Tuberculosis Infection among Young Nursing Trainees in South India
Notice bibliographique
Résumé
BACKGROUND: Among healthcare workers in developing countries, nurses spend a large amount of time in direct contact with tuberculosis (TB) patients, and are at high risk for acquisition of TB infection and disease. To better understand the epidemiology of nosocomial TB among nurses, we recruited a cohort of young nursing trainees at Christian Medical College, a large, tertiary medical school hospital in Southern India. METHODOLOGY/PRINCIPAL FINDINGS: Among 535 nursing students enrolled in 2007, 468 gave consent to participate, and 436 underwent two-step tuberculin skin testing (TST). A majority (95%) were females, and almost 80% were under 22 years of age. Detailed TB exposure information was obtained using interviews and clinical log books. Prevalence of latent TB infection (LTBI) was estimated using Bayesian latent class analyses (LCA). Logistic regression analyses were done to determine the association between LTBI prevalence and TB exposure and risk factors. 219 of 436 students (50.2%, 95% CI: 45.4-55.0) were TST positive using the 10 mm or greater cut-off. Based on the LCA, the prevalence of LTBI was 47.8% (95% credible interval 17.8% to 65.6%). In the multivariate analysis, TST positivity was strongly associated with time spent in health care, after adjusting for age at entry into healthcare. CONCLUSIONS: Our study showed a high prevalence of LTBI even in young nursing trainees. With the recent TB infection control (TBIC) policy guidance from the World Health Organization as the reference, Indian healthcare providers and the Indian Revised National TB Control Programme will need to implement TBIC interventions, and enhance capacity for TBIC at the country level. Young trainees and nurses, in particular, will need to be targeted for TBIC interventions.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».