Barriers and Problems in Implementing Health-Associated Infections Surveillance Systems in Iran: A Qualitative Study
Notice bibliographique
Résumé
Background: Healthcare-associated infections (HAIs) are among the most critical challenges for patients and healthcare providers. To achieve the goals of the surveillance system, it is necessary to identify its barriers and problems. This study aimed to identify the barriers and problems of the surveillance system for HAIs. Methods: This qualitative study was conducted using the content analysis method to investigate the challenges of this surveillance system from the perspective of 18 infection control nurses from hospitals in different cities of Iran with work experience of 1 to 15 years. Data were collected through semi-structured interviews and analyzed using the Lundman and Graneheim qualitative content analysis method. Results: In this study, we found 2 categories and 7 subcategories. Two categories were barriers related to human resources and organizational barriers to infection control. The 7 subcategories included weakness of medical staff in adherence to health principles, obstacles related to patients, high workload and insufficient motivation, lack of staff knowledge, lack of human resources, functional and logistical weaknesses, and weaknesses in the surveillance system. Conclusion: To reduce problems and improve HAIs reporting, the HAIs surveillance system needs the support of health system officials and managers. This administrative and support focus can establish the framework for removing and lowering other barriers, such as the number of reported cases, physician and staff noncooperation, and the prevalence of HAIs. It can also bring HAIs cases closer to reality.
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 | 0,020 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».