MétaCan
Menu
Retour à la cohorte
Enregistrement W1545996036 · doi:10.5539/gjhs.v7n5p320

Sharp Injuries Among Medical Students

2015· article· en· W1545996036 sur OpenAlexvenueno aff
Iman Ghasemzadeh, Mitra Kazerooni, Parivash Davoodian, Yaghoob Hamedi, Payam Sadeghi

Notice bibliographique

RevueGlobal Journal of Health Science · 2015
Typearticle
Langueen
DomaineMedicine
ThématiqueInfection Control in Healthcare
Établissements canadiensnon disponible
Organismes subventionnairesHormozgan University of Medical Sciences
Mots-clésMedicineTechnicianPopulationFamily medicineCross-sectional studyOccupational safety and healthNursingEnvironmental health

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: Sharp injuries threaten the health of healthcare employees. They cause the transmission of many diseases such as hepatitis B and C, AIDS, etc., which can increase the associated costs associated with them. The aim of this study was to investigate the frequency of sharp injuries among the students of Hormozgan University of Medical Sciences. METHOD: This cross-sectional study was conducted during 2012-2013 in Hormozgan University of Medical Sciences, IR Iran. The target population consisted of the medical, nursing, midwifery, operating room technician, and medical laboratory students in the 2012-2013 academic year. Census sampling was conducted, and accordingly, 500 students participated in the study Data was collected using modified questionnaire of the University of San Diego's injury report form. The collected data were entered into SPSS V.19 and analyzed using descriptive statistical tests. FINDINGS: Finally 377 students (75.4%) returned the questionnaire. Among the studied students, 184 students (39.3%) had had sharp injuries. The frequency of damaging Vein puncture was the most common mechanism of injury DISCUSSION & CONCLUSION: The prevalence of sharp injuries is high among students which can increase the risk of disease and its subsequent risks, and thus, increase the cost and stress among students. It seems that holding workshops and increasing students' awareness and skills to face these risks can be effective in mitigating them.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,009
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,021
Score d'incertitude au seuil0,996

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0090,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,047
Tête enseignante GPT0,454
Écart entre enseignants0,407 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations18
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGlobal Journal of Health ScienceMême sujetInfection Control in HealthcareTravaux en français237 207