Improving Knowledge of Needle-Stick Injury Prevention: A Two-Cycle Clinical Audit From Sudan
Notice bibliographique
Résumé
Background Needle-stick injuries (NSIs) remain a major occupational hazard for healthcare workers, exposing them to blood-borne infections. Globally recognized occupational health standards emphasize structured training, safe sharps handling practices, and timely access to post-exposure prophylaxis (PEP). This audit evaluated staff knowledge and awareness of NSI prevention and management in a Sudanese teaching hospital, aiming to identify gaps and assess the impact of targeted interventions. Methods A two-cycle clinical audit was conducted over twelve months (September 2024-August 2025) at Bashair University Hospital. A structured, self-administered questionnaire was distributed to doctors, nurses, and laboratory technicians in both cycles (n = 90 per cycle). The tool assessed knowledge of NSI risk pathogens, immediate first-aid response, PEP initiation, sharps disposal practices, vaccination awareness, and reporting procedures. Interventions included structured teaching sessions, posters, departmental reinforcement, and distribution of guideline summaries. Data were analyzed descriptively and compared between cycles. Results Knowledge of HBV as the most common pathogen improved substantially among doctors (15.8%→81.2%), nurses (15.8%→100%), and technicians (65%→100%). Awareness of immediate wound washing also improved, reaching 100% among nurses and technicians. Understanding of PEP as medication increased markedly (doctors: 52.6%→93.8%; nurses: 52.6%→100%; technicians: 25%→100%). However, awareness of formal reporting systems declined sharply among doctors (89.5%→12.5%) and technicians (50%→5%). Participation in refresher training fell across groups, while perceived training adequacy showed only partial improvement. Conclusion Targeted interventions improved healthcare workers' knowledge of NSI prevention and management; however, persistent gaps in training sustainability and reporting culture indicate that these gains may not be maintained without continued institutional support. Sustained improvement requires structured refresher programs, robust reporting systems, and administrative commitment to embedding sharps safety into routine practice.
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 | 0,000 | 0,001 |
| 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 | 0,000 | 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 ».