Antibiotic Prescribing By Family Physicians For Upper Respiratory Tract Infections
Notice bibliographique
Résumé
Feedback, non-antibiotic drug recommendations, and patient factors were examined to develop ways to reduce use of inappropriate antibiotics for Upper Respiratory Tract infections (URTIs). 3,220 encounters for URTIs over six months were reported by 45 family physicians who recorded consecutive patients and noted drugs recommended, diagnosis, and patient characteristics. After two months baseline data collection, physicians received feedback about their own and peers antibiotic prescribing, and the effect of this on their prescriptions was studied.Patients recommended ‘over the counter drugs’ were less likely to be given antibiotics for acute bronchitis (OR, 0.22; 95% CI, 0.13-0.38; P<0.0001), pharyngitis (OR, 0.46; 95% CI, 0.29-0.75; P=0.0001), acute sinusitis (OR, 0.08; 95% CI, 0.03-0.22; P<0.0001), and acute otitis media (AOM) (OR, 0.27; 95% CI, 0.11-0.65; P=0.004). Prescriptions for drugs other than antibiotics were also negatively associated with antibiotics for acute bronchitis (OR, 0.49; 95% CI, 0.31-0.78; P=0.003) and acute sinusitis (OR, 0.29; 95% CI, 0.12-0.72; P=0.007). Adults (OR, 1.8; 95% CI, 1.1-3.0;P=0.03), males (OR, 1.6; 95% CI, 1.0-2.5; P=0.05), and patients with co-morbidity (OR, 2.4; 95% CI, 1.4-4.0; P=0.001) were more likely to be prescribed antibiotics for acute bronchitis.After feedback antibiotic prescribing decreased from 42% to 34% of encounters (χ=16, p<0.0001) and use of the first choice antibiotics recommended in the Ontario guidelines increased from 45% to 56% (χ=10, p=0.002). The results suggest feedback would be an effective means to improve antibiotic prescribing, and recommendations of non-antibiotic therapies would lead to decreased antibiotic use.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».