Sterile processing in low- and middle-income countries: an integrative review
Notice bibliographique
Résumé
BACKGROUND: Worldwide disparities in surgical capacity are a significant contributor to health inequalities. Safe surgery and infection prevention and control depend on effective sterile processing (SP) of surgical instruments; however, little is known about SP in low- and middle-income countries (LMICs), where surgical site infection is a major cause of postoperative morbidity and mortality. AIM: To appraise and synthesise available evidence on SP in LMICs. METHODS: An integrative review of research literature was conducted on SP in LMICs published between 2010 and 2020. Studies were appraised and synthesised to identify challenges and opportunities in practice and research. RESULTS: Eighteen papers met the inclusion criteria for qualitative analysis. Challenges to advancing SP include limited available evidence, resource constraints and policy-practice gaps. Opportunities for advancing SP include tailored education and mentoring initiatives, emerging partnerships and networks that advance implementation guidelines and promote best practices, identifying innovative approaches to resource constraints, and designing and executing quality assurance and surveillance programmes. DISCUSSION: Research investigating safe surgery, including SP, in LMICs is increasing. Further research and evidence are needed to confirm the generalisability of study findings and effectiveness of strategies to improve SP practice in LMICs. This review will help researchers and stakeholders identify opportunities to contribute. The burdens of unsafe surgery transcend geopolitical borders, and the global surgery and research communities are called upon to negotiate historical and present-day inequities to achieve safe surgery for all.
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 | 0,000 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».