Quantifying pathogen infection risks from household laundry practices
Notice bibliographique
Résumé
Aims Contaminated laundry can spread infections. However, current directives for safe laundering are limited to healthcare settings and not reflective of domestic conditions. We aimed to use quantitative microbial risk assessment to evaluate household laundering practices (e.g., detergent selection, washing and drying temperatures, and sanitizer use) relative to log10 reductions in pathogens and infection risks during the clothes sorting, washer/dryer loading, folding and storing steps. Methods and Results Using published data, we characterized laundry infection risks for respiratory and enteric pathogens relative to a single user contact scenario and a 1.0 × 10−6 acceptable risk threshold. For respiratory pathogens, risks following cold water wash temperatures (e.g. median 14.4℃) and standard detergents ranged from 2.2 × 10−5 to 2.2 × 10−7. Use of advanced, enzymatic detergents reduced risks to 8.6 × 10−8 and 2.2 × 10−11 respectively. For enteric pathogens, however, hot water, advanced detergents, sanitizing agents and drying are needed to reach risk targets. Significance and Impact of the Study Conclusions provide guidance for household laundry practices to achieve targeted risk reductions, given a single user contact scenario. A key finding was that hand hygiene implemented at critical control points in the laundering process was the most significant driver of infection prevention, additionally reducing infection risks by up to 6 log10.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».