Tuberculosis infection control measures and knowledge in primary health centres in Bandung, Indonesia
Notice bibliographique
Résumé
Background Health care workers (HCWs) in low- and middle-income countries (LMICs) continue to have an unacceptably high prevalence and incidence of Mycobacterium tuberculosis infection due to high exposure to tuberculosis (TB) cases at health care facilities and often inadequate infection control measures. This can contribute to an increased risk of transmission not only to HCWs themselves but also to patients and the general population. Aim We assessed implementation of TB infection control measures in primary health centres (PHCs) in Bandung, Indonesia, and TB knowledge among HCWs. Methods A cross-sectional study was conducted between May and November 2017 amongst a stratified sample of the PHCs, and their HCWs, that manage TB patients in Bandung. Questionnaires were used to assess TB infection control measures plus HCW knowledge. Summary statistics, linear regression and the Kruskal–Wallis test were used for analysis. Results The median number of TB infection control measures implemented in 24 PHCs was 21 of 41 assessed. Only one of five management controls was implemented, 15 of 24 administrative controls, three of nine environmental controls and one of three personal respiratory protection controls. PHCs with TB laboratory facilities and high TB case numbers were more likely to implement TB infection control measures than other PHCs ( p=0.003). In 398 HCWs, the median number of correct responses for knowledge was 10 (IQR 9–11) out of 11. Discussion HCWs had good TB knowledge. TB infection control measures were generally not implemented and need to be strengthened in PHCs to reduce M. tuberculosis transmission to HCWs, patients and visitors.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».