Healthcare workers’ exposure to aerosolized medications while crushing oral tablets
Notice bibliographique
Résumé
Crushing oral tablets can potentially aerosolize active ingredients in the medication and expose healthcare workers to drug particulates. Few studies have quantified aerosolized particulate matter generated during tablet crushing. Inhalation of patient medications can result in negative health effects to the healthcare worker, especially if hazardous medications are being crushed. This study evaluated four different pill crusher and pill container combinations to assess particulate exposure risks and examine whether particulate levels varied depending on the pill crusher, container type, and crushing method. The pill crushers included MAXCRUSH, Silent Knight, and SafeCrush. The MAXCRUSH pill crusher was used with paper pill cups and unit-dose packaging. Factors influencing aerosolized particle generation included the method and intensity of crushing, and the type of pill crusher and container used. An optical particle counter was used to record particle counts in the breathing zone. The highest number of particles was produced when tablets in unit dose packaging were crushed with the MAXCRUSH pill crusher. An aggressive and vigorous procedure significantly increased the number of aerosolized particles generated across devices (p < 0.001) except MAXCRUSH with paper pill cups (p = 0.14). Most of the aerosolized particulate matter was produced when the crushed tablet was poured from its container into a cup of water. To minimize exposure, recommended control measures include substituting tablet medications with liquid forms, having pills crushed by the pharmacy, using a pill crushing syringe, limiting vigorous pouring of crushed medications from pill containers, and wearing a fit-tested N95 respirator.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».