Surveillance de l’exposition en laboratoires à des agents pathogènes humains et des toxines, Canada, 2022
Bibliographic record
Abstract
Contexte : Le Système de surveillance de déclaration des incidents en laboratoire au Canada (DILC) a été lancé en 2015 pour surveiller la déclaration nationale obligatoire des incidents de laboratoire.Ce rapport décrit les expositions en laboratoire signalées en 2022.Méthodes : Les incidents d'exposition ont été analysés en fonction de l'activité, de l'occurrence, du secteur, de la cause première et des agents pathogènes/toxines impliqués, tandis que les personnes affectées ont été analysées en fonction de la formation, de la voie d'exposition, du rôle et du nombre d'années d'expérience en laboratoire.Une analyse du nombre médian d'expositions par mois a été réalisée, et le temps écoulé entre la date de l'incident d'exposition et la date de déclaration de l'incident au DILC a été examiné.Résultats : Quarante rapports d'incidents confirmés d'exposition en laboratoire ont été reçus, avec deux suspicions d'infections contractées en laboratoire.Le taux d'incidents d'exposition pour 100 permis en vigueur était de 3,8, et le nombre d'incidents d'exposition était le plus élevé en septembre.La majorité des incidents d'exposition concernaient des agents pathogènes du groupe de risque 2 (n = 27; 63 %) et des agents biologiques non sensibles à la sécurité (n = 36; 84 %).La microbiologie est l'activité la plus citée au cours de l'événement d'exposition (n = 20; 50 %), et les objets tranchants et les problèmes liés aux procédures sont les événements les plus fréquents (n = 15; 24,2 % chacun).La plupart des incidents ont été signalés par le secteur universitaire (n = 16; 40 %).L'interaction humaine est la cause première la plus fréquente (n = 20; 23,8 %) et les personnes les plus touchées sont les techniciens/ technologues (n = 68; 73,1 %).Le délai médian entre la date de l'incident et la date de déclaration était de 5,5 jours. Conclusion :Le taux d'incidents d'exposition était plus faible en 2022 qu'en 2021.Les incidents liés aux objets tranchants et aux procédures opérationnelles normalisées restent les types d'incidents les plus courants.La cause fondamentale la plus citée pour les incidents d'exposition est l'interaction humaine.
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 | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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".