Are aerosols generated during lung function testing in patients and healthy volunteers? Results from the AERATOR study
Notice bibliographique
Résumé
Pulmonary function tests are fundamental to the diagnosis and monitoring of respiratory diseases. There is uncertainty around whether potentially infectious aerosols are produced during testing and there are limited data on mitigation strategies to reduce risk to staff. Healthy volunteers and patients with lung disease underwent standardised spirometry, peak flow and FE NO assessments. Aerosol number concentration was sampled using an aerodynamic particle sizer and an optical particle sizer. Measured aerosol concentrations were compared with breathing, speaking and voluntary coughing. Mitigation strategies included a standard viral filter and a full-face mask normally used for exercise testing (to mitigate induced coughing). 147 measures were collected from 33 healthy volunteers and 10 patients with lung disease. The aerosol number concentration was highest in coughs (1.45–1.61 particles/cm 3 ), followed by unfiltered peak flow (0.37–0.76 particles/cm 3 ). Addition of a viral filter to peak flow reduced aerosol emission by a factor of 10 without affecting the results. On average, coughs produced 22 times more aerosols than standard spirometry (with filter) in patients and 56 times more aerosols in healthy volunteers. FE NO measurement produced negligible aerosols. Cardiopulmonary exercise test (CPET) masks reduced aerosol emission when breathing, speaking and coughing significantly. Lung function testing produces less aerosols than voluntary coughing. CPET masks may be used to reduce aerosol emission from induced coughing. Standard viral filters are sufficiently effective to allow guidelines to remove lung function testing from the list of aerosol-generating procedures.
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 ».