Fourteen Year Surveillance of Nosocomial Infections in Neurology Unit
Notice bibliographique
Résumé
Background: The purpose of this study was to evaluate the long-term data of Neurology Unit and emphasize the importance of hospital infection control. Methods: This study was performed between January 1997 and December 2010. The surveillance method was active, prospective, and based on laboratory and patient. Active surveillance of nosocomial infections (NIs) was performed by infection control team, using the criteria proposed by the CDC (The Centers for Disease Control and Prevention) and National Nosocomial Infections Surveillance System (NNIS) methodology. Results: During the study period, 435 episodes were detected in 384 patients. The overall incidence rates (NI/100) and incidence densities (NI/1,000 days of stay) of NIs were 3.7% (range 1.0 - 7.7) and 3.2/1,000 patient-day (range 0.8 - 7.2/1,000), respectively. The most common nosocomial infection by primary site was urinary tract infections (32%), and pneumonia (25.1%). The most prevalent microorganisms were coagulase-negative staphylococci (39.4%), Escherichia coli (18%), Staphylococcus aureus (10%) and Klebsiella spp. (9.9%). Conclusion: We conclude that development of nosocomial infection will be prevented by monitoring the patients in fully-equipped intensive care units, the rapid termination of invasive procedures, appropriate antibiotic therapy and discharging the patient, significantly. doi:10.4021/jnr113w
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 | 0,003 | 0,002 |
| 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 | 0,003 |
| 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 ».