Options pour une meilleure prise en compte de la gestion des déchets biomédicaux dans un contexte caritatif
Bibliographic record
Abstract
Les organisations humanitaires spécialisées dans le domaine biomédical sont responsables de l’entrée dans les pays en développement d’une quantité non négligeable de matériel biomédical. Par exemple, pour son exercice 2010-11, Collaboration santé internationale, une organisation non gouvernementale québécoise a expédié près de 260 000 $ en médicaments et fournitures médicales. De même, Action internationale Elora, une organisation non gouvernementale française a expédié à elle seule 30 tonnes de matériel médical à destination de l’Afrique en 2010. Tout ce matériel va inévitablement produire des déchets dont la gestion n’est nulle part prise en compte lors du don. Ce qui fait que sans une prise en compte de la gestion de fin de vie du matériel qu’elles envoient, les associations humanitaires donnent l’impression que la référence au développement durable contenue dans leurs statuts n’est qu’une simple opération de marketing. C’est dans ce contexte que s’inscrit le sujet de ce travail sur la gestion des déchets biomédicaux issus du matériel obtenu suite à des actions humanitaires. L’objectif principal est de mettre en évidence l’impact des déchets biomédicaux en cas de mauvaise gestion. Pour cela, les règlementations et les techniques de traitement en vigueur dans les pays d’origine et de destination du matériel ont été étudiées. Le Québec et la France ont permis d’illustrer le cas des pays d’origine du matériel tandis que le Bénin et le Niger ont servi comme pays en développement. Les résultats de ces études ont mis en lumière la différence entre les deux réalités et le traitement du matériel selon qu’il est dans un pays en développement ou dans un pays développé. Des recommandations à l’intention des organisations humanitaires ont été faites pour que leurs contributions au développement durable des populations des pays en développement soient entières notamment.
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 | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 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".