Performance Evaluation of In‐Duct Ultraviolet Germicidal Irradiation Air Disinfection Systems: The Role of Reduction Equivalent Dose Bias
Notice bibliographique
Résumé
The COVID‐19 pandemic highlighted the importance of effective air disinfection technologies to mitigate the spread of airborne pathogens. In‐duct ultraviolet germicidal irradiation (UVGI) systems may be a viable solution. System performance should be validated using biodosimetry, as per several existing standards. These tests yield the kill rates of a surrogate organism and its reduction equivalent dose (RED), with the intent that the RED be extrapolated to a predicted kill rate of a target pathogen of interest, such as SARS‐CoV‐2. However, this extrapolation requires adjustments to account for potential bias between the surrogate RED and the target RED (called the RED bias). Overlooking this mismatch can lead to inaccurate claims of the actual inactivation performance against the target. This study uses computational fluid dynamics modeling to analyze the UV dose distribution and resulting RED bias in in‐duct UVGI systems. The results showed that, when MS2, a UV‐resistant organism, is used as a surrogate to predict SARS‐CoV‐2 inactivation efficiency, the RED bias ranged from 1.14 to 1.46 within the studied cases, suggesting that the SARS‐CoV‐2 log inactivation can be overestimated by as much as 46%. This study also explores the combined variable (CV) approach as a more accurate method for predicting pathogen inactivation, offering an alternative to the RED bias approach. Both the RED bias approach and the CV approach were effective in improving the accuracy of performance predictions. This study underscores the need for the industry to incorporate considerations of the RED bias phenomenon in the future development of performance evaluation guidance to avoid overestimation of the treatment performance and safeguard public health.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».