Disinfection of Neonatal Resuscitation Equipment in Resource-Limited Settings: Lessons From a Mixed-Methods Implementation Experience in Kenya
Notice bibliographique
Résumé
BACKGROUND: The majority of neonatal deaths occur in low- and middle-income countries, most often due to perinatal events, prematurity, and/or infection. Reprocessing of neonatal resuscitation equipment is vital for ensuring the availability of clean equipment and preventing transmission of infection to a newborn. Staff at Tenwek Hospital, a tertiary referral hospital in rural Kenya, identified reprocessing medical equipment as a gap in improving neonatal care. We sought to implement steam-based high-level disinfection (HLD) for reprocessing neonatal resuscitation equipment in the labor and delivery ward of Tenwek Hospital. NEEDS ASSESSMENT: Before implementation, a needs assessment was conducted to identify existing facilitators and barriers to reprocessing through semistructured interviews with key stakeholders at the hospital (N=12) and identify gaps in the hospital's existing reprocessing procedures. A chemical, chlorine-based method of disinfection was used for neonatal resuscitation equipment in the ward. We conducted baseline bacterial burden of neonatal resuscitation equipment before clinical use, after clinical use, and after reprocessing. There was not a significant decrease in bacterial burden after reprocessing. IMPLEMENTATION: After implementing a new steam-based HLD process, we conducted bacterial burden testing, which showed a reduction. However, staff preferences and implementation challenges compelled us to modify our original plan and instead implement optimized chemical HLD using chlorine. Although testing showed improved bacterial burden from baseline, in our small number of samples, bacterial burden testing after implementing the optimized chemical HLD process did not differ significantly compared to steam-based HLD. CONCLUSIONS: Optimal chemical HLD was felt to be feasible and sustainable in the local setting. Reprocessing methods should be designed for unique challenges in low-resource settings.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,025 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,003 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».