Xây dựng phần mềm dự báo nguy cơ lây nhiễm Covid-19 qua không khí trong nhà xưởng sản xuất
Đại dịch COVID-19 không chỉ tác động nặng nề tới tính mạng, sức khỏe của con người mà còn gây nên những tổn hại sâu sắc tới nền kinh tế toàn cầu. Tại Việt Nam, các đợt bùng phát dịch đã gây sức ép nặng nề lên mọi mặt đời sống kinh tế – xã hội, hoạt động sản xuất – kinh doanh của doanh nghiệp và người dân ở hầu hết các tỉnh, thành phố, đặc biệt là tại các tỉnh, thành phố lớn như thành phố Hồ Chí Minh, Hà Nội, Bắc Giang, Bắc Ninh, Bình Dương, Đồng Nai…, nơi tập trung đông dân cư, khu công nghiệp, khu chế xuất và các doanh nghiệp lớn. Các ngành bị ảnh hưởng nhiều nhất là các ngành sử dụng nhiều lao động như: sản xuất linh kiện điện tử, da giày, dệt may, chế biến thuỷ hải sản…Nguy cơ lây nhiễm Covid-19 đặc biệt cao ở các ngành này do đặc thù môi trường làm việc trong nhà với không gian khép kín tại các nhà xưởng sản xuất, mật độ lao động cao. Hiện nay, nước ta có tỉ lệ tiêm phủ vắc xin phòng bệnh Covid-19 là khá cao, đất nước đã ổn định về mọi mặt. Tuy nhiên vẫn cần phòng ngừa lây nhiễm dịch bệnh Covid-19 nói riêng và các bệnh dịch khác có thể lây nhiễm qua đường không khí nói chung. Ứng dụng công nghệ thông tin (CNTT) trong việc phòng chống lây lan dịch bệnh rất quan trọng, hiệu quả và là xu thế hiện nay.
1. TỔNG QUAN
Trên thế giới, việc áp dụng CNTT đã được áp dụng từ rất sớm, ngay từ khi dịch bệnh mới khởi phát, các nước đã tập trung nguồn lực lớn vào các ứng dụng sử dụng Bluetooth, xây dựng các phần mềm cảnh báo tiếp xúc gần như: COVID-SGIS (Brazil), NZ COVID Tracer (New Zealand), COVIDSafe (Australia),…Ngoài ra, đã có một số nghiên cứu bước đầu về tỉ lệ, xác suất lây nhiễm bệnh qua đường không khí trong một số không gian nhất định như:
Nghiên cứu của G. Buonanno; L. Stabile; L. Morawska “Ước tính sự phát tán vi rút trong không khí. Tỷ lệ phát xạ lượng tử của SARS-CoV-2 để đánh giá nguy cơ lây nhiễm”: các tác giả đã xây dựng biểu đồ đánh giá tải lượng virus và khả năng lây nhiễm khi có một người bị nhiễm bệnh. Nghiên cứu được thực hiện trong 01 hiệu thuốc. Kết quả cho thấy nồng độ phần tử (n(t)) và nguy cơ lây nhiễm (R) là hàm số của thời gian đối với hai tình huống phơi nhiễm khác nhau được mô phỏng. Tức là trước khi dãn cách (B) trong điều kiện thông gió tự nhiên (NV) và thông gió cơ khí (MV). Các xu hướng biểu đồ làm nổi bật rõ ràng rằng sự hiện diện của người bị nhiễm bệnh ở lại bên trong 10 phút dẫn đến sự gia tăng nồng độ phần tử virus trong không gian [4].
