Factors shaping cleaning and disinfection practices during the COVID-19 pandemic: A qualitative evidence synthesis
Notice bibliographique
Résumé
Background: Cleaning and disinfection of the physical environment is important as it can reduce the transmission of microorganisms. However, adherence to cleaning and disinfection protocols varies due to factors such as personal factors and external influences like resource availability, workload, and institutional support. Aim: To synthesise factors influencing the uptake of cleaning and disinfection interventions in healthcare and community setting in the context of COVID-19. Setting: These findings as seen in any country irrespective of setting. Method: Medline and World Health Organization (WHO) COVID-19 Research databases were searched from January 2020 to September 2022. The search identified 1618 studies, and analysis was performed using the thematic synthesis approach. The confidence in each review finding was ascertained using the Grading of Recommendations, Assessment, Development, and Evaluations-Confidence in the Evidence from Reviews of Qualitative Research (GRADE-CERQual) approach. Results: Six analytical themes were identified. Cleaning and disinfection were seen as a cornerstone of patient care. Individual judgement, historic standards, norms and practices, ability to implement rapid practice guideline change and resource considerations were seen to influence the uptake of cleaning. Conclusion: There is a need for further qualitative studies in these areas, especially looking at the different interventions from an equity lens. Resource needs and availability were key factors influencing the uptake of cleaning and disinfection in both communities and health facilities. Contribution: This review shows important considerations for implementing infection prevention and control (IPC) interventions in the context of COVID-19.
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 | 0,023 | 0,168 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».