A Comprehensive Health Effects Assessment of the Use of Sanitizers and Disinfectants during COVID-19 Pandemic: A Global Survey
Notice bibliographique
Résumé
Abstract COVID-19 has affected all aspects of human life so far. From the outset of the pandemic, preventing the spread of COVID-19 through the observance of health protocols, especially the use of sanitizers and disinfectants was given more attention. Despite the effectiveness of disinfection chemicals in controlling and preventing COVID-19, there are critical concerns about their adverse effects on human health. This study aims to assess the health effects of sanitizers and disinfectants on a global scale. A total of 91056 participants from 154 countries participated in this cross-sectional study through an electronic questionnaire. Results implied that detergents (67%), alcohol-based materials (56%), and chlorinated compounds (32%) were the most commonly used types of sanitizers and disinfectants. Most frequently reported health issues include skin complications 48.8% and respiratory complications 29.8%. The Chi-square test showed a significant association between chlorinated compounds with all possible health complications under investigation (p-value < 0.001). Examination of risk factors based on multivariate regression analysis showed that alcohols-based materials were associated with skin complications (OR, 1.98; 95%CI, 1.87–2.09), per-chlorine was associated with eye complications (OR, 1.83; 95%CI, 1.74–1.93), and highly likely with itching and throat irritation (OR, 2.00; 95%CI, 1.90–2.11). Furthermore, formaldehyde was associated with a higher prevalence of neurological complications (OR, 2.17; 95%CI, 1.92–2.44). The findings of the current study suggest that health authorities need to implement more awareness programs about the side effects of using sanitizers and disinfectants during viral epidemics.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,004 |
| 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 ».