Nghiên cứu của Julia S. Sobolik và cộng sự về kiểm soát nguy cơ lây nhiễm SARS-CoV-2 trong cơ sở sản xuất thực phẩm khép kín. Tác giả đã lập mô hình Cơ sở sản xuất thực phẩm trong nhà. Mô phỏng trong mô hình này là một xưởng sản xuất một tầng (10m x 10m x 10m), tổng thể tích 1000 mét khối với nhiệt độ bên trong là 70°F và độ ẩm tương đối 40-65%. Các biện pháp sử dụng giảm thiểu rủi ro được khi thực hiện mô hình gồm: giữ khoảng cách xa (1-3m), sử dụng khẩu trang phổ thông phù hợp (phẫu thuật, vải, mặt nạ kép, N95), cải thiện không khí thay đổi mỗi giờ (ACH 2-8), khử trùng bề mặt (loại bỏ vi rút), và rửa tay, chất khử trùng tay chứa cồn và găng tay sử dụng [loại bỏ vi rút 100%]). Do sự khác nhau về hiệu quả loại bỏ vi rút của các chất khử trùng bề mặt sản phẩm và thực hành rửa tay, nhóm nghiên cứu đặt những hiệu quả này làm giá trị điểm trong mô hình. Khử trùng bề mặt được mô phỏng một lần, hai lần, bốn lần và hàng giờ mỗi ca 8h, và vệ sinh tay được thực hiện hàng giờ (tức là rửa tay, khử trùng tay, sử dụng găng tay). Tất cả các biện pháp giảm thiểu rủi ro được giả định là được thực hiện với 100% tuân thủ và theo cách thức được chỉ định [6].
Trên cơ sở các nghiên cứu lý thuyết về sự lan truyền của Covid-19, một số ứng dụng nghiên cứu mô hình dự đoán về sự truyền COVID-19 trong không khí đã được thực hiện trên thế giới. Mô hình này chủ yếu thuộc một trong hai loại: Mô hình Động lực học Chất lỏng Tính toán (CFD), và mô hình Wells – Riley và các phần mở rộng của nó. Phương pháp chuỗi Markov cũng đã được sử dụng để nghiên cứu sự lây truyền trong không khí, trong các kịch bản dân số toàn cầu và trong các kịch bản phụ thuộc vào không gian cục bộ. Các mô hình CFD rất hữu ích trong việc nghiên cứu sự truyền qua không khí vì chúng tính đến kích thước phòng, hình dạng, luồng không khí hỗn loạn phức tạp và sự phân bố kích thước của các sol khí. Nhiều mô hình CFD khác nhau đã được áp dụng cho đại dịch COVID-19 để điều tra sự vận chuyển của sol khí. Một số nghiên cứu tập trung vào việc vận chuyển trong thời gian ngắn (dưới 5 phút), trong khi những nghiên cứu khác cho thấy sự tích tụ của sol khí trong nhà hơn một giờ [11]. Nguy cơ lây nhiễm sau đó có thể được ước tính từ những kết quả này. Tuy nhiên, các mô hình CFD đều yêu cầu phần mềm chuyên dụng và đòi hỏi cao về mặt tính toán. Chúng mất nhiều thời gian để chạy ngay cả đối với các vị trí nhỏ, vì vậy chúng không thể dễ dàng áp dụng cho một vị trí mới và do đó không phù hợp với ‘mô phỏng động’ – loại mô phỏng cần thiết cho một đại dịch đang phát triển nhanh. Mặt khác, mô hình Wells – Riley và các khái quát của nó như phần mở rộng Gammaitoni – Nucci được xây dựng dựa trên giả định Phòng hỗn hợp tốt (WMR), giả định rằng các sol khí mang vi rút ngay lập tức được phân bố đồng đều khắp phòng. Giả định này ngụ ý tất cả mọi người trong phòng đều có khả năng bị nhiễm bệnh như nhau, bất kể vị trí của họ. Đây là một sự đơn giản hóa chính của vấn đề vì nó bỏ qua những ảnh hưởng phức tạp của luồng không khí đối với sol khí và ảnh hưởng của hình dạng phòng. Vì vậy, các mô hình Wells – Riley dễ thực hiện và chạy rất nhanh, chúng đã được ứng dụng rộng rãi để đưa ra dự đoán về sự truyền COVID-19, tiêu biểu như:
– Mô hình dự báo REHVA COVID-19 Ventilation Calculator documentation (version 2.0, August 1,2021) [9]
– Mô hình dự báo Airborne.cam – a risk calculator of SARS-CoV-2 aerosol transmission under well-mixed ventilation conditions (version 1.1) [1]
Tuy nhiên, hiện nay vẫn chưa có một mô hình nào dự báo nguy cơ lây nhiễm Covid-19 cho nhà xưởng sản xuất mà nhà tạo lập mới chỉ xét đến các cơ quan, văn phòng, khu vui chơi, giải trí…Bên cạnh đó, trong mô hình REHVA COVID-19 nhà tạo lập mới chỉ xét đến môi trường có 1 ca bệnh F0, việc sử dụng loại khẩu trang nào, ảnh hưởng ra sao khi thay đổi loại khẩu trang cũng chưa được xét đến. Còn trong mô hình Airborne.cam, nhà tạo lập đã xét đến các yếu tố ảnh hưởng như: đối tượng F0, bội số trao đổi không khí ACH, loại khẩu trang sử dụng…Vẫn còn các yếu tố ảnh hưởng của tiêm chủng Covid-19 hay chủng loại biến thể Virut, tình trạng giai đoạn bệnh F0… chưa được xét đến.
