City-wide Built Environment SARS-CoV-2 Detection for COVID-19 Surveillance
Notice bibliographique
Résumé
ABSTRACT Built environment surveillance has shown promise for monitoring COVID-19 burden at granular geographic scales, but its utility for surveillance across larger areas and populations is unknown. Our study aims to evaluate the role of built environment detection of SARS-CoV-2 for the surveillance of COVID-19 across broad geographies and populations. We conducted a prospective city-wide sampling study to examine the relationship between SARS-CoV-2 on floors and COVID-19 burden. We used non-parametric correlation analyses and linear models to evaluate associations between SARS-CoV-2 signals and COVID-19 outcomes, across multiple locations/populations over time. Sampling sites included schools, libraries, and emergency departments in the capital city of Ottawa, Canada, from October 2022 to March 2023. Floor sampling was performed across spaces, and outcomes were evaluated at aggregate levels. Detection (presence/absence) and quantification (viral load) of SARS-CoV-2 was determined by reverse-transcriptase polymerase chain reaction conducted on floor swabs collected weekly at study locations. The main outcomes, and measures of COVID-19 burden, were (1) weekly regional wastewater signal and (2) weekly admitted COVID-19 patient census from hospitals. We collected 1,863 built environment floor samples over the 6-month study period, with an overall swab positivity for SARS-CoV-2 of 45% (95%CI 43%-48%). We found a strong correlation between overall built environmental swab viral load and hospital COVID-19 census (Spearman’s r =0.64, p =0.0017), but no correlation between regional wastewater and hospital COVID-19 census (Spearman’s r =-0.15, p=0.5). We found a strong correlation (Spearman’s r =0.76, p =9x10 -5 ) between hospital-specific swab viral copy number and hospital-specific COVID-19 census, which is a likely driver of the overall association between swab load and census. Built environment surveillance of SARS-CoV-2 from hospitals was strongly correlated with hospital burden with improved delineation of hospital COVID-19 cases compared to regional wastewater. These findings support the use of built environment surveillance for quantification of infectious burden amongst institutionalized groups.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».