Predicting antibiotic prescription after symptomatic treatment for urinary tract infection: development of a model using data from an RCT in general practice
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Uncomplicated urinary tract infection (UTI) is often treated with antibiotics, resulting in increasing resistance levels. A randomised controlled trial showed that two-thirds of females with UTI treated symptomatically recovered without subsequent antibiotic treatment. AIM: To investigate whether there are differences between females with a UTI who were subsequently prescribed antibiotics and those who recovered with symptomatic treatment only, and to develop a model to predict those who can safely and effectively be treated symptomatically. DESIGN AND SETTING: This is a subgroup analysis of females assigned to ibuprofen in a UTI trial in general practices. METHOD: Multiple logistic regression analysis was used to select variables for a prediction model, The discriminative value of the model was estimated by the area under the receiver operator curve (AUC) and the effects of different thresholds were calculated within the model predicting antibiotic prescription and need for follow-up visits. RESULTS: Of the 235 females in the ibuprofen group, 79 were subsequently prescribed antibiotics within 28 days of follow-up. The final model included five predictors: urgency/frequency, impaired daily activities, and positive dipstick test results for erythrocytes, leucocytes, and nitrite. The AUC was 0.73 (95% CI = 0.67 to 0.80). A reasonable threshold for antibiotic initiation would result in 58% of females presenting with UTI being treated with antibiotics. Of the remaining females, only 6% would return to the practice because of symptomatic treatment failure. CONCLUSION: The present model revealed moderately good accuracy and could be the basis for a decision aid for GPs and females to find the treatment option that fits best.
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,005 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle