Design and Development of Automated Ultraviolet (UV-C) Surface Sterilizer and Disinfection Device Using a User-Centered Design Approach
Notice bibliographique
Résumé
<ns3:p> Background The global outbreak of the COVID-19 pandemic in 2019 highlighted the urgent need for innovative technologies for sterilization and disinfection of various healthcare utilities. While steam sterilization is widely used in both developing and industrialized countries, it has limitations in disinfecting several critical healthcare items such as hospital rooms, beds, N-95 masks, ambulance beds, medical clothing and devices. During the pandemic, Ethiopia and other developing countries faced significant challenges in sterilization and disinfection system for these healthcare utilities in COVID-19 treatment centers. <ns3:bold>Methodology</ns3:bold> The development of the UV-C dry surface disinfection and sterilization device followed a structured engineering design approach, with a focus on functionality, efficiency, and safety. The methodology included key stages such as problem identification and needs analysis, concept design and circuit development, material selection with specification, prototype fabrication, product testing and validation. Result The results of the sterilization and disinfection efficiency test demonstrated that the UV-C device achieved over 90% effectiveness, confirming its viability as an efficient solution for sterilization in healthcare settings and other industries. Conclusion The development of these automated UV-C sterilizers addresses a critical gap in disinfection technology, particularly in resource-limited settings, and enhances the capability to manage infectious diseases like COVID-19 and related pandemics. </ns3:p>
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».