Ở Việt Nam, chưa có ứng dụng CNTT nào được phát triển như một giải pháp kỹ thuật giúp dự báo lây nhiễm, tính toán mức độ, tỉ lệ lây nhiễm trong không khí nói chung và trong môi trường lao động trong nhà xưởng sản xuất nói riêng.
Vì những lý do trên, nhóm tác giả đề xuất nghiên cứu xây dựng phần mềm trên cơ sở mô hình Wells-Riley nhằm tạo ra một sản phẩm đáp ứng được yêu cầu của thực tiễn sản xuất trong giai đoạn dịch bệnh. Phần mềm có giao diện thân thiện dễ sử dụng với Doanh nghiệp và Người lao động.
2. CƠ SỞ TÍNH TOÁN DỰ BÁO
Dự báo xác suất lây nhiễm và tỉ lệ lây nhiễm dựa trên cơ sở các công thức tính toán theo bốn bước sau đây:
Bước 1: Tính tốc độ phát xạ lượng tử của nhóm đối tượng F0
Tốc độ phát xạ lượng tử (ERq, quanta/h) tính toán trên cơ sở công thức của Buonanno và cộng sự (2020)[4] đồng thời nhóm nghiên cứu bổ sung thêm các yếu tố ảnh hưởng trong các nghiên cứu gần đây dựa trên mô hình Wells-Riley được phát triển bởi Gammaitoni và Nucci [5]:
– ERq: Tốc độ phát xạ lượng tử của nhóm đối tượng F0 (Quanta/h)
– ηkhautrang: hệ số hiệu quả bảo vệ của khẩu trang,
– cv: là tải lượng virut trong đờm (RNA sao chép/ml) được chia làm 2 giai đoạn bệnh – giá trị này được lấy trung bình áp dụng cho biến thể gốc SARS-CoV-2 [10]
– cRNA: là số lượng các hạt virion lây nhiễm (RNA sao chép) cần thiết để bắt đầu lây nhiễm (RNA sao chép/PFU). Giá trị này được áp dụng cho toàn bộ các biến thể của virut SARS-CoV-2. Giá trị trung bình lấy bằng 130 (RNA sao chép/PFU) [4]
– cPFU: là thông số chuyển đổi đơn vị hình thành các mảng bám trên đối tượng F0 (PFU/Quanta). Giá trị này được áp dụng cho toàn bộ các biến thể của virut SARS-CoV-2. Giá trị trung bình lấy bằng 210 (PFU/Quanta) [4]
– Qb (IR): là thể tích nhịp thở phụ thuộc vào loại hình lao động sản xuất của doanh nghiệp (m3/h) [3]
– Vd: là nồng độ thể tích giọt bắn mà người lây nhiễm thải ra phụ thuộc vào loại hình lao động sản xuất của doanh nghiệp (ml/m3) [3]
– NF0 : Số lượng ca bệnh F0 trong xưởng (người)
– Sv: là tốc độ nhân bản của từng biến thể so với biến thể gốc SARS-CoV-2.
