Incidents en laboratoires canadiens impliquant des agents pathogènes humains et des toxines : un aperçu des rapports, 2016–2022
Bibliographic record
Abstract
Contexte : Lorsque la Loi sur les agents pathogènes humains et les toxines et le Règlement sur les agents pathogènes humains et les toxines de l'Agence de la santé publique du Canada sont entrés en vigueur, la déclaration des incidents en laboratoire au système de surveillance de déclaration des incidents en laboratoire au Canada (DILC) est devenue obligatoire.Ce rapport résume les données d'exposition et de non-exposition en laboratoire déclarées de 2016 à 2022, en mettant l'accent sur les facteurs qui ne sont généralement pas présentés dans le rapport annuel de la DILC.Méthodes : Les incidents en laboratoire déclarés entre 2016 et 2022 ont été analysés.Les expositions ont été analysées en fonction de leur gravité, de leur occurrence et de leur cause fondamentale, et les personnes touchées ont été analysées en fonction du résultat de la maladie, de leur rôle et des interventions effectuées.Les non-expositions ont été analysées par type d'incident.Les taux d'incidents liés à l'exposition et à la non-exposition ont été calculés.Résultats : Le nombre d'événements déclarés à la DILC s'élève à 928.Parmi ceux-ci, 355 étaient des non-expositions confirmées, 361 étaient des expositions confirmées et 111 comprenaient d'autres événements.Les taux d'incidents d'exposition et de non-exposition pour 100 permis en vigueur ont atteint leur maximum en 2018 (9,44 et 7,11, respectivement).La plupart des expositions ont été classées comme étant de gravité mineure ou négligeable.Les occurrences les plus citées sont celles liées aux objets tranchants et aux procédures (23 % chacun), et les causes fondamentales liées aux procédures opérationnelles normalisées sont les plus fréquentes (24 %).Bien que 781 personnes aient été touchées par les incidents d'exposition, la plupart n'ont pas développé d'infection contractée en laboratoire (n = 753; 96 %) et ont reçu au moins une forme de traitement suivant l'exposition (n = 717; 92 %).Les cas de possession ou de production involontaire ont été les incidents de non-exposition les plus fréquemment déclarés.Conclusion : Les taux d'incidents d'exposition et de non-exposition ont diminué depuis 2018.Parmi les incidents d'exposition, ceux liés aux objets tranchants et aux procédures étaient les plus fréquents, et la cause fondamentale était généralement une procédure opérationnelle normalisée.Les incidents de non-exposition étaient principalement des cas de possession ou de production involontaire.La gravité de l'exposition et du résultat de la maladie était généralement mineure.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 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".