QMRA-modell för Görvälnverket
Norrvatten är ett kommunalförbund som producerar och distribuerar dricksvatten till 14 medlemskommuner i norra Storstockholm. Mälaren utgör råvattentäkt för Görvälnverket. Mikrobiologisk barriäranalys (MBA), genomförd enligt Svenskt Vattens publikation P112, har visat att det finns skäl att förstärka den mikrobiologiska barriärhöjden på Görvälnverket avseende bakterier och virus. För att titta närmare på hälsoriskerna valde Norrvatten att sätta upp en QMRA-modell. Sådana har satts upp tidigare i minst två omgångar, med utgångspunkt i QMRA-verktyget. Det nya med den modell som sattes upp under 2020 är att stor vikt lagts vid råvattenförhållanden och platsspecifik information om mikrobiell reduktion och sannolikheten för genombrottshändelser i respektive processteg. Projektet har genomförts av Norrvattens utrednings- och processingenjörer med konsultstöd av Tyréns.
I det följande sammanfattas vilka val och antaganden som gjorts i de olika moduler som ingår i QMRA-verktyget. Av säkerhetsskäl visas inte resultaten av modelleringen. QMRA-modellen har med konsultstöd genomgått anpassningar, för att mer i detalj dra nytta av lokala mätdata från vattenverket. De anpassningar som fordrat programmering i Analytica-filen markeras med en asterisk (*) nedan:
Karakterisering av råvatten
För Görvälns råvatten finns ett omfattande underlag av patogendata. Månadsvisa prover har sedan mer än tio år tillbaka tagits för analys av parasiterna Cryptosporidium och Giardia. Under några år genomfördes analys för bakteriella patogener, med flera fynd av Campylobacter, och inom forskningsprojektet NORVID analyserades Norovirus. Valet av referenspatogener i QMRA-modellen föll därför naturligt på de patogener som påvisats i råvattnet. Detta val motiveras även av att de representerar både bakterier, virus och parasiter/parasitära protozoer och att råvattnet är påverkat av utsläpp från avloppssystem. Med konsultstöd av Tyréns beräknades statistiska parametrar utifrån dessa patogenfynd*, för att beskriva variationen i fynd och halter med hjälp av en Gamma-fördelning. I denna Gamma-fördelning togs hänsyn till andelen negativa prov och ett 95-procentigt osäkerhetsintervall beräknades med Metropolis Hastings algoritm*. Även Adenovirus togs med som referenspatogen, då detta virus är extra motståndskraftigt mot UV-desinfektion. Halten 1 adenovirus per liter användes här som ett exempel.
I QMRA-modulen ”Karakterisering av råvattnet” förkryssades alltså rutorna Campylobacter, Norovirus, Adenovirus, Cryptosporidium och Giardia. Som ”Typ av vatten” valdes Råvatten och som ”Punktskattning eller fördelning” valdes ”Gamma (alfa, beta)”. I rutorna till höger angavs dels en punktskattning, värdet motsvarande osäkerhetsintervallets övre 95-percentil. Dels angavs parametrarna i Gamma-fördelningen, där alfa-värdet angavs i rutan ”Första parametern” och beta-värdet i rutan ”Andra parametern”.
Det är svårt att fastställa virushalt i råvattnet, dels för att analyssvaret från kvantitativ PCR enbart ger antalet genkopior vilket inte är detsamma som andelen viruspartiklar. Vidare för att det råder osäkerhet kring om det är fråga om levande eller döda partiklar, men också för att det råder osäkerhet kring metodutbytet. I detta projekt antogs att det går 1 infektiös noroviruspartikel på 1000 uppmätta genkopior i råvattnet. Antalet uppmätta genkopior (genkopior per liter från kvantitativ PCR-analys) dividerades med 1000 för att få antalet infektiösa noroviruspartiklar*.
Konventionell rening: Fällning/Sedimentering/Snabbfiltrering
Patogenavskiljande förmåga
För kemisk fällning användes standardvärden som underlag för att definiera log-reduktionen för vardera referenspatogen. För att ge en ännu mer platsspecifik beskrivning användes även log-reduktion av turbiditet samt log-reduktionen i flödescytometriska värden (Total Cell Count, TCC) som alternativa mått*. Anpassningar gjordes så att modellanvändaren kan använda endera av dessa tre underlag. Data för sju olika driftår (2013 – 2019) lades in, för att se hur log-reduktionen har varierat under de gångna åren*. Flödescytometriska värden fanns att tillgå för de tre senaste driftåren.
