Barriers and facilitators for the safe handling of antineoplastic drugs
Notice bibliographique
Résumé
INTRODUCTION: Antineoplastic drugs are widely used in the treatment of cancer. However, some are known carcinogens and reproductive toxins, and incidental low-level exposure to workers is a health concern. CAREX Canada estimated that approximately 75,000 Canadians are exposed to antineoplastic drugs in workplace settings. While policies and guidelines on safe handling of antineoplastic drugs are available, evidence suggests that compliance is low. In this paper, we identify barriers and facilitators for safe handling of antineoplastic drugs in workplace settings. METHODS: We utilized a unique method to study public policy which involved compiling policy levers, developing a logic model, conducting a literature review, and contextualizing data through a deliberative process with stakeholders to explore in-depth contextual factors and experiences for the safe handling of antineoplastic drugs. RESULTS: The most common barriers identified in the literature were: poor training (46%), poor safety culture (41%), and inconsistent policies (36%). The most common facilitators were: adequate safety training (41%), leadership support (23%), and consistent policies (21%). Several of these factors are intertwined and while this means one barrier can cause other barriers, it also allows healthcare employers to mitigate these barriers by implementing small but meaningful changes in the workplace. CONCLUSION: The combination of barriers and facilitators identified in our review highlight the importance of creating work environments where safety is a priority for the safe handling of antineoplastic drugs. The results of this study will assist policy makers and managers in identifying gaps and enhancing strategies that reduce occupational exposure to antineoplastic drugs.
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 | 0,009 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».