Assessment of chemical contamination by cancer drugs during use of the RIVA <sup>TM</sup> compounding robot: A pilot study
Notice bibliographique
Résumé
Introduction Many hospitals are now investing in robotic compounding system for the preparation of cytotoxic agents. The objective of the present study was to describe contamination by cytotoxics inside and outside the RIVA TM robot (ARxIUM, Winnipeg, Canada). Material & Methods We applied a risk analysis to determine which locations inside and outside the compounding robot should be monitored. Samples were collected by swabbing with a wet swab (using 0.1 mL of sterile water) before the robots was cleaned. Ten cytotoxics compounded with the robot were screened for using LC-MS/MS. We determined the percentage contamination rates inside (CR in ) and outside (CR out ) the robot and the amounts of each contaminant (in ng/cm²). If a sample was found to be positive, a corrective action was implemented. Results Our risk analysis highlighted 10 locations inside the robot and 7 outside. Ten sampling campaigns (10 samples per campaign) were performed. The mean CR in (40%) was significantly higher than the mean CR out (2%; p < 10 −4 ). Gemcitabine and cyclophosphamide were the main contaminants. After the implementation of corrective measures (such as daily cleaning with SDS/isopropyl alcohol), the CR in fell from 60% to 10%. Discussion/conclusion The frequency of contamination was lower for robotic compounding than for manual compounding in an isolator. However, robotic compounding tended to generated larger mean amounts of contaminant; this was related to incidents such as splashing when syringes were disposed of after the compounding. The implementation of corrective actions effectively reduced the CRs. Further longer-term studies are required to confirm these results.
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 | 0,004 | 0,003 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».