不被视为结构性缺陷，而是反映了不同食品基质和全球实验室标准之间的生物学和物理变异性。另外，我们使用单变量合并是一种基于当前证据基础的务实分析假设；它并没有显式地模型化敏感性和特异性之间的潜在相关性。最后，尽管我们的分析集中在诊断准确性上，但并未系统地评估其他关键性能特性，如检测限（LOD）、再现性、成本效益或具体劳动要求，这些都是评估这些方法在不同环境中的实际可行性所必需的。

其次，发表偏倚评估显示了一些小规模研究效应的证据，Egger测试表明可能存在有利于高敏感性小规模研究的偏倚（p = 0.011）。尽管修剪和填充分析表明对合并估计的影响很小（调整后的敏感性为95.2% vs. 实际观察到的95.8%），但仍有可能存在未发表的研究，这些研究的结果为阴性或无效，特别是在灰色文献中，或者是食品行业实验室或监管机构进行的未发表的验证研究。对监管数据库、行业报告和会议记录的全面搜索可能会发现更多未发表的数据。

最后，我们的分析主要关注诊断准确性（敏感性和特异性），但并未系统地评估其他重要性能特性，如检测限、再现性、成本效益或用户友好性。在资源有限的环境中，应综合考虑这些实际因素，因为在这些环境中，成本和简洁性可能比敏感性和特异性的边际提升更为重要。我们建议采用一种细致的、基于风险的方法，其中方法的选择取决于预期的污染水平和具体的样本基质特性。对于高负荷基质（如新鲜家禽或盲肠内容物），应优先选择直接培养（程序C），以减轻多粘菌素B在富集阶段对空肠弯曲杆菌的显著抑制作用。相反，对于低负荷或受压样本（包括冷冻或加工产品），选择性富集仍然是不可或缺的，因为需要恢复亚致死损伤的细胞以实现准确检测。

此外，在高优先级的监测项目或产ESBL的大肠菌高流行地区，应考虑采用混合策略。这种方法可能涉及常规使用添加塔佐巴坦的mCCDA（T-mCCDA），该试剂已被证明可以通过消除背景微生物的干扰来提高特异性，而不影响弯曲杆菌的回收率。通过结合直接培养进行快速、物种中立的定量和富集以获得最大敏感性，食品安全机构可以确保更全面的病原体监测和改善公共卫生结果。

总之，这项系统评价和荟萃分析表明，在mCCDA上进行直接培养可以提供高诊断准确性，合并后的敏感性为99.1%，特异性为97.9%，同时显著将检测时间缩短至48小时。一个关键发现是当前富集协议中存在显著的物种特异性回收偏差。具体来说，使用Bolton肉汤会导致空肠弯曲杆菌的回收率比大肠杆菌低59.4个百分点，主要是由于多粘菌素B的选择性压力。由于空肠弯曲杆菌约占全球人类感染的90%，这种偏差表明仅依赖富集可能会导致对食品中最具有临床意义的物种的系统性低估。

为了解决这一诊断挑战，我们提出了一个基于情况的、基于风险的方法选择方法，该方法在ISO 10272-1:2017框架内运作。我们建议对于高污染基质（如新鲜家禽）优先选择直接培养（程序C），以确保空肠弯曲杆菌群体的无偏回收。虽然选择性富集对于恢复低负荷或受压样本中的病原体仍然是必要的，但采用这些基于情况的改进可以显著提高流行病学数据和食品安全监测的准确性。需要进一步的大规模验证来确认这些诊断优势在各种食品基质中的普遍性。

补充材料：以下支持信息可在以下链接下载：https://www.mdpi.com/article/10.3390/vetsci13050415/s1
- 图S1：标准漏斗图，显示了43项方法比较的敏感性估计值及其标准误差；
- 图S2：带有阴影区域的等高线增强漏斗图，表示统计显著性水平；
- 图S3：回归图，显示精度（1/SE）与标准化效应；
- 图S4：特异性的标准漏斗图；
- 图S5：带有显著性区域的特异性的等高线增强漏斗图；
- 图S6：显示精度与标准化效应的特异性回归图；
- 表S1：所有数据库的完整搜索策略；
- 表S2：被排除的研究及其排除原因（n = 58）；
- 表S3：详细的研究特征和方法论；
- 表S4：完整的诊断准确性数据及计算结果；
- 表S5：敏感性分析结果；
- 表S6：元回归系数；
- 表S7：留一法分析结果；
- 表S8：亚组分析的详细统计。
- 文件S1：补充方法和结果；
- 文件S2：PRISMA检查表。