Notice bibliographique
Résumé
<h3>Background</h3> There is a need to reduce antimicrobial uses in humans. Previous studies have found variations in antibiotic (AB) prescribing between practices in primary care. This study assessed variability of AB prescribing between clinicians. <h3>Methods</h3> Clinical Practice Research Datalink, which collects electronic health records in primary care, was used to select anonymised clinicians providing 500+ consultations during 2012–2017. Eight measures of AB prescribing were assessed, such as overall and incidental AB prescribing, repeat AB courses and extent of risk-based prescribing. Poisson regression models with random effect for clinicians were fitted. <h3>Results</h3> 6111 clinicians from 466 general practices were included. Considerable variability between individual clinicians was found for most AB measures. For example, the rate of AB prescribing varied between 77.4 and 350.3 per 1000 consultations; percentage of repeat AB courses within 30 days ranged from 13.1% to 34.3%; predicted patient risk of hospital admission for infection-related complications in those prescribed AB ranged from 0.03% to 0.32% (5th and 95th percentiles). The adjusted relative rate between clinicians in rates of AB prescribing was 5.23. Weak correlation coefficients (<0.5) were found between most AB measures. There was considerable variability in case mix seen by clinicians. The largest potential impact to reduce AB prescribing could be around encouraging risk-based prescribing and addressing repeat issues of ABs. Reduction of repeat AB courses to prescribing habit of median clinician would save 21 813 AB prescriptions per 1000 clinicians per year. <h3>Conclusions</h3> The wide variation seen in all measures of AB prescribing and weak correlation between them suggests that a single AB measure, such as prescribing rate, is not sufficient to underpin the optimisation of AB prescribing.
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 | 0,000 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».