Patient and Organizational Factors Associated With Delays in Antimicrobial Therapy for Septic Shock*
Notice bibliographique
Résumé
OBJECTIVES: To identify clinical and organizational factors associated with delays in antimicrobial therapy for septic shock. DESIGN: In a retrospective cohort of critically ill patients with septic shock. SETTING: Twenty-four ICUs. PATIENTS: A total of 6,720 patients with septic shock. INTERVENTIONS: None. MEASUREMENTS AND MAIN RESULTS: Higher Acute Physiology Score (+24 min per 5 Acute Physiology Score points; p < 0.0001); older age (+16 min per 10 yr; p < 0.0001); presence of comorbidities (+35 min; p < 0.0001); hospital length of stay before hypotension: less than 3 days (+50 min; p < 0.0001), between 3 and 7 days (+121 min; p < 0.0001), and longer than 7 days (+130 min; p < 0.0001); and a diagnosis of pneumonia (+45 min; p < 0.01) were associated with longer times to antimicrobial therapy. Two variables were associated with shorter times to antimicrobial therapy: community-acquired infections (-53 min; p < 0.001) and higher temperature (-15 min per 1°C; p < 0.0001). After adjusting for confounders, admissions to academic hospitals (+52 min; p< 0.05), and transfers from medical wards (medical vs surgical ward admission; +39 min; p < 0.05) had longer times to antimicrobial therapy. Admissions from the emergency department (emergency department vs surgical ward admission, -47 min; p< 0.001) had shorter times to antimicrobial therapy. CONCLUSIONS: We identified clinical and organizational factors that can serve as evidence-based targets for future quality-improvement initiatives on antimicrobial timing. The observation that academic hospitals are more likely to delay antimicrobials should be further explored in future trials.
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 | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 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 ».