244 Implementing changes to protect workers from exposures to hazardous drugs
Notice bibliographique
Résumé
Abstract Hazardous drugs (HD) present a complex exposure problem within healthcare facilities whereby nursing, pharmacy and other staff are chronically exposed to low-levels of HDs via contaminated surfaces throughout pharmacies and clinical settings. Many of these drugs are designated as ALARA substances (reproductive toxins and/or carcinogens); exposures to unknown mixtures or cleaning agent reaction by-products may also occur but have been poorly characterized. There is a lack of health-based surface-OELs against which to benchmark exposures. Despite increased awareness of HD exposures and promotion of safe handling measures, surface levels of HD have plateaued over the last decade. New, collaborative approaches are needed to reduce environmental contamination of HD that contribute to exposures among healthcare workers and staff. We introduce a new approach involving a broad, collaborative, system-wide program based on social dialogue models that brings all parties (e.g., employees/unions, employers, scientists and regulators) together to work on a common goal (e.g., HD exposure reduction) in a collaborative manner that is evidence-based (e.g., surveillance data) that have been successfully implemented in Europe, and an embedded quantitative exposure assessment strategy that uses “hygienic guidance values” (HGV) in the absence of surface OELS. This HGV-based surveillance strategy provides key operational details to the user and also provides target performance levels (through HGV rather than OELs). This approach offers support for a quantified ALARA response, as an HGV approach can encourage measured and continual improvement (i.e., exposure reductions) over time, and centers on a continuous improvement paradigm.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».