Nursing and Community Rates of Mycobacterium tuberculosis Infection among Students in Harare, Zimbabwe
Notice bibliographique
Résumé
BACKGROUND: African hospitals have experienced major increases in admissions for tuberculosis, but they are ill-equipped to prevent institutional transmission. We compared institutional rates and community rates of tuberculin skin test (TST) conversion in Harare, Zimbabwe. METHODS: We conducted a cohort study of TST conversion 6, 12, and 18 months into training among 159 nursing and 195 polytechnic school students in Harare. Students had negative TST results (induration diameter, < or =9 mm) with 2-step testing at the start of training. RESULTS: Nursing students experienced 19.3 TST conversions (increase in induration diameter, > or =10 mm) per 100 person-years (95% confidence interval [CI], 14.2-26.2 conversions per 100 person-years), and polytechnic school students experienced 6.0 (95% CI, 3.5-10.4) conversions per 100 person-years. The rate of difference was 13.2 conversions (95% CI, 6.5-20.0) per 100 person-years. With a more stringent definition of conversion (increase in the induration diameter of > or =10 mm to at least 15 mm), which is likely to increase specificity but decrease sensitivity, conversion rates were 12.5 and 2.8 conversions per 100 person-years in nursing and polytechnic school students, respectively (rate difference, 9.7 conversions per 100 person-years; 95% CI, 4.5-14.8 conversions per 100 person-years). Nursing students reportedly nursed 20,868 inpatients with tuberculosis during 315 person-years of training. CONCLUSIONS: Both groups had high TST conversion rates, but the extremely high rates among nursing students imply high occupational exposure to Mycobacterium tuberculosis. Intense exposure to inpatients with tuberculosis was reported during training. Better prevention, surveillance, and management of institutional M. tuberculosis transmission need to be supported as part of the international response to the severe human immunodeficiency virus infection epidemic and health care worker crisis in Africa.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».