Inför valet av antaganden studerades även halter av indikatorbakterier i råvattnet, det vill säga före processen, och i sandfiltratet. Av indikatorbakterier var det enbart Odlingsbara 3-dygns som påvisades både i råvattnet och i sandfiltratet samma dag. Eftersom Odlingsbara 3-dygns potentiellt kan tillväxa i processen bedömdes de inte ge ett tillförlitligt mått på log-reduktionen. En annan begränsning är att fynden baseras på stickprover som inte tas på samma vattenmassa genom processen. Fynd av indikatorbakterier kunde därmed inte användas för att definiera log-reduktionen.
Simulering av förändrad barriärfunktion
Slumpmässig simulering valdes för att beskriva risken för sandfiltergenombrott. Eftersom hela anläggningen stoppar vid utebliven dosering, sattes sannolikheten för fällningsfel till noll. Det finns visserligen flera olika fällningslinjer, men eftersom vattnet sammanförs både för och efter fällningssteget med tillhörande sedimentering så angavs att allt flöde passera genom Fällningslinje 1, dvs. värdet 1 i rutan för Flödesandel. Fällningsstatusen valdes till ”Fungerande”.
Det finns flera parallella sandfilter i processen. Potentiella genombrottshändelser antogs av Norrvatten indikeras genom att turbiditetsvärden i utgående sandfiltrat överstiger 0,15 FTU. Statistik i form av timmedelvärden utifrån driftåren 2013 till 2019 visar att potentiella genombrottshändelser varierade kraftigt mellan olika filter och mellan olika år. Generellt konstaterades flest genombrott under år 2018 följt av år 2019. Det stora antalet genombrott dessa år beror sannolikt på en ökad vattenproduktion med större hydraulisk belastning av varje sandfilter som följd i kombination med störningar i hjälpkoagulantdoseringen och en svårbehandlad råvattenkvalitet.
Driftstatistik för potentiella sandfiltergenombrott i respektive filter användes för att upprätta en generell log-normalfördelning för sandfiltergenombrott*. Denna fördelning definierades utifrån medelvärde och standardavvikelse från alla filtren. En log-normalfördelning beräknades för varje år, och i Figur 1 visas några olika percentiler i intervallet 1–99 %. Med hjälp av denna fördelning sammanfördes alltså information från alla separata filter för att beskriva potentiella genombrottshändelser för sandfiltersteget i dess helhet*. Fördelen med log-normalfördelen, framför en normalfördelning, är att den enbart är positiv (drifttiden kan ju aldrig vara negativ). Med denna fördelning tas även hänsyn till att sandfiltergenombrott i sällsynta fall kan vara betydligt längre under ett år jämfört med medelvärdet för alla år.
Figur 1. Andel av drifttiden då turbiditeten i filtrat från respektive sandfilter översteg 0,15 FTU, driftåren 2013 till 2019. Statistik från alla filter anpassad till en log-normalfördelning, med percentiler i intervallet 1–99 %.
Tilläggsbarriär 1: Kolfilter
Patogenavskiljande förmåga
Kolfilter betraktas inte som en mikrobiologisk säkerhetsbarriär av Livsmedelsverket (2019). Detta hindrar inte att det potentiellt kan ske en mikrobiologisk avskiljning. Lokala mätdata på patogenreduktionen över kolfiltret har inte funnits att tillgå. Däremot finns omfattande mätdata avseende indikatorbakterier med fynd av odlingsbara 3-dygn, därutöver turbiditet och flödescytometri. Alla dessa tre dataunderlag pekar i samma riktning, nämligen att log-reduktionen är mycket låg eller närapå noll.
Litteraturvärden avseende log-reduktionen över granulärt aktivt kolfilter (GAC) av bakterier, virus, Cryptosporidium och Giardia hämtades från en rapport från EU-projektet MicroRisk (2006a) (se där Tabell 4.3). Nu är kolfiltret på Görvälnverket inte att betrakta som ett traditionellt GAC-filter, eftersom filtermaterialet inte regenereras regelbundet. Det kan dock vara intressant att testa avskiljningen i GAC-filter för att se potentialen i att förändra befintliga kolfilter till att motsvara avskiljningen i GAC. Anpassningar gjordes* så att modellanvändaren kan använda endera av dessa tre underlag som mått på log-reduktionen över kolfiltren: turbiditet, flödescytometri (TCC) eller litteraturvärden (GAC).
Simulering av förändrad barriärfunktion
Slumpmässig simulering användes för att beräkna förändrad barriärfunktion till följd av potentiella genombrottshändelser i kolfiltret. Sådana antogs indikeras av att turbiditeten i utgående kolfiltrat överstiger 0,10 FTU. Baserat på timmedelvärden av utgående turbiditet från alla kolfiltren under tidsperioden 2013–2019 beräknades sannolikheten för genombrott i form av en log-normalfördelning*, på motsvarande sätt som för genombrott i sandfiltren (se ovan).
