Interventions to Reduce Unnecessary Antibiotic Prescribing
Notice bibliographique
Résumé
BACKGROUND: Overuse of antibiotics in ambulatory care persists despite many efforts to address this problem. We performed a systematic review and quantitative analysis to assess the effectiveness of quality improvement (QI) strategies to reduce antibiotic prescribing for acute outpatient illnesses for which antibiotics are often inappropriately prescribed. RESEARCH DESIGN AND METHODS: We searched the Cochrane Collaboration's Effective Practice and Organisation of Care database, supplemented by MEDLINE and manual review of article bibliographies. We included randomized trials, controlled before-after studies, and interrupted time series. Two independent reviewers abstracted all data, and disagreements were resolved by consensus and discussion with a third reviewer. The primary outcome was the absolute reduction in the proportion of patients receiving antibiotics. RESULTS: Forty-three studies reporting 55 separate trials met inclusion criteria. Most studies (N = 38) addressed prescribing for acute respiratory infections (ARIs). Among the 30 trials eligible for quantitative analysis, the median reduction in the proportion of subjects receiving antibiotics was 9.7% [interquartile range (IQR), 6.6-13.7%] over 6 months median follow-up. No single QI strategy or combination of strategies was clearly superior. However, active clinician education strategies trended toward greater effectiveness than passive strategies (P = 0.096). Compared with studies targeting specific conditions or patient populations, broad-based interventions extrapolated to larger community-level impacts on total antibiotic use, with savings of 17-117 prescriptions per 1000 person-years. Study methodologic quality was fair. CONCLUSIONS: QI efforts are effective at reducing antibiotic use in ambulatory settings, although much room for improvement remains. Strategies using active clinician education and targeting management of all ARIs (rather than single conditions in single age groups) may yield larger reductions in community-level 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 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 | 0,015 | 0,093 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».