Using Syndromic Surveillance to Estimate Baseline Rates for Healthcare-Associated Infections in Critical Care Units of Small Animal Referral Hospitals
Notice bibliographique
Résumé
BACKGROUND: Expected rates of healthcare-associated infections (HCAI) have not been established in veterinary hospitals. Baseline rates are critically needed as benchmarks for quality animal care. OBJECTIVE: To estimate the occurrence of events related to HCAI identified using a standardized syndromic surveillance system in small animals in critical care cases at referral hospitals. ANIMALS: Weaned dogs and cats (n = 1,951) that were hospitalized in the critical care unit of referral teaching hospitals during a 12-week period. METHODS: Multicenter, prospective longitudinal study. A survey was completed for all enrolled animals to record basic demographics, information about procedures and treatments that animals received, and to document the occurrence of defined nosocomial syndromes. Data were analyzed to identify risk factors associated with the occurrence of these nosocomial syndromes. RESULTS: Controlling for hospital of admission, 16.3% of dogs (95% confidence intervals [CI], 14.3-18.5) and 12% of cats (95% CI, 9.3-15.5) were reported to have had ≥ 1 nosocomial syndrome occur during hospitalization. Risk factors found to have a positive association with the development of a nosocomial syndrome were longer hospital stays, placement of a urinary catheter, surgical procedures being performed, and the administration of antiulcer medications and antimicrobial drugs excluding those given perioperatively. CONCLUSIONS AND CLINICAL IMPORTANCE: Syndromic surveillance systems can be successfully standardized for use across multiple hospitals to effectively collect data pertinent to HCAI rates and risk factors for occurrence.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».