Strategies for managing N95 mask shortages at water resource recovery facilities during pandemics: a review
Notice bibliographique
Résumé
As the numbers of COVID-19 cases grew globally, the severe shortages of health care respiratory protective equipment impacted the ability of water resource recovery facilities (WRRFs) to acquire N95 masks for worker protection. While the Occupational Safety and Health Administration (OSHA) encourages WRRFs to conduct job safety assessments to mitigate risks from bioaerosols, it does not provide clear guidance on respiratory protection requirements, leaving the use of N95 masks across the industry non-standardized and difficult to justify. Strategies need to be developed to cope with shortages during pandemics, and these should take into consideration a WRRF's size and disinfection equipment available. Our objective is to provide an overview of respiratory protection-related practices recommended for health care professionals that apply to WRRFs (e.g., elimination, substitution, extended use, reuse, disinfection). Reviewed N95 mask disinfection strategies included using hydrogen peroxide, autoclaving, moist heat, dry heat, ultraviolet germicidal irradiation (UVGI), ethylene oxide, chlorine and ethanol. Of these, dry heat, autoclaving and UVGI present the most promise for WRRFs, with UVGI being limited to larger utilities. We recommend that WRRFs work closely with disinfection technology manufacturers, mask providers, health and safety staff and inspectors to develop suitable programs to cope with N95 mask shortages during pandemics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».