SARS-CoV-2 Detection from the Built Environment and Wastewater and Its Use for Hospital Surveillance
Notice bibliographique
Résumé
ABSTRACT Background SARS-CoV-2 causes significant morbidity and mortality in health care settings. Our understanding of the distribution of this virus in the built healthcare environment and wastewater, and relationship to disease burden, is limited. Methods We performed a prospective multi-center study of environmental sampling of SARS-CoV-2 from hospital surfaces and wastewater and evaluated their relationships with regional and hospital COVID-19 burden. We developed and validated a qPCR-based approach to surface sampling, and swab samples were collected weekly from different locations and surfaces across two tertiary care hospital campuses for a 10-week period during the pandemic, along with wastewater samples. Results Over a 10-week period, 963 swab samples were collected and analyzed. We found 61 (6%) swabs positive for SARS-CoV-2, with the majority of these (n=51) originating from floor samples. Wards that actively managed patients with COVID-19 had the highest frequency of positive samples (p<0.01). Detection frequency in built environment swabs was significantly associated with active cases in the hospital throughout the study (p<0.025). Wastewater viral signal changes appeared to predate change in case burden. Conclusions Environment sampling for SARS-CoV-2, in particular from floors, may offer a unique and resolved approach to surveillance of COVID-19.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».