文献

J-GLOBAL ID：202202260694594044   整理番号：22A0731118

COVID-19廃水データを臨床検査動力学に関連付けるための計量【JST・京大機械翻訳】

Metrics to relate COVID-19 wastewater data to clinical testing dynamics

著者 (43件)： Xiao Amy (Department of Biological Engineering, Massachusetts Institute of Technology USA) ,  Xiao Amy (Center for Microbiome Informatics and Therapeutics, Massachusetts Institute of Technology USA) ,  Wu Fuqing (Department of Biological Engineering, Massachusetts Institute of Technology USA) ,  Wu Fuqing (Center for Microbiome Informatics and Therapeutics, Massachusetts Institute of Technology USA) ,  Bushman Mary (Harvard T.H. Chan School of Public Health, Harvard University USA) ,  Zhang Jianbo (Department of Biological Engineering, Massachusetts Institute of Technology USA) ,  Zhang Jianbo (Center for Microbiome Informatics and Therapeutics, Massachusetts Institute of Technology USA) ,  Imakaev Maxim (Biobot Analytics, Inc., Cambridge, MA USA) ,  Chai Peter R (Division of Medical Toxicology, Department of Emergency Medicine, Brigham and Women’s Hospital, Harvard Medical School USA) ,  Chai Peter R (The Fenway Institute, Fenway Health, Boston, MA USA) ,  Chai Peter R (The Koch Institute for Integrated Cancer Research, Massachusetts Institute of Technology USA) ,  Chai Peter R (Department of Psychosocial Oncology and Palliative Care, Dana Farber Cancer Institute USA) ,  Duvallet Claire (Biobot Analytics, Inc., Cambridge, MA USA) ,  Endo Noriko (Biobot Analytics, Inc., Cambridge, MA USA) ,  Erickson Timothy B (Division of Medical Toxicology, Department of Emergency Medicine, Brigham and Women’s Hospital, Harvard Medical School USA) ,  Erickson Timothy B (Harvard Humanitarian Initiative, Harvard University USA) ,  Armas Federica (Singapore-MIT Alliance for Research and Technology, Antimicrobial Resistance Interdisciplinary Research Group, Singapore) ,  Armas Federica (Campus for Research Excellence and Technological Enterprise (CREATE), Singapore) ,  Arnold Brian (Department of Computer Science, Princeton University USA) ,  Arnold Brian (Center for Statistics and Machine Learning, Princeton University USA) ,  Chen Hongjie (Singapore-MIT Alliance for Research and Technology, Antimicrobial Resistance Interdisciplinary Research Group, Singapore) ,  Chen Hongjie (Campus for Research Excellence and Technological Enterprise (CREATE), Singapore) ,  Chandra Franciscus (Singapore-MIT Alliance for Research and Technology, Antimicrobial Resistance Interdisciplinary Research Group, Singapore) ,  Chandra Franciscus (Campus for Research Excellence and Technological Enterprise (CREATE), Singapore) ,  Ghaeli Newsha (Biobot Analytics, Inc., Cambridge, MA USA) ,  Gu Xiaoqiong (Singapore-MIT Alliance for Research and Technology, Antimicrobial Resistance Interdisciplinary Research Group, Singapore) ,  Gu Xiaoqiong (Campus for Research Excellence and Technological Enterprise (CREATE), Singapore) ,  Hanage William P (Harvard T.H. Chan School of Public Health, Harvard University USA) ,  Lee Wei Lin (Singapore-MIT Alliance for Research and Technology, Antimicrobial Resistance Interdisciplinary Research Group, Singapore) ,  Lee Wei Lin (Campus for Research Excellence and Technological Enterprise (CREATE), Singapore) ,  Matus Mariana (Biobot Analytics, Inc., Cambridge, MA USA) ,  McElroy Kyle A (Biobot Analytics, Inc., Cambridge, MA USA) ,  Moniz Katya (Department of Biological Engineering, Massachusetts Institute of Technology USA) ,  Moniz Katya (Center for Microbiome Informatics and Therapeutics, Massachusetts Institute of Technology USA) ,  Rhode Steven F (Massachusetts Water Resources Authority, Boston, MA USA) ,  Thompson Janelle (Campus for Research Excellence and Technological Enterprise (CREATE), Singapore) ,  Thompson Janelle (Singapore Centre for Environmental Life Sciences Engineering, Nanyang Technological University, Singapore) ,  Thompson Janelle (Asian School of the Environment, Nanyang Technological University, Singapore) ,  Alm Eric J (Department of Biological Engineering, Massachusetts Institute of Technology USA) ,  Alm Eric J (Center for Microbiome Informatics and Therapeutics, Massachusetts Institute of Technology USA) ,  Alm Eric J (Singapore-MIT Alliance for Research and Technology, Antimicrobial Resistance Interdisciplinary Research Group, Singapore) ,  Alm Eric J (Campus for Research Excellence and Technological Enterprise (CREATE), Singapore) ,  Alm Eric J (Broad Institute of MIT and Harvard, Cambridge, MA USA)
資料名： Water Research  (Water Research)
巻： 212  ページ： Null  発行年： 2022年 
JST資料番号： B0760A  ISSN： 0043-1354  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 廃水監視は,COVID-19パンデミックに対する公衆衛生応答における有用なツールとして出現した。廃水監視は人口レベルCOVID-19動力学をモニターするために様々な規模で適用されてきたが,公衆衛生傾向の文脈で廃水データを解釈するための定量的計量の必要性がある。24時間複合廃水試料を,Massachusetts廃水処理施設から2020年3月から2021年5月まで採取し,RT-qPCRを用いてSARS-CoV-2 RNA濃度を測定した。SARS-CoV-2遺伝子断片の廃水コピー数とCOVID-19臨床症例と死亡の間の関係は,時間とともに変化した。著者らは,COVID-19疫学における変化をモニターするための3つの新しい計量の有用性を実証した。(1)SARS-CoV-2遺伝子断片の廃水コピー数と臨床事例(WC比),(2)廃水と臨床報告の間の時間遅れ,および(3)廃水と臨床事例曲線の間の伝達関数。WC比は重要な事象後に増加し,疾患伝播と公衆衛生応答の間のバランスへの洞察を提供する。タイムラグと伝達関数分析は,廃水データが,パンデミックの最初の波で臨床的に報告された症例に先行したが,第2の波では,よりタイムリーなケース検出と報告を可能にする,試験能力の増加のため,主要なインジケーターとしては役立たなかったことを示した。これらの3つの計量は,COVID-19パンデミックおよび将来のパンデミックに対する公衆衛生応答への廃水監視をさらに統合するのを助けることができた。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 伝達関数 ,  *廃水 ,  RNA【核酸】 ,  遺伝子 ,  指示計 ,  公衆衛生 ,  疫学 ,  伝搬 ,  コピー数 ,  *臨床検査 ,  廃水処理施設 ,  定量的PCR法
準シソーラス用語： 重症急性呼吸器症候群 ,  汎発流行性 , 【Automatic Indexing@JST】

著者キーワード (4件)： 廃水監視 ,  廃水ベース疫学 ,  SARS-CoV-2 ,  時間的動力学

分類 (3件)： 下水道工学,廃水処理一般  (SC03010E) ,  下水・廃水処理施設  (SC03020P) ,  微生物学(ウイルス以外)一般  (EG03010C)

タイトルに関連する用語 (5件)： COVID-19 ,  廃水 ,  臨床検査 ,  動力学 ,  計量