Observational study on the occurrence of surgical glove perforation and associated risk factors in large animal surgery
Notice bibliographique
Résumé
OBJECTIVE: To determine the incidence of and associated risk factors for glove perforation in large animal surgery. STUDY DESIGN: Prospective observational cohort study. SAMPLE POPULATION: Surgical gloves (n = 917) worn during 103 large animal surgical procedures. METHODS: Gloves worn by personnel involved in sterile preparation and surgical procedures were tested for perforation by 2 previously validated methods, water leak test (WLT) and electroconductivity testing (ECT). The association between surgical and glove-related variables and glove perforation was assessed by using a multivariable mixed-effect logistic regression model. RESULTS: At least 1 glove perforation was detected in 66% of surgical procedures, and 17.9% (164/917) of gloves tested were identified as perforated. All perforations were detected by ECT, whereas only 110/178 (61.8%) were detected by WLT. All perforations detected by WLT were also detected by ECT. The risk of glove perforation increased with duration of wear (>60 minutes odds ratio [OR] 2.3, 95% CI 1.4-3.7; P < .001) and with invasiveness of procedures (OR 7.9, 95% CI 3.2-19.5; P < .001). Primary surgeons were at higher risk for glove perforation than first (OR 1.7, 95% CI 1.1-2.5; P = .008) and second (OR 3.4, 95% CI 2-6.7; P < .001) assistants. Only 25% of glove perforations were detected intraoperatively by the wearer. CONCLUSION: Incidence of glove perforation is similar in large animal, human, and small animal surgery and is influenced by duration of wear, invasiveness of the surgery, and role of the wearer. ECT is more sensitive than WLT for detection of glove perforation.
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 | 0,002 | 0,004 |
| 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 | 0,000 |
| 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; 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 ».