Geographic Variation in Outpatient Antibiotic Prescribing Among Older Adults
Notice bibliographique
Résumé
BACKGROUND: Consequences of antibiotic overuse are substantial, especially among older adults, who are more susceptible to adverse reactions. Findings about variation in antibiotic prescribing can target policy efforts to focused areas; however, little is known about these patterns among older adults. METHODS: Using Medicare Part D data from January 1, 2007, through December 31, 2009 (comprising 1.0-1.1 million patients per year), we examined geographic variation in antibiotic use among older adults in 306 Dartmouth Atlas of Health Care hospital referral regions, 50 states and the District of Columbia, and 4 national regions (South, West, Midwest, and Northeast). In addition, we examined the quarterly change in antibiotic use across the 4 regions. Differences in patient demographics, insurance status, and clinical characteristics were adjusted for across regions. RESULTS: Substantial geographic and quarterly variation in outpatient antibiotic prescribing existed across regions after adjusting for population characteristics. This variation could not be explained by differences in the prevalences of the underlying conditions. For example, the ratios of the 75th percentile to the 25th percentile of adjusted annual antibiotic spending were 1.31 across states and 1.32 across regions. The highest antibiotic use was in the South, where 21.4% of patients per quarter used an antibiotic, whereas the lowest antibiotic use was in the West, where 17.4% of patients per quarter used an antibiotic (P < .01). Regardless of region, the rate of antibiotic use was highest in the first quarter (20.9% in January through March) and was lowest in the third quarter (16.9% in July through September) (P < .01). CONCLUSIONS: Areas with high rates of antibiotic use may benefit from targeted programs to reduce unnecessary prescription. Quality improvement programs can set attainable targets using the low-prescribing areas as a reference, particularly targeting older adults.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».