Integrating Time-Varying and Ecological Exposures into Multivariate Analyses of Hospital-Acquired Infection Risk Factors: A Review and Demonstration
Notice bibliographique
Résumé
OBJECTIVES Hospital-acquired infections (HAIs) develop rapidly after brief and transient exposures, and ecological exposures are central to their etiology. However, many studies of HAIs risk do not correctly account for the timing of outcomes relative to exposures, and they ignore ecological factors. We aimed to describe statistical practice in the most cited HAI literature as it relates to these issues, and to demonstrate how to implement models that can be used to account for them. METHODS We conducted a literature search to identify 8 frequently cited articles having primary outcomes that were incident HAIs, were based on individual-level data, and used multivariate statistical methods. Next, using an inpatient cohort of incident Clostridium difficile infection (CDI), we compared 3 valid strategies for assessing risk factors for incident infection: a cohort study with time-fixed exposures, a cohort study with time-varying exposures, and a case-control study with time-varying exposures. RESULTS Of the 8 studies identified in the literature scan, 3 did not adjust for time-at-risk, 6 did not assess the timing of exposures in a time-window prior to outcome ascertainment, 6 did not include ecological covariates, and 6 did not account for the clustering of outcomes in time and space. Our 3 modeling strategies yielded similar risk-factor estimates for CDI risk. CONCLUSIONS Several common statistical methods can be used to augment standard regression methods to improve the identification of HAI risk factors. Infect.
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 | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».