Việc bị nhiễm bệnh bởi các chủng biến thể virut khác nhau sẽ tương ứng với tốc độ nhân bản Sv khác nhau. Từ đó, giải thích cho quá trình ủ bệnh trên cơ thể người với từng loại biến thể Virut là khác nhau. [4] [6]
Bước 2: Tính toán nồng độ lượng tử mà đối tượng phơi nhiễm tiếp xúc
Coi nồng độ lượng tử là 0 tại thời điểm ban đầu (n0 = 0). Do đó, nồng độ lượng tử tại thời điểm t, được tính toán bằng công thức:
Ta không thể biết chính xác thời điểm lây bệnh mà chỉ có thể xác định khoảng thời gian mà F0 lưu trú tại đó bao lâu. Vì vậy, nồng độ lượng tử sẽ được tính trung bình theo thời gian lưu trú của F0 trong không gian đó [4] [6]. Nồng độ lượng tử được xác định bằng công thức:
– Ctb: Nồng độ lượng tử trung bình theo thời gian (Quanta/m3)
– ERq: Tốc độ phát xạ lượng tử của nhóm đối tượng F0 (Quanta/h)
– V1: Thể tích không khí trong nhà xưởng (m3)
– D: Thời gian làm việc trong nhà xưởng (h)
– λ: Hệ số đại diện cho tốc độ loại bỏ vi rút lây nhiễm trong nhà xưởng.
Hệ số đại diện cho tốc độ loại bỏ vi rút lây nhiễm λ là tổng của bốn yếu tố: tỷ lệ trao đổi không khí (ACH) thông qua hệ thống thông gió, hạt lắng đọng trên bề mặt (λdep, ví dụ như qua lắng trọng lực), virut bất hoạt (k) và tỷ lệ khi qua thiết bị lọc Hepa (kf) [5] [9] [12]:
– ACH: Bội số trao đổi không khí trong nhà xưởng (Giá trị được nhập ngay ở phần nhập dữ liệu đầu vào)
– λdep: Hệ số lắng đọng trên bề mặt của virus trong 1h (const/h) (Tỷ lệ lắng đọng được đánh giá là tỷ lệ giữa vận tốc lắng của các hạt siêu vi lượng (khoảng 10-4 m/s) và chiều cao của nguồn phát thải lấy theo chiều cao trung bình của người dân Việt Nam (1,6 m theo Kết quả tổng điều tra dinh dưỡng toàn quốc của Viện Dinh dưỡng quốc gia (Bộ Y tế) năm 2019- 2020, trong đó chiều cao trung bình của nam là 168,1cm và nữ 156,2cm); do đó, λdep là 0,24 (const/h)
– k: Hằng số bất hoạt của virus SARS-CoV-2 trong 1h (Sự bất hoạt của virus SARS-CoV-2 được đánh giá dựa trên thời gian bán phân rã của nó (1,1 giờ) giá trị này bị ảnh hưởng bởi Hằng số phân rã SARS-CoV-2 và có mối liên hệ với độ ẩm môi trường, theo đó hằng số k có các giá trị thay đổi ở các khoảng RH khác nhau
– kf: Hệ số lọc khi qua màng lọc filter với hiệu suất lọc ηf của từng loại [10][12]:
Trong đó: – Qf: Lưu lượng khí tuần hoàn đi qua màng lọc filter (m3/h)
– nf: hiệu suất màng lọc
– V1: Thể tích không khí trong nhà xưởng (m3)
Bước 3: Xác định số lượng tử mà người phơi nhiễm hít vào khi nhà xưởng xuất hiện ca bệnh F0
Coi nồng độ lượng tử là 0 tại thời điểm ban đầu (n0 = 0). Nhóm nghiên cứu đã lựa chọn tính toán theo các nghiên cứu bổ sung gần đây dựa trên mô hình Wells-Riley được phát triển bới Gammaitoni và Nucci [5] có bổ sung yếu tố ảnh hưởng của việc đeo khẩu trang (đây là yếu tố ảnh hưởng trực tiếp đến nồng độ lượng tử mà người phơi nhiễm hít vào):
– nERQ: Số lượng tử mà người tiếp xúc hít vào (Quanta)
– Ctb: Nồng độ lượng tử trung bình theo thời gian (Quanta/m3)
– Qb: Thể tích nhịp thở (m3/h) [2]
– D (t): Thời gian làm việc trong nhà xưởng (h)
– ηkhautrang: hệ số hiệu quả bảo vệ của khẩu trang;
Bước 4: Tính xác suất lây nhiễm và tỉ lệ lây nhiễm:
Xác suất lây nhiễm:
– PI: Xác suất lây nhiễm (%)
– nERq: Số lượng tử mà người tiếp xúc hít vào (Quanta)
Tỉ lệ lây nhiễm:
Để đánh giá nguy cơ tỉ lệ lây nhiễm riêng lẻ (R) của một người tiếp xúc đối với một tình huống tiếp xúc nhất định, được xác định bằng công thức:
PI : Xác suất lây nhiễm (%)
NF0 : Số lượng ca bệnh F0 trong xưởng (người)
NTONG: Tổng số NLĐ (lớn nhất) làm việc trong Xưởng (bao gồm cả F0)
ftc: Hệ số bảo vệ tiêm chủng phụ thuộc vào số lượng mũi tiêm mà NLĐ đã tiêm và loại Vacxin được sử dụng tiêm chủng.
