Evaluation of Hospital and Patient Factors that Influence the effective Administration of Surgical Antimicrobial Prophylaxis
Notice bibliographique
Résumé
OBJECTIVE: To analyze and model the patient and healthcare system factors that may interfere with the appropriate administration of surgical antimicrobial prophylaxis. DESIGN: Between 1994 and 1998, surgical-site surveillance data were collected prospectively for a cohort of eligible surgical patients. For all cases, and each individual procedure (cardiothoracic, colonic, gynecologic, orthopedic, or vascular), forward stepwise multiple logistic regression was applied to relate key hospital and patient factors to an effective first prophylactic dose (ie, appropriate administration time, dose, route, and drug). SETTING: A 450-bed, tertiary-care teaching hospital in Canada. PATIENTS: A total of 4,835 patients admitted for surgical procedures who required antimicrobial prophylaxis. RESULTS: Factors positive for an effective first prophylactic dose for all cases were when an order was written (OR, 19.7; CI95, 9.1-42.7; P < .001) and given in the operating room (OR, 13.9; CI95, 7.5-25.6; P < .001). Factors negative for an effective first prophylactic dose were beta-lactam allergy (OR, 0.49; CI95, 0.4-0.61; P < .001) and same-day surgery (OR, 0.57; CI95, 0.4-0.82; P < .001). CONCLUSIONS: With few exceptions, the four factors included in the procedure models showed that when a preoperative order was written or the antibiotic was given in the operating room, a patient was more likely to receive an effective first prophylactic dose. Conversely, when a patient had a beta-lactam allergy or the surgery was performed on the day the patient was admitted, the administration of an effective first prophylactic dose was less likely.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».