UV-desinfektion
Patogenavskiljande förmåga
Nuvarande UV-dos är 400 J/m2. Den har tidigare varit 250 J/m2 och det övervägs att öka dosen till 600 J/m2 för att förstärka den mikrobiologiska barriärverkan. Alla tre UV-doserna testades i QMRA. UV är effektivt mot de flesta patogener, men Adenovirus är ett undantag. För att förstå effekten av en dos-ökning från 400 till 600 J/m2 valdes Ja på frågan ”Tillåt projektioner bortom mätbart intervall?”. Skulle inte detta tillåtas, skulle QMRA-modellen ange att log-reduktionen inte förbättras vid denna dos-ökning. Klicka här för en närmare förklaring.
Simulering av förändrad barriärfunktion
Slumpmässig simulering valdes, men sannolikheten för fel på UV-aggregat sattes till värdet 0. Detta motiveras av att UV-processen är byggd med en sådan säkerhet att ett reservaggregat alltid träder in om ett aggregat går sönder eller ger otillräcklig dos.
Membranfilter
Patogenavskiljande förmåga
Modulen Membranfilter användes inte i utredningen, men finns med som en möjlighet att analysera hur exempelvis ett ultrafilter (UF) skulle kunna minska risken. Norrvatten planerar installera UF på Görvälnverket framöver.
Simulering av förändrad barriärfunktion
Innan UF är installerat och drifterfarenheter inhämtade, är det lämpligast att titta på Scenario som simuleringsalternativ. I rutan ”Antal parallella beredningslinjer” kan exempelvis antalet tilltänkta filtermoduler anges. I rutan ”Antal filterlinjer som inte fungerar” kan det då också testas vad som händer om ett eller flera av dessa filtermoduler släpper igenom vatten helt utan behandling.
Tilläggsbarriär 2: Monokloramin
Patogenavskiljande förmåga
QMRA-verktyget har ingen egen modul för att beskriva log-reduktion vid tillsättning av monokloramin. Istället användes modulen Tilläggsbarriär 2 för att definiera log-reduktionen vid tillsats av monokloramin. Angiven log-reduktion för bakterier (0,18), virus (0,018) och Giardia (0,01) bygger på resultat från MBA-metoden (Svenskt Vatten 2015) och i enlighet med denna metod påräknades ingen log-reduktion för Cryptosporidium.
Simulering av förändrad barriärfunktion
Slumpmässig simulering valdes. Antal parallella beredningssteg sattes till 1, då det bara finns en doseringspunkt för monokloramin. Sannolikheten för fel på denna beredningslinje uppskattades grovt av Norrvatten till 2 timmar per år, vilket motsvarar sannolikheten 2,28E-4.
Desinfektion med fritt klor
Denna modul har inte använts, men finns med som en möjlighet att testa vilken log-reduktion en nödklorering skulle kunna åstadkomma. Ett stort antal val behöver göras för att beräkna log-reduktion med denna modul, bland annat avseende omblandningsförhållanden. Nödklorering kan tillämpas på utgående vatten. Rent praktiskt förhindras klorering för närvarande av det höga innehållet av löst organiskt kol (DOC) i utgående dricksvatten.
Exponering
Resultat från Livsmedelsverkets studie (Säve-Söderbergh m.fl. 2017) har använts för att beskriva mängden okokat vatten som konsumeras av en person under ett dygn. Mängden definieras med en Gamma-fördelning med väntevärdet 3,1 vattenglas/person och 24 timmar (ett glas = 200 ml). Detta motsvarar en troligaste volym på 0,91 liter/person och dygn (95% konfidensintervall: 0,28–2,1 liter/person och dygn).
Riskkarakterisering
QMRA-modellen för Görvälnverket ger möjlighet att studera flera olika scenarier, både när det gäller råvattenhalter, vad som ska vara styrande för att bedöma log-reduktionen i olika beredningssteg, genombrott i olika filter osv. Men även olika mikrobiologiska antaganden kan väljas i modellen. Antaganden kan göras kring andelen infektiösa viruspartiklar av de norovirushalter som uppmätts. Olika alternativ kan även väljas i fråga om dosrespons-funktion för Campylobacter och Cryptosporidium. Allt detta påverkar modellresultaten (log-reduktion, infektionsrisk och sjukdomsbörda).
