Improving sterile processing practices in Cambodian healthcare facilities
Notice bibliographique
Résumé
BACKGROUND: Sterile processing practices in low-resource countries contribute to greater post-operative infection rates compared to high-resource countries. Provision of a sterile processing training program in Tanzania and Ethiopia demonstrated statistically significant improvements in sterile processing practice, a key requisite for safe surgical care. AIM: To determine if a sterile processing program in a South East Asia country would result in improved conditions and practice in urban and rural healthcare facilities. METHODS: In 2019, a mixed-methods study was conducted with two cohorts in Cambodia, involving a total of eight healthcare facilities and 43 healthcare workers. Quantitative data were collected using a sterile processing assessment tool and a multiple-choice test pre- and post-training. Qualitative data in the form of interviews were obtained several months post-training. FINDINGS: Test results showed statistically significant and sustained effect of training over a four-six month period, as well as a large positive effect on SP knowledge in both cohorts. Analysis of hospital assessment data revealed an aggregate improvement of 36% in sterile processing benchmarks. While all participants reported increased knowledge and confidence (quantitative), rural participants conveyed a lack of support (qualitative) to implement practice changes. CONCLUSION: The training course produced improvements in both rural and urban facilities. Findings highlight the importance of informing administrators of the rationale for needed improvements, ensuring funding is available to implement recommendations, and for governments to hold administrators accountable for improvements aligning with universally recommended sterile processing standards.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».