Une meilleure conformité à l’hygiène des mains permet-elle de réduire significativement le risque d’infections nosocomiales?
Bibliographic record
Abstract
Les infections associées aux soins de santé ou infections nosocomiales (IN) sont des effets indésirables ayant de graves conséquences sur la santé des patients. Les pathogènes responsables de certaines IN sont transmis par le biais des mains contaminées, entre autres celles des professionnels de la santé (PS). Ces IN sont donc en théorie évitables. L’hygiène des mains (HDM) est considérée comme la pierre angulaire de la prévention et contrôle des infections (PCI). C’est un moyen simple, efficace et peu couteux qui permet d’empêcher la transmission des pathogènes et de réduire la probabilité d’infections ultérieures. Malheureusement, les taux de conformité à l’HDM au sein des PS restent inférieurs à la cible globale de 80% indiquée par l’OMS, malgré de nombreuses campagnes instaurées pour sensibiliser ceux-ci. Considérant les faibles taux de conformité à l’HDM, les autorités sanitaires envisagent d’augmenter cette cible. \nLe but de mon mémoire est de synthétiser les preuves existantes sur l’association entre le taux de conformité à l’HDM et les taux d’incidence des IN. Ceci permettrait de déterminer s’il y a un taux optimal de conformité à l’HDM qui serait associé au plus faible taux d’incidence des IN. Les résultats obtenus permettront aux autorités sanitaires de considérer la pertinence de viser des cibles d’HDM plus élevées. \nJ’ai effectué une revue systématique de la littérature afin d’analyser les données disponibles sur l’association des taux de conformité à l’HDM et le taux d’incidence des IN. J’ai également analysé les données sur les taux de conformité à l’HDM et les taux d’incidence d’IN des installations de soins de santé du Québec. Les résultats semblent démontrer qu’au-delà d’un taux de conformité à l’HDM de 60%, il y a peu de différence apparente entre un fort taux de conformité à l’HDM et un faible taux d’incidence des IN. L’HDM, quoique mesure très importante, n’est pas le seul facteur servant à réduire les IN.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.016 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.000 | 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 teacher head, 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".