Wastewater-based surveillance can be used to model COVID-19-associated workforce absenteeism
Notice bibliographique
Résumé
Abstract Wastewater-based surveillance (WBS) is a powerful tool for understanding community COVID-19 disease burden and informing public health policy. The potential of WBS for understanding COVID-19’s impact in non-healthcare settings has not been explored to the same degree. Here we examined how SARS-CoV-2 measured from municipal wastewater treatment plants (WWTPs) correlates with local workforce absenteeism. SARS-CoV-2 RNA N1 and N2 were quantified three times per week by RT-qPCR in samples collected at three WWTPs servicing Calgary and surrounding areas, Canada (1.3 million residents) between June 2020 and March 2022. Wastewater trends were compared to workforce absenteeism using data from the largest employer in the city (>15,000 staff). Absences were classified as being COVID-19-related, COVID-19-confirmed, and unrelated to COVID-19. Poisson regression was performed to generate a prediction model for COVID-19 absenteeism based on wastewater data. SARS-CoV-2 RNA was detected in 95.5% (85/89) of weeks assessed. During this period 6592 COVID-19-related absences (1896 confirmed) and 4,524 unrelated absences COVID-19 cases were recorded. Employee absences significantly increased as wastewater signal increased through the pandemic’s waves. Strong correlations between COVID-19-confirmed absences and wastewater SARS-CoV-2 signals (N1 gene: r=0.824, p<0.0001 and N2 gene: r=0.826, p<0.0001) were observed. Linear regression with adjusted R 2 -value demonstrated a robust association (adjusted R 2 =0.783), when adjusted by 7 days, indicating wastewater provides a one-week leading signal. A generalized linear regression using a Poisson distribution was performed to predict COVID-19-confirmed absences out of the total number of absent employees using wastewater data as a leading indicator (P<0.0001). We also assessed the variation of predictions when the regression model was applied to new data, with the predicted values and corresponding confidence intervals closely tracking actual absenteeism data. Wastewater-based surveillance has the potential to be used by employers to anticipate workforce requirements and optimize human resource allocation in response to trackable respiratory illnesses like COVID-19. Highlights WBS is a useful strategy for monitoring infectious diseases in workers SARS-CoV-2 RNA in wastewater correlated with workforce absenteeism Workplace absenteeism secondary to COVID-19 can be predicted using WBS WBS can be used by employers to anticipate and mitigate work force absenteeism Graphical abstract
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 | 0,003 | 0,009 |
| 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 | 0,001 | 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) | 0,002 | 0,001 |
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 ».