Effectiveness of SplashGuard Caregiver prototype in reducing the risk of aerosol transmission in intensive care unit rooms of SARS-CoV-2 patients: a prospective and simulation study
Notice bibliographique
Résumé
BACKGROUND: The contagiousness of severe acute respiratory syndrome coronavirus-2 (SARS-CoV-2) is known to be linked to the emission of bioaerosols. Thus, aerosol-generating procedures (AGPs) could increase the risk of infection among healthcare workers (HCWs). AIM: To investigate the impact of an aerosol protection box, the SplashGuard Caregiver (SGGC) with suction system, by direct analysis of the presence of viral particles after an AGP, and by using the computational fluid dynamics (CFD) simulation method. METHODS: This prospective observational study investigated HCWs caring for patients with SARS-CoV-2 admitted to an intensive care unit (ICU). Rooms were categorized as: SGCG present and SGCG absent. Virus detection was performed through direct analysis, and using a CFD model to simulate the movement dynamics of airborne particles produced by a patient's respiratory activities. FINDINGS: Of the 67 analyses performed, three samples tested positive on quantitative polymerase chain reaction: one of 33 analyses in the SCCG group (3%) and two of 34 analyses in the non-SGCG group (5.9%). CFD simulations showed that: (1) reduction of the gaps of an SGCG could decrease the number of emitted particles remaining airborne within the room by up to 70%; and (2) positioning HCWs facing the opposite direction to the main air flow would reduce their exposure. CONCLUSIONS: This study documented the presence of SARS-CoV-2 among HCWs in a negative pressure ICU room of an infected patient with or without the use of an SGCG. The simulation will help to improve the design of the SGCG and the positioning of HCWs in the room.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».