Air change rate and SARS-CoV-2 exposure in hospitals and residences: A meta-analysis
Notice bibliographique
Résumé
As SARS-CoV-2 swept across the globe, increased ventilation and implementation of air cleaning were emphasized by the US CDC and WHO as important strategies to reduce the risk of inhalation exposure to the virus. To assess whether higher ventilation and air cleaning rates lead to lower exposure risk to SARS-CoV-2, 1274 manuscripts published between April 2020 and September 2022 were screened using key words "airborne SARS-CoV-2 or "SARS-CoV-2 aerosol". Ninety-three studies involved air sampling at locations with known sources (hospitals and residences) were selected and associated data were compiled. Two metrics were used to assess exposure risk: SARS-CoV-2 concentration and SARS-CoV-2 detection rate in air samples. Locations were categorized by type (hospital or residence) and proximity to the sampling location housing the isolated/quarantined patient (primary or secondary). The results showed that hospital wards had lower airborne virus concentrations than residential isolation rooms. A negative correlation was found between airborne virus concentrations in primary-occupancy areas and air changes per hour (ACH). In hospital settings, sample positivity rates were significantly reduced in secondary-occupancy areas compared to primary-occupancy areas, but they were similar across sampling locations in residential settings. ACH and sample positivity rates were negatively correlated, though the effect was diminished when ACH values exceeded 8. While limitations associated with diverse sampling protocols exist, data considered by this meta-analysis support the notion that higher ACH may reduce exposure risks to the virus in ambient air.
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 | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».