Quantitative microbial risk assessment for <i>Escherichia Coli</i> O157: H7 via drinking water in the Gaza Strip, Palestine
Notice bibliographique
Résumé
Introduction: Microbial contamination of drinking water, particularly by pathogens such as Escherichia coli O157: H7, is a significant public health concern worldwide, especially in regions with limited access to clean water like the Gaza Strip. However, few studies have quantified the disease burden associated with E. coli O157: H7 contamination in such challenging water management contexts. Objective: This study aimed to conduct a comprehensive Quantitative Microbial Risk Assessment to estimate the annual infection risk and disease burden attributed to E. coli O157: H7 in Gaza’s drinking water. Methods: Applying the typical four steps of the Quantitative Microbial Risk Assessment technique—hazard identification, exposure assessment, dose-response analysis, and risk characterization—the study assessed the microbial risk associated with E. coli O157: H7 contamination in Gaza’s drinking water supply. A total of 1317 water samples from various sources across Gaza were collected and analyzed for the presence of E. coli O157: H7. Using Microsoft ExcelTM and @RISKTM software, a Quantitative Microbial Risk Assessment model was constructed to quantify the risk of infection associated with E. coli O157: H7 contamination. Monte Carlo simulation techniques were employed to assess uncertainty surrounding input variables and generate probabilistic estimates of infection risk and disease burden. Results: Analysis of the water samples revealed the presence of E. coli O157: H7 in 6.9% of samples, with mean, standard deviation, and maximum values of 1.97, 9.74, and 112 MPN/100 ml, respectively. The risk model estimated a median infection risk of 3.21 × 10-01 per person per year and a median disease burden of 3.21 × 10-01 Disability-Adjusted Life Years per person per year, significantly exceeding acceptable thresholds set by the WHO. Conclusion: These findings emphasize the urgent need for proactive strategies to mitigate public health risks associated with waterborne pathogens in Gaza.
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 | 0,002 | 0,002 |
| 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 | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».