Resultaten presenterades dels som daglig och årlig infektionsrisk, dels som funktionsjusterade levnadsår (DALY). Resultaten angavs som tre percentiler: som 50-percentil (P50, motsvarar troligaste värde), som 95-percentil (P95, motsvarar ett högt värde) och som 99-percentil (P99, motsvarar ett värsta fall-värde). Norrvatten har inga egna fastställda värden på acceptabel hälsorisk. De beräknade nivåerna kommenterades istället i relation till följande gränsvärden:
1 infektion per 1 000 000 personer och dag, dvs. 1E-6 (Signor & Ashbolt 2009). 1 infektion per 10 000 personer och år (gränsvärde inom USEPA och i Holland). 1 per 1 000 000 personer och år (WHO 2017).
Den upplevda hälsoeffekten i samhället fångas bättre med DALY än med daglig eller årlig infektionsrisk, varför WHO:s gränsvärde framhölls som viktigare jämfört med de två andra.
I framtiden kan det uppstå halter i råvattentäkten som hittills inte har uppmätts, och det har varit angeläget att ta detta i beaktande. Skulle en tillfällig förorening ske med ett kraftigt påslag av hittills ej uppmätta råvattenhalter, ökar den årliga infektionsrisken. Den årliga infektionsrisken kan beräknas som funktion av daglig infektionsrisk vid normala halter Pnorm(inf,d), daglig infektionsrisk vid onormala råvattenhalter P(inf,d) och varaktigheten av respektive råvattenhalt. Onormala råvattenhalter avser i detta fall sådana som ännu aldrig uppmätts, men som innebär att normala halter multipliceras med en faktor 10, 100, 1 000 eller 10 000. Den årliga risken P(inf,år) påverkas av varaktigheten av dessa onormala råvattenhalter t under ett år, enligt följande ekvation (MicroRisk 2006b; WHO 2016):
P(inf,år)=1-(1-Pnorm(inf,d) )^(365-t)*(1-P(inf,d))^t
QMRA-modellen anpassades* för att med denna ekvation beräkna DALY för norovirus som funktion av tiofaldiga haltökningar i råvattnet och med varierande varaktighet under ett år. Resultaten relaterades till WHO:s gränsvärde. Sannolikheten för denna typ av händelse diskuterades i relation till halter och E. coli vid en riskhändelse som inträffade i december 2019. Händelsen visade att en haltökning med en faktor 10 till 100 är ett rimligt scenario.
Referenser
Livsmedelsverket (2019) Livsmedelsverkets Kontrollwiki, Mikrobiologiska säkerhetsbarriärer. Uppsala. Livsmedelsverket: http://kontrollwiki.livsmedelsverket.se/artikel/339/mikrobiologiska-sakerhetsbarriarer.
MicroRisk (2006a) Efficacy of water treatment processes. Quantitative Microbial Risk Assessment in the Water Safety Plan (Final report). The Microrisk consortium (EU-project). Tillgänglig: <https://www.kwrwater.nl/wp-content/uploads/2016/09/MICRORISK-FINAL-REPORT-Quantitative-microbial-risk-assessment-in-the-Water-Safety-Plan.pdf> (2019-02-08).
MicroRisk (2006b) Final report: Quantitative Microbial Risk Assessment in the Water Safety Plan, https://www.kwrwater.nl/wp-content/uploads/2016/09/MICRORISK-FINAL-REPORT-Quantitative-microbial-risk-assessment-in-the-Water-Safety-Plan.pdf The Microrisk consortium (EU-project).
Signor, R. S. & Ashbolt, N. J. (2009) Comparing probabilistic microbial risk assessments for drinking water against daily rather than annualised infection probability targets. J Water Health, vol. 7: 4, ss. 535-543.
Svenskt Vatten (2015) Introduktion till Mikrobiologisk BarriärAnalys, MBA. Publikation P112. Stockholm. Svenskt Vatten: 64 sidor.
Säve-Söderbergh, M., Toljander, J., Mattisson, I., Åkesson, A. & Simonsson, M. (2017) Drinking water consumption patterns among adults-SMS as a novel tool for collection of repeated self-reported water consumption. Journal of Exposure Science and Environmental Epidemiology, vol. 00: 1-9.
WHO (2016) Quantitative Microbial Risk Assessment: Application for Water Safety Management.
WHO (2017) Health-based targets. I Organization, W. H. (Red.) Guidelines for drinking-water quality, 4th edition, incorporating the 1st addendum. Geneva, World Health Organization. Tillgänglig: <https://www.who.int/water_sanitation_health/publications/drinking-water-quality-guidelines-4-including-1st-addendum/en/> (2019-07-01).