Prevalence and Reporting of Needle Stick Injuries: A Survey of Surgery Team Members in Kermanshah University of Medical Sciences in 2012
Notice bibliographique
Résumé
<p><strong>BACKGROUND</strong><strong>: </strong>Surgeons are one of the groups, most highly exposed to the risk of needle stick injuries at work. The present study aims to determine the prevalence and reporting of needle stick injuries during the first 6 months of 2012, in faculty surgeons affiliated to the Kermanshah University of Medical Sciences.</p> <p><strong>METHODS</strong><strong>: </strong>In a cross-sectional descriptive-analytical survey, 29 surgeons were studied based on the census method. A reliable and valid questionnaire was used as a research instrument to collect the data. Data was analyzed using SPSS v.16 and based on descriptive and inferential statistics.</p> <p><strong>RESULTS</strong><strong>: </strong>Among 29 recruited surgeons, 5 (17.2%) had needle stick injuries during the 6 months, only one of whom had followed the established guidelines about reporting and following treatment. The most common instrument causing injury was the suture needle (60%). Significant differences were found in both groups of the injured and non-injured in term of gender (X<sup>2</sup>=5.612, P= 0.003), and number of patients (Z= 2.40, P=0.016) and daily working hours (Z=2.85, P=0.04).</p> <p><strong>CONCLUSIONS: </strong>In relation to the<strong> </strong>relatively high prevalence of needle stick injuries among the surgeons and their lack of reporting, it is suggested that the Safety Guidelines in the operating room are carefully observed. Moreover, safer and lower risk surgical Instruments should be used.</p>
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 | 0,041 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,000 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».