Sharp injuries and their determinants among health care workers at first-level care facilities in Sindh Province, Pakistan
Notice bibliographique
Résumé
SUMMARY OBJECTIVES: To assess the rate and determinants of sharp injuries during the previous 6 months among health care workers at first-level care facilities in two districts of Pakistan. METHODS: Cross-sectional survey at public, general practitioners and non-licensed private practitioners selected through stratified random sampling. At each facility, we interviewed a prescriber and a dispenser/injection provider about knowledge of bloodborne pathogens transmission and preventive practices, risk perception, and use of precautions and sharp injuries received during the previous 6 months. Multivariable Poisson regression was used to assess the factors associated with the number of sharp injuries. RESULTS: Fifty-four percentage of the 233 workers had at least one injury during the previous 6 months. The overall rate of sharp injuries per person per year was 3.7; among non-physician prescribers (9%), it was 4.3; among dispensers (69%), it was 3.7, and among physicians (18%), it was 2.1. In the multivariable model, work experience, risk perception and type of health care worker were significantly associated with receiving sharp injuries during the previous 6 months. In the model including dispensers only, a higher knowledge score was associated with fewer sharp injuries, while perceived severity of disease and lack of professional qualification were associated with more. CONCLUSIONS: Sharp injuries are common in Pakistan. Better knowledge about modes of bloodborne pathogen transmission and professional qualification may reduce their incidence.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».