Empirical Antibiotics Use in Soft Tissue Infections
Notice bibliographique
Résumé
PURPOSE: Various antibiotics are available to treat soft-tissue infections. However, it is unclear if the empirical antibiotic is always appropriate or the most economical. OBJECTIVE: To determine the percentage of empirically treated wounds susceptible to the antibiotic therapy prescribed, and to determine the percentage of wounds treated with the most economical antibiotic therapy. METHODS: A retrospective chart review was performed on all charts with a diagnosis of 'soft-tissue infection' between January 1, 2005, and June 30, 2005, at St Joseph's Hospital, Hamilton, Ontario. Eligible charts were identified using the medical diagnosis coding system. The following diagnoses (including subheadings) were included: cellulitis, lymphangitis, abscess, carbuncle or furuncle. The following was extracted: patient demographics; soft-tissue diagnosis; name, dose and duration of antibiotics used; culture results; and Gram-stain results. A comparison between the empirical antibiotic prescribed and the microbiology result was made. An assessment was performed on the cost of the initial empirical antibiotic treatment compared with less-expensive effective alternatives. RESULTS: For soft-tissue infections with positive culture growth, empirical antibiotic treatment was appropriate in all abscess cases, 50% of ulcer cases and 83% of cellulitis cases. For cellulitis patients receiving a single empirical antibiotic, it was appropriate in 89% of cases. Only 42% of culture-positive patients were treated with the most economical regimen, multiple antibiotics being the most common fault. CONCLUSIONS: To be most economical, a single empirical antibiotic should be used to treat cellulitis. Culture results should be used to guide any antibiotic changes.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».