Estimating indoor airborne concentrations of SARS-CoV-2 RNA using quantitative filter forensics
Notice bibliographique
Résumé
This investigation used portable air cleaners (PACs) and quantitative filter forensics (QFF) to assess week-long average airborne concentrations of SARS-CoV-2 RNA in homes occupied with COVID-symptomatic individuals, classrooms, and dining locations throughout Toronto, Canada. PACs were deployed for one week each, and dust from filters was collected via vacuuming. SARS-CoV-2 RNA from filter dust was quantified using reverse transcription-polymerase chain reaction (RT-PCR). RNA quantities and PAC metadata were used to estimate airborne concentrations of SARS-CoV-2 RNA. The highest concentrations of RNA were found in isolation rooms (median concentration=8.68 RNA copies/m3). Classrooms had lower concentrations during summer than in fall and winter (median concentration of sampling weeks when RNA was present = 0.02 RNA copies/m3 and 0.11 RNA copies/m3, respectively), which may be attributed to differences in classroom occupancy among other factors. Limitations include unknown recovery efficiency of RNA from filters and the dynamics of concentrations due to the temporal averaging provided by QFF. Our results are consistent with previous research highlighting the effectiveness of isolation in preventing distribution of high concentrations of SARS-CoV-2 RNA throughout a home. Overall, QFF is a beneficial tool for environmental sampling of respiratory airborne virus RNA such as SARS-CoV-2 RNA, that can be implemented for long-term sampling in mixed-occupancy environments.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».