MétaCan
Menu
Retour à la cohorte
Enregistrement W7055138362

Assessing Point of Use Water Treatment Technologies under Real-Use Conditions: The Field Challenge Test Technique

2023· dissertation· en· W7055138362 sur OpenAlexaboutno aff

Notice bibliographique

RevueUVic’s Research and Learning Repository (University of Victoria) · 2023
Typedissertation
Langueen
DomaineEngineering
ThématiqueLaser Design and Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésLog reductionField (mathematics)Test (biology)Sample (material)Water treatmentWork (physics)Measure (data warehouse)
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Point of use water treatment (POUWT) technologies can be the final and sometimes only barrier against waterborne illness in contexts where there is insufficient access to a safely managed on-premises water supply. Microbiological effectiveness of POUWT devices is currently evaluated under controlled laboratory conditions using water spiked with virus, bacteria, and/or protozoa or their surrogates to measure log10 reduction values or LRVs, in a process called challenge testing. However, laboratory-based POUWT challenge tests do not adequately assess microbe reduction under real-use conditions, thus omitting variations relative to factors such as user behaviours and water quality. The overall aim of this work was to develop a method with which POUWT technologies can be evaluated under real-use conditions, which we refer to as the field challenge test technique. To this end, we validated the use of probiotic Escherichia coli (E. coli Nissle, EcN) and S. cerevisiae (baker’s yeast) as field-appropriate, food-safe surrogates for pathogenic bacteria and protozoans, respectively. We implemented the innovative field challenge test technique using validated EcN and S. cerevisiae surrogates. In summer 2021, 144 one-on-one surveys were conducted of backcountry campers in the Juan de Fuca provincial park in British Columbia, Canada. The field challenge test consisted of spiking a 1 L sample of water with EcN and S. cerevisiae and requesting participants to treat the spiked water as they normally would, using their own POUWT device. Post-treatment water samples were enumerated in comparison to the original spike to calculate LRVs. Using field challenge testing, we were able to ascertain the performance of POUWT methods under real-use conditions. Our field-based LRVs were generally lower than claimed by POUWT device manufacturers for the bacterial microbe class, but for the protozoan microbe class, LRVs were similar to those claimed by manufacturers. Using the framework of quantitative microbial risk assessment (QMRA), we quantified and compared health risk estimates when using laboratory-gathered vs field-gathered LRVs of POUWT devices. Health risks attributable to the bacterial pathogen class were higher based on field-gathered LRVs (i.e., obtained by field challenge testing) in comparison to corresponding manufacturer-claimed LRVs.For the protozoan pathogen class, calculated health risks were similar due to homogeneity between field-obtained and manufacturer-claimed LRVs. The field challenge technique and corresponding QMRA analysis have numerous implications, including validation of POUWT sanitary inspection criteria, quantifying health impacts of contextual factors, or to inform technology selection.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,006
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0020,002
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,046
Tête enseignante GPT0,303
Écart entre enseignants0,257 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueUVic’s Research and Learning Repository (University of Victoria)Même sujetLaser Design and ApplicationsTravaux en français237 207