Urinary tract infection in elderly trauma patients
Notice bibliographique
Résumé
BACKGROUND: Elderly trauma patients are at high risk for urinary tract infection (UTI). Despite this, UTI has been deemed a potentially preventable problem and therefore not reimbursable by the Centers for Medicare and Medicaid Services. Early identification of UTI in these patients should lead to prompt treatment, improved outcomes, and cost savings. Risk factors for UTI development in this population must be elucidated to realize these goals. METHODS: The Trauma Quality Improvement Program (TQIP) database was used to analyze elderly patients (≥65 years) admitted as a result of injury during 2011. Patients with genitourinary injuries or undergoing dialysis before admission were excluded. Multivariable logistic regression analysis was conducted to identify UTI risk factors. Mean cost of UTI was calculated based on the assumption of $862 to $1,007 per UTI. RESULTS: In total, 33,257 patients were identified; 1,492 developed UTI (4.5%). Multiple significant risk factors were identified, including age greater than 75 years, female sex, ascites, moderate head injury, impaired sensorium, congestive heart failure, and duration of hospital stay (all p < 0.05). Assuming that UTIs diagnosed on hospital Day 1 were preexisting, the cost of UTI to TQIP hospitals ranged from $1,280,959 to $1,496,434 per year. CONCLUSION: Duration of stay has a profound impact on the development of UTIs in elderly trauma patients, but overall severity of injury does not. In addition, multiple nonmodifiable risk factors were identified, prompting the possibility for increased screening of occult UTIs. Reimbursement for care of UTI in this complicated patient population should be revisited. The TQIP database must improve urinary catheter data. LEVEL OF EVIDENCE: Epidemiologic study, level III.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».