3. PHẦN MỀM RFT–COVID-19-V0.1
Tên phần mềm: Hệ thống dự báo nguy cơ lây nhiễm Covid-19
Tên tiếng anh: The Risk Forecast of airborne Transmission of Covid-19 at factories (Viết tắt: RFT_Covid_19_v0.1).
Đường link truy cập: http://forecast.kcnvietnam.vn/loginvr.aspx
Hệ thống dự báo nguy cơ lây nhiễm Covid-19 qua không khí được xây dựng với mục đích dự báo nguy cơ lây nhiễm dịch bệnh COVID-19 qua không khí tại các phân xưởng, đồng thời đưa ra một số giải pháp kỹ thuật cải thiện điều kiện ATVSLĐ và môi trường không khí trong nhà xưởng đảm bảo an toàn cho Người lao động. Phần mềm có giao diện đơn giản, dễ sử dụng cho mọi đối tượng.
3.1. Số liệu đầu vào
– Thông số nhà xưởng: Nhập thông số diện tích sàn nhà xưởng (dài x rộng), m2; Nhập thông số chiều cao nhà xưởng (m)
– Số liệu thông gió:
+ Nhập bội số trao đổi không khí ACH: Phần mềm có các option để người dùng lựa chọn sẵn (0,1,3,6,10) và tùy chọn;
+ Nhập Lọc Filter: Lựa chọn theo các loại màng lọc có sẵn (Hepa (99,95%) / ePM1(90%) / ePM2.5 (90%)/ePM10 (90%)/Lọc thô (40%)). Nếu không có chọn ” None “;
+ Lưu lượng khí qua filter, m3/h;
– Thông số môi trường làm việc: gồm nhiệt độ (0C), và độ ẩm (%);
– Thông tin người lao động: Tổng số NLĐ (lớn nhất) làm việc trong Xưởng bao gồm cả các F0; Loại hình lao động (Nhẹ/Trung bình/Nặng); Loại khẩu trang được NLĐ sử dụng (None/N95/y tế/vải 3 lớp/vải 1 lớp); Lựa chọn tiêm chủng (None/1 mũi/2 mũi/3 mũi); Lựa chọn loại Vacxin được tiêm (Astrazeneca/Pfizer-Moderna/Vero Cell).
– Thông tin của F0: Số lượng F0; Tình trạng giai đoạn bệnh F0 (Giai đoạn 1 – Tải lượng thấp (không triệu chứng), Giai đoạn 2 – tải lượng cao (ho, sốt, khó thở …); Lựa chọn biến thể Virut mà ca bệnh F0 mắc phải (Virut SARS-CoV-2 (gốc), Biến thể Alpha (1,4), Biến thể Delta (2), Biến thể Omicron BA.1 (4), Biến thể Omicron BA.2 (5));
– Thời gian làm việc (h);
3.2. Kết cấu và giao diện người dùng
Chương trình thể hiện được hết các tính năng thông qua giao diện để đáp ứng được yêu cầu của người dùng là khi nhìn vào sẽ dễ dàng nắm bắt được các tính năng của chương trình (hình 1).
Hình 1: Giao diện truy cập
Hình 2: Màn hình khai báo thông tin doanh nghiệp
3.3. Kết quả đầu ra của chương trình
Kết quả đầu ra của chương trình được trình bày dưới 2 hình thức: Hình ảnh biểu đồ và Bảng số liệu.
