MétaCan
Menu
Retour à la cohorte
Enregistrement W2210158737 · doi:10.1093/ofid/ofu052.26

160A Simulation Study to Assess Indicators of Antimicrobial Use as Predictors of Resistance

2014· article· en· W2210158737 sur OpenAlexaff
Élise Fortin, Caroline Quach, Patrícia S. Fontela, David L. Buckeridge, Robert W. Platt

Notice bibliographique

RevueOpen Forum Infectious Diseases · 2014
Typearticle
Langueen
DomaineImmunology and Microbiology
ThématiqueAntibiotic Use and Resistance
Établissements canadiensMcGill University Health CentreMontreal Children's HospitalMcGill UniversityInstitut National de Santé Publique du Québec
Organismes subventionnairesnon disponible
Mots-clésMedicineAntimicrobialAntibiotic resistanceGerontologyMicrobiologyAntibioticsBiology

Résumé

récupéré en direct d'OpenAlex

Background. Indicators of antimicrobial (AM) use have been described previously, but the optimal indicator for predicting AM resistance in hospital settings, especially when including pediatric populations, is unknown. This simulation study aimed to assess if a significant difference could be found between these indicators' accuracy as predictors of AM resistance, even with entire networks of intensive care units (ICUs). Methods. Ten different resistance / AM use combinations (combinations) were studied. Simulations were run to find out if Québec's network of ICUs or the National Healthcare Safety Network (NHSN) ICUs could have allowed the detection of predetermined differences between the most accurate and 1) the second most accurate indicator, and 2) the least accurate indicator, in more than 80% of simulations. For each indicator, simulated absolute errors were generated, for each ICU and each 4-week period, over 4 years of surveillance (absolute error = |observed prevalence or incidence – predicted prevalence or incidence|. Absolute errors in prediction were generated following a binomial distribution, using mean absolute errors (MAEs) observed in data from 9 ICUs as the average proportion; simulated MAEs were then compared using t-tests. This was repeated 1,000 times for each scenario. Results. Main results are presented in the table. Number of resistance / AM use combinations for which a power of 80% was reached, for different scenarios. Conclusion. The two most accurate indicators of AM use would often offer similar predictions of resistance, even in large networks. The least accurate indicators could frequently be distinguished, but not always, especially in the Québec network, which is smaller. Disclosures. All authors: No reported disclosures.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,025
Score d'incertitude au seuil0,049

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,013
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,012
Tête enseignante GPT0,283
Écart entre enseignants0,271 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2014
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueOpen Forum Infectious DiseasesMême sujetAntibiotic Use and ResistanceTravaux en français237 207