Filtration Performances of Heat and Moisture Exchangers and Filters Against Viral Aerosols: Adaptation of a Wind Tunnel
Notice bibliographique
Résumé
Background: The exhaled breath of infected, mechanically ventilated patients poses an infection risk to health care workers. Proper expiratory gas filtration with heat and moisture exchanger filters (HMEF) or filters could reduce that phenomenon. Current laboratory means of assessing the filtration efficiency are limited to the use of monodisperse aerosols at a single humidity level and flow. This study aims to examine the filtration efficiency of various devices under simulated clinical conditions, namely against a broad range of particle sizes containing viruses at different levels of gas humidity and flow. Methods: A wind tunnel was adapted to evaluate the filtration efficiency of 4 devices (HME, HMEF, filters, and HEPA-HMEF) against viral aerosols. Bacteriophages PhiX174 and MS2 were used as a proxy for human viruses. Results: In general, particulate filtration was significantly increased under dry versus humid conditions and with low versus high flows ( P < .05). The HEPA filter significantly outperformed all other devices under all tested conditions in filtration efficiency. Both HMEF and filter showed approximately a 1% decrease in absolute differences compared with the reference method (∼99% vs 99.99%). This difference could represent an emission of as many as 10 2 SARS-CoV-2 copies per hour by an ICU patient, which is enough to spread the infection. Conclusions: Accurate testing of filtration function has long gone unexamined, and in preparation for the next respiratory pandemic, better evaluation of devices that filter potentially dangerous pathogens is vital for health care professionals and systems. Standard filtration testing should be adapted to mimic the clinical usage of HMEs and filters.
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 | 0,000 | 0,000 |
| 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 ».