- Hình ảnh biểu đồ: hệ thống sẽ vẽ ra 3 biểu đồ dự báo cho Doanh nghiệp gồm:
- Biểu đồ xác suất truyền nhiễm SARS-CoV-2 theo thời gian
- Biểu đồ tỉ lệ truyền nhiễm SARS-CoV-2 theo thời gian
- Biểu đồ dự báo số người bị nhiễm bệnh theo thời gian
Hình 3: Biểu đồ dự báo số người lây nhiễm bệnh theo thời gian tiếp xúc
Hình 4: Bảng đánh giá nguy cơ và khuyến nghị giải pháp giảm nguy cơ
4. KẾT LUẬN VÀ KIẾN NGHỊ
4.1. Kết luận
Nhóm nghiên cứu đã xây dựng được chương trình phần mềm dự báo nguy cơ lây nhiễm Covid-19 tại các nhà máy, kết quả của phần mềm được thể hiện bằng biểu đồ xác suất lây nhiễm, tỉ lệ lây nhiễm, dự báo được số người bị nhiễm bệnh, đồng thời đánh giá được nguy cơ lây nhiễm tại từng phân xưởng/nhà máy theo tỉ lệ phần trăm và đưa ra các đánh giá/ khuyến nghị cho doanh nghiệp về các giải pháp cần áp dụng để giảm thiểu nguy cơ lây nhiễm tại đơn vị mình. Tuy nhiên, phần mềm chưa được áp dụng để kiểm chứng độ chính xác của nó.
4.2. Kiến nghị
Triển phai phần mềm RFT_Covid_19_v0.1 rộng rãi trong các doanh nghiệp để đánh giá nguy cơ lây nhiễm covid 19 tại nơi làm việc. Sau đó, hồi cứu các sự kiện lây nhiễm đã xảy ra và đánh giá, điều chỉnh, hoàn thiện phần mềm nêu trên.
TÀI LIỆU THAM KHẢO
[1]. Airborne.cam – a risk calculator of SARS-CoV-2 aerosol transmission under well-mixed ventilation conditions – (http://airborne.cam) (version 1.1)
[2]. Binazzi et al. Breathing pattern and kinematics in normal subjects during speech, singing and loud whispering. Acta Physiologica, Volume 186, Issue 3
[3]. Finlay Campbell et al. Increased transmissibility and global spread of SARS-CoV-2 variants of concern as at June 2021. Eurosurveillance, Volume 26, Issue 24, 17 (2021)
[4]. G. Buonanno, L. Morawska, L. Stabile. Quantitative assessment of the risk of airborne transmission of SARS-CoV-2 infection: Prospective and retrospective applications. Environment International, Volume 145. 106112. (2020)
[5]. Gammaitoni and Nucci (1997) – Using a mathematical model to evaluate the efficacy of TB control measures. Emerging Infectious Diseases 3(3):335-42 (1997).
[6]. Julia S.Sobolik et al. Controlling risk of SARS-CoV-2 infection in essential workers of enclosed food manufacturing facilities. Food Control, Volume 133, Part B, 108632 (2022)
[7]. Kimihito Ito, Chayada Piantham, Hiroshi Nishiura. Estimating relative generation times and relative reproduction numbers of Omicron BA.1 and BA.2 with respect to Delta in Denmark. MedRxiv (2022)
[8]. Pedro M. de Oliveira et al. Evolution of spray and aerosol from respiratory releases: theoretical estimates for insight on viral transmission. Proceedings of the Royal Society A. 2020.
[9]. REHVA COVID-19 Ventilation Calculator documentation (version 2.0, August 1,2021) (https://www.rehva.eu/covid19-ventilation-calculator)
[10]. Wan Yang and Marr. Dynamics of Airborne Infuenza A Viruses Indoors and Dependence on Humidity. PLoS ONE 6(6): e21481. (2011).
[11]. Valentyn Stadnytskyi, Christina E Bax, Adriaan Bax, and Philip Anfinrud. The airborne lifetime of small speech droplets and their potential importance in sars-cov-2 transmission. Proceedings of the National Academy of Sciences, 117(22):11875–11877 (2020)
[12]. Wang Y, Xu G, Huang Y-W (2020) Modeling the load of SARS-CoV-2 virus in human expelled particles during coughing and speaking. PLoS ONE 15(10): e0241539. (2020).
Nguyễn Quốc Hoàn
Trung tâm BHLĐ và BVMT- Viện KH An toàn và Vệ sinh lao động
(Nguồn tin: Vnniosh.vn)
