Analyses multivariées des facteurs de risque associés aux incidents d'exposition en laboratoire
Bibliographic record
Abstract
Contexte : Les laboratoires qui participent à l'étude des agents biologiques pathogènes présentent un risque inhérent d'exposition pour le personnel de laboratoire et la collectivité.Les activités de biosécurité et de biosûreté en laboratoire sont essentielles pour réduire au minimum la probabilité d'incidents découlant d'exposition involontaire.L'objectif de la présente étude est de décrire les facteurs associés à l'occurrence d'incidents d'exposition dans un laboratoire au moyen d'un modèle prédictif.Méthodes : Le Système de surveillance de déclaration des incidents en laboratoire au Canada est un système de surveillance national qui recueille des données en temps réel à partir des rapports soumis sur les incidents de laboratoire impliquant des agents pathogènes humains et des toxines.Les données sur les incidents d'exposition en laboratoire datant de 2016 à 2020 ont été extraites du système.On a modélisé la fréquence des incidents d'exposition par mois, à l'aide d'une régression de Poisson avec plusieurs facteurs de risque possibles, incluant la saisonnalité, le secteur, le type d'occurrence, les causes fondamentales, le rôle et le niveau d'éducation des personnes exposées, ainsi que les années d'expérience en laboratoire.Une méthode de sélection pas à pas a été utilisée pour élaborer un modèle parcimonieux en tenant compte des facteurs de risque importants identifiés dans la littérature.Résultats : Après avoir pris en compte d'autres variables du modèle, on a constaté que 1) pour chaque cause fondamentale liée à l'interaction humaine, le nombre mensuel d'incidents d'exposition devrait être 1,11 fois plus élevé que le nombre d'incidents sans interaction humaine (p = 0,0017) comme cause fondamentale; et 2) pour chaque cause fondamentale normale liée à la procédure opérationnelle, le nombre mensuel d'incidents d'exposition devrait être 1,13 fois plus élevé que le nombre d'incidents sans procédure opérationnelle normalisée liée à la cause fondamentale (p = 0,0010).Conclusion : Les activités de biosécurité et de biosûreté en laboratoire devraient cibler ces facteurs de risque afin de réduire la fréquence des incidents d'exposition.Des études qualitatives sont nécessaires pour fournir un meilleur raisonnement quant à l'association de ces facteurs de risque à la survenue d'incidents d'exposition.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.031 | 0.063 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.009 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".