Environmentally friendly treatment of highly potent pharmaceuticals in hospital wastewater- Mermiss
Bibliographic record
Abstract
Teknologisk Institut har sammen med Aarhus Universitet, Danmarks Tekniske Universitet, Air Liquide, Krüger Veoilia, Herning Vand, Aarhus Vand og Det Nye Universitetshospital Aarhus gennemført MUDP-projektet ”Miljøeffektiv rensning af højpotente lægemiddelstoffer i hospitalsspildevand”, i daglig tale MERMISS. Projektet har til formål at udvikle en teknologi til rensning af lægemiddelstoffer fra hospitalsspildevand og fra centrale renseanlæg baseret på en biofilmløsning. Den traditionelle metode til rensning af spildevand er baseret på aktivt slam. Metoden er effektiv overfor letnedbrydelige lægemidler, men ineffektiv overfor middelsvære og svært nedbrydelige lægemidler. Teknologien med biofilm er testet i laboratorieskala og i pilot-skala på dels råspildevand med koncentreret indhold af lægemidler fra en kræftafdeling, dels blandet råspildevand fra et hospital, dels almindeligt råspildevand fra Herning Vand, og dels på udløbsvand fra Viby renseanlæg. Over 95% af den samlede belastning med lægemidler i miljøet kommer i dag fra almindeligt husspildevand, både fra håndkøbsmedicin og fra patienter i ambulant behandling. Projektet gennemførte således en benchmarking af lægemiddelfjernelse på forskellige typer af spildevand, og kunne på den baggrund demonstrere, at en biofilm-baseret teknologi er langt mere effektiv end den konventionelle aktiv slam behandling, som bruges i dag. Bl.a. viser projektet, at teknologien med fordel kan anvendes til at efterpolere allerede renset spildevand, og at driftsomkostningerne til teknologien er relativt lave. Resultaterne af projektet er så lovende, at de allerede er anvendt til at starte et nyt MUDP-projekt, MerEff, der tester teknologien til at efterpolere renset spildevand i større skala på Herning Vands renseanlæg.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.009 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".