Antimicrobial Stewardship Programs: Appropriate Measures and Metrics to Study their Impact
Notice bibliographique
Résumé
Antimicrobial stewardship is a new field that struggles to find the right balance between meaningful and useful metrics to study the impact of antimicrobial stewardship programs (ASPs). ASP metrics primarily measure antimicrobial use, although microbiological resistance and clinical outcomes are also important measures of the impact an ASP has on a hospital and its patient population. Antimicrobial measures looking at consumption are the most commonly used measures, and are focused on defined daily doses, days of therapy, and costs, usually standardized per 1,000 patient-days. Each measure provides slightly different information, with their own upsides and downfalls. Point prevalence measurement of antimicrobial use is an increasingly used approach to understanding consumption that does not entirely rely on sophisticated electronic information systems, and is also replicable. Appropriateness measures hold appeal and promise, but have not been developed to the degree that makes them useful and widely applicable. The primary reason why antimicrobial stewardship is necessary is the growth of antimicrobial resistance. Accordingly, antimicrobial resistance is an important metric of the impact of an ASP. The most common approach to measuring resistance for ASP purposes is to report rates of common or important community- or nosocomial-acquired antimicrobial-resistant organisms, such as methicillin-resistant Staphylococcus aureus and Clostridium difficile. Such an approach is dependent on detection methods, community rates of resistance, and co-interventions, and therefore may not be the most accurate or reflective measure of antimicrobial stewardship interventions. Development of an index to reflect the net burden of resistance holds theoretical promise, but has yet to be realized. Finally, programs must consider patient outcome measures. Mortality is the most objective and reliable method, but has several drawbacks. Disease- or organism-specific mortality, or cure, are increasingly used metrics.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,126 | 0,300 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,012 | 0,015 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,016 | 0,028 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».