The effect of nail sticker use on hand surface bacterial counts after surgical scrubbing
Notice bibliographique
Résumé
Objective: We hypothesized that applying nail stickers to nails shorter than 2 mm would increase bacterial load and species abundance compared to nails of the same length without stickers. The aim of our study was to investigate aerobic bacterial load and species abundance on fingernails before and after nail sticker application over a 2-week period. Methods: 50 participants were enrolled, with 48 completing the entire study. Participants wore study-provided nail stickers (solid or patterned) for 7 days. All nails were trimmed to ≤ 2 mm. Standardized surgical scrubs with 4% chlorhexidine were performed, and swabs from fingernail surfaces and subungual spaces were collected at 3 time points: day 0 (before application), day 7 (immediately after application), and day 14 (1 week after application). We quantified bacterial load, and species were identified with matrix-assisted laser desorption/ionization time-of-flight mass spectrometry. Results: Median log10 bacterial loads were 1.48 at day 0, 1.00 at day 7, and 2.01 at day 14. Bacterial load increased from days 7 to 14 but did not differ between days 0 and 7 or days 0 and 14. Staphylococcus epidermidis abundance rose over time, while sticker design had no effect. Enterococcus faecalis was detected only once at day 14. Conclusions: Wearing nail stickers for 1 week significantly increased bacterial load despite surgical scrubbing, likely due to adhesive surfaces promoting bacterial adhesion. Clinical Relevance: These findings suggest that nail stickers may compromise hand hygiene and increase infection risks in veterinary clinical settings. Avoiding nail stickers during procedures may reduce bacterial persistence and potential zoonotic transmission.
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 | 0,002 | 0,004 |
| 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 ».