Needlestick Injuries in Healthcare, Research and Veterinary Environments in a Sample Population in British Columbia and their Economic, Psychological and Workplace Impacts
Notice bibliographique
Résumé
Abstract Introduction Needle-stick injuries (NSIs) are defined as the sharp point of a needle puncturing human skin. This article examines the risk and illustrates the burden of NSIs for workers in the healthcare, veterinary and research industries, and includes a sample survey population of workers in workplaces using needles. Methods For the review component of this article, PubMed and Google Scholar were queried within the date range of 1998-2022, retrieving 1,437 results. A publicly available sample population dataset was and analyzed from British Columbia (n=30) on workplace needlestick injuries. The OSHA, WHO, and NIEHS guidelines were reviewed, and the WorkSafe BC injury database was searched using FIPPA requests. Discussion Recapping remains a common practice despite decades of guidelines recommending against recapping. NSI research is underpowered and underrepresented in non-healthcare settings. NSIs lead to heightened anxiety, depression, and PTSD in workers and exposure to pathogens, toxic chemicals and permanent tissue damage. NSI annual reporting is likely an underestimate due to chronic underreporting, and the financial impact including work-loss and healthcare costs continues to rise. Current NSI prevention devices have limited uptake and thus, more affordable, versatile and efficient NSI-prevention devices are needed. Relevance Due to COVID-19, healthcare workers are at a higher risk of receiving NSIs. Emphasis on safe needle handling practices is necessary to maintain workers physical and psychological safety, to protect workers using COVID-19 PPE on long shifts, and to deliver the high volume of vaccinations required to inoculate the global population. Conclusion NSIs are detrimental to healthcare workers wellbeing, chronically underreported, and poorly surveyed. Areas of future research include determining more effective solutions to reduce NSIs, assessing the validity of NSI reporting systems, and integrating solutions with COVID-19 prevention and vaccination protocols.
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 | 0,000 |
| 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 ».