Making respiratory care safe for neonatal and paediatric intensive care unit staff: Mitigation strategies and use of filters
Notice bibliographique
Résumé
Background: Many medical devices in pediatric and newborn intensive care units can potentially expose healthcare workers (HCWs) and others to transmission of respiratory and other viruses and bacteria. Such fomites include ventilators, nebulizers, and monitoring equipment. Approach: We report the general, novel approach we have taken to identify and mitigate these risks and to protect HCWs, visitors and patients from exposure while maintaining the optimal performance of such respiratory equipment. Findings: The approach combined a high level of personal protective equipment (PPE), strict hand hygiene, air filtration and air conditioning and other relevant viral risk mitigation guidelines. This report describes the experiences from the SARS-CoV-2 pandemic to provide a reference framework that can be applied generally. The steps we took consisted of auditing our equipment and processes to identify risk through sources of potentially contaminated gas that may contain aerosolized virus, seeking advice and liaising with suppliers/manufacturers, devising mitigation strategies using indirect and direct approaches (largely filtering), performing tests on equipment to verify proper function and the absence of negative impacts and the development and implementation of relevant procedures and practices. We had a multidisciplinary team to guide the process. We monitored daily for hospital-acquired infections among staff caring for SARS-CoV-2 patients. Conclusion: Our approach was successful as we have continued to offer optimal intensive care to our patients, and we did not find any healthcare worker who was infected through the course of caring for patients at the bedside. The lessons learnt will be of benefit to future local outbreaks or pandemics.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».