Predicting COVID-19 cases across a large university campus using built environment surveillance
Notice bibliographique
Résumé
Background: Environmental surveillance of SARS-CoV-2 via wastewater has become an invaluable tool for population-level surveillance. Built environment sampling may provide complementary spatially refined detection for viral surveillance in congregate settings such as universities. Methods: We conducted a prospective environmental surveillance study at the University of Ottawa between September 2021 and April 2022. Floor surface samples were collected twice weekly from six university buildings and analyzed for the presence of SARS-CoV-2 using quantitative PCR. A Poisson regression was used to model the campus-wide COVID-19 cases predicted from the fraction of floor swabs positive for SARS-CoV-2 RNA, building CO 2 levels, Wi-Fi usage, and SARS-CoV-2 RNA levels in city wastewater. Building-level cases were modelled using viral copies detected in floor samples as a predictor. Results: Over the 32-week study period, we collected 554 floor swabs at six university buildings. Overall, 13% of swabs were PCR positive for SARS-CoV-2, with positivity ranging between 4.8% and 32.7% among buildings. Both floor swab positivity (Spearman r = 0.74, 95% CI 0.53 to 0.87) and city wastewater signal (Spearman r = 0.50, 95% CI 0.18 to 0.73) positively correlated with on-campus COVID-19 cases. In addition, built environment detection was a predictor of cases linked to individual university buildings. Conclusions: Detection of SARS-CoV-2 RNA on floors and viral RNA levels in city-wide wastewater were strongly associated with the incidence of COVID-19 cases on a university campus. These data suggest a potential role for institutional built environment sampling, used together with wastewater surveillance, for predicting COVID-19 cases at both campus-wide and building-level scales.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».