Mapping of UV-C dose and SARS-CoV-2 viral inactivation across N95 respirators during decontamination
Notice bibliographique
Résumé
During public health crises like the COVID-19 pandemic, ultraviolet-C (UV-C) decontamination of N95 respirators for emergency reuse has been implemented to mitigate shortages. Pathogen photoinactivation efficacy depends critically on UV-C dose, which is distance- and angle-dependent and thus varies substantially across N95 surfaces within a decontamination system. Due to nonuniform and system-dependent UV-C dose distributions, characterizing UV-C dose and resulting pathogen inactivation with sufficient spatial resolution on-N95 is key to designing and validating UV-C decontamination protocols. However, robust quantification of UV-C dose across N95 facepieces presents challenges, as few UV-C measurement tools have sufficient (1) small, flexible form factor, and (2) angular response. To address this gap, we combine optical modeling and quantitative photochromic indicator (PCI) dosimetry with viral inactivation assays to generate high-resolution maps of "on-N95" UV-C dose and concomitant SARS-CoV-2 viral inactivation across N95 facepieces within a commercial decontamination chamber. Using modeling to rapidly identify on-N95 locations of interest, in-situ measurements report a 17.4 ± 5.0-fold dose difference across N95 facepieces in the chamber, yielding 2.9 ± 0.2-log variation in SARS-CoV-2 inactivation. UV-C dose at several on-N95 locations was lower than the lowest-dose locations on the chamber floor, highlighting the importance of on-N95 dose validation. Overall, we integrate optical simulation with in-situ PCI dosimetry to relate UV-C dose and viral inactivation at specific on-N95 locations, establishing a versatile approach to characterize UV-C photoinactivation of pathogens contaminating complex substrates such as N95s.
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) | 0,000 | 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 ».