Proof-of-concept evaluation at Cox’s Bazar of the Safe Water Optimization Tool: water quality modelling for safe water supply in humanitarian emergencies
Notice bibliographique
Résumé
INTRODUCTION: Waterborne diseases are leading concerns in emergencies. Humanitarian guidelines stipulate universal water chlorination targets, but these fail to reliably protect water as postdistribution chlorine decay can leave water vulnerable to pathogenic recontamination. The Safe Water Optimization Tool (SWOT) models chlorine decay to generate context-specific chlorination targets that ensure water remains protected up to point-of-consumption. The SWOT has not been tested in an active humanitarian response, so we conducted a proof-of-concept evaluation at a Cox's Bazar refugee settlement to validate its modelling and assess its efficacy and effectiveness. METHODS: We trained the SWOT using data collected from July to September 2019 and evaluated using data from October to December 2019 (n=2221). We validated the SWOT's modelling by comparing performance using training and testing data sets. We assessed efficacy using binary logistic regression comparing household free residual chlorine (FRC) when the SWOT target was delivered at tapstands versus the status quo target, and effectiveness using interrupted time series analysis of the proportion of households with protective FRC before and after SWOT implementation. RESULTS: decreased from 0.50 to 0.23 between training and testing data sets, indicating periodic retraining is required. The SWOT's machine-learning model predicted a 1%-9% probability of household FRC<0.2 mg/L at 15 hours, close to the observed 12% and in line with the observed 7% risk during baseline and endline, respectively. Households that collected water meeting the SWOT target were more likely to have sufficient protection after 15 hours compared with the status quo target (90% vs 35%, p<0.01), demonstrating the SWOT's efficacy. The SWOT target was not fully implemented at tapstands, so we did not observe change in household FRC during endline. CONCLUSION: The SWOT can generate context-specific chlorination targets that protect water against pathogenic recontamination. Improving feedback between monitoring and treatment would help system operators unlock the SWOT's full water safety potential.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».