Evaluating N95 respirator designs: A mixed-methods pilot and feasibility study
Notice bibliographique
Résumé
BACKGROUND: Severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) has had a global impact, underscoring the importance of personal protective equipment (PPE). Use of N95s reduces the risk of airborne infection; however, in the absence of equitable designs, health care workers (HCWs) who do not fit the average White male head and face are at an increased risk of airborne infectious diseases. OBJECTIVES: Primary: Feasibility of a mixed-method study, with a sample size of 100, 50% of participants self-identifying as non-White and having at least one characteristic of interest. Secondary: (1) Generate quantitative evidence on N95 fit using a PortaCount fit test, (2) describe participant-reported feelings on fit and breathability, and (3) evaluate the impacts of the pandemic on a HCW's physical and mental well-being. METHODS: This was a mixed-method prospective pilot and feasibility study. Quantitative fit was assessed using a TSI PortaCount test and measurements of bizygomatic breadth and Menton-Sellion length. A survey was administered to collect sociodemographic information, HCWs' assessment of N95 fit, comfort, and the impact of PPE-related challenges on well-being. RESULTS: This study was limited by a small sample size, as COVID-19 pandemic restrictions prevented adequate recruitment to detect differences between groups. We describe key findings that should inform analyses of the impact of gender and ethnicity on N95 respirator fit. Following a study amendment to increase eligible sites, 37 of the 41 (90.2%) approached HCWs consented to participate. Compared to other HCWs, non-White females had the lowest mean fit factor. Differences in Menton-Sellion length and bizygomatic breadth were observed between males, females, and White and non-White HCWs. Most HCWs reported physical discomfort and negative impacts on their psychological well-being. CONCLUSIONS: We identified gender and ethnicity as key factors in the fit of N95s. Differences in gender, ethnicity, and anthropometric measures must be considered in respirator designs.
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 | 0,068 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».