MétaCan
Menu
Retour à la cohorte
Enregistrement W4225786604 · doi:10.1177/00220345221087880

Particle Size, Mass Concentration, and Microbiota in Dental Aerosols

2022· article· en· W4225786604 sur OpenAlexafffund
Ata Rafiee, Ramon Souza Carvalho, Doris Lunardon, Carlos Flores‐Mir, Prof. Paul Major, Bernadette Quémerais, Khaled Altabtbaei

Notice bibliographique

RevueJournal of Dental Research · 2022
Typearticle
Langueen
DomaineDentistry
ThématiqueDental Research and COVID-19
Établissements canadiensUniversity of Alberta
Organismes subventionnairesMitacs
Mots-clésBioaerosolAerosolSalivaDentistryParticle sizeParticle (ecology)MedicineEnvironmental scienceChemistryPhysicsInternal medicineMeteorologyGeology

Résumé

récupéré en direct d'OpenAlex

Many dental procedures are considered aerosol-generating procedures that may put the dental operator and patients at risk for cross-infection due to contamination from nasal secretions and saliva. This aerosol, depending on the size of the particles, may stay suspended in the air for hours. The primary objective of the study was to characterize the size and concentrations of particles emitted from 7 different dental procedures, as well as estimate the contribution of the nasal and salivary fluids of the patient to the microbiota in the emitted bioaerosol. This cross-sectional study was conducted in an open-concept dental clinic with multiple operators at the same time. Particle size characterization and mass and particle concentrations were done by using 2 direct reading instruments: Dust-Trak DRX (Model 8534) and optical particle sizer (Model 3330). Active bioaerosol sampling was done before and during procedures. Bayesian modeling (SourceTracker2) of long-reads of the 16S ribosomal DNA was used to estimate the contribution of the patients’ nasal and salivary fluids to the bioaerosol. Aerosols in most dental procedures were sub-PM 1 dominant. Orthodontic debonding and denture adjustment consistently demonstrated more particles in the PM 1 , PM 2.5 , PM 4 , and PM 10 ranges. The microbiota in bioaerosol samples were significantly different from saliva and nasal samples in both membership and abundance ( P < 0.05) but not different from preoperative ambient air samples. A median of 80.15% of operator exposure was attributable to sources other than the patients’ salivary or nasal fluids. Median operator’s exposure from patients’ fluids ranged from 1.45% to 2.75%. Corridor microbiota showed more patients’ nasal bioaerosols than oral bioaerosols. High-volume saliva ejector and saliva ejector were effective in reducing bioaerosol escape. Patient nasal and salivary fluids are minor contributors to the operator’s bioaerosol exposure, which has important implications for COVID-19. Control of bioaerosolization of nasal fluids warrants further investigation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,286
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,056
Tête enseignante GPT0,404
Écart entre enseignants0,348 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations22
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Dental ResearchMême sujetDental Research and COVID-19Travaux en français237 207