Brief communication (Original). Trends in neonatal sepsis in a neonatal intensive care unit in Thailand before and after construction of a new facility
Notice bibliographique
Résumé
Abstract Background: Neonatal sepsis is a cause of mortality and long-term morbidity worldwide. Objectives: To describe longitudinal trends in the cumulative incidence of early- and late-onset sepsis (EOS and LOS), mortality, and causative organisms in a Thai Hospital before and after construction of a new neonatal intensive care unit (NICU). Methods: Review of NICU admissions with blood cultures positive for bacteria or fungi for the periods 1995 to 2002 (preconstruction) and 2004 to 2010 (postconstruction). Sepsis was categorized into EOS (within first 3 days of life) and LOS (after first 3 days of life). Results: Of 5,570 admissions, 241 (4.3%) neonates with 276 episodes of sepsis were identified. There was no difference in the rate of sepsis overall (P = 0.90), LOS (P = 0.30), or sepsis-related mortality (P = 0.61) over the two periods, but the rate of EOS increased significantly from 0.34% to 0.81% (P = 0.04). Rates of Klebsiella species and Escherichia coli sepsis increased from 13.6% to 25.6% (P = 0.01) and from 5.3% to 12.2% (P = 0.04), respectively, while rates of Staphylococcus aureus sepsis decreased from 12.9% to 4.3% (P < 0.007). Sepsisrelated mortality was 1.8%. Conclusions: Although direct causality cannot be proven, the rate of EOS and the pattern of causative organisms changed following construction of the new NICU. Building a new unit does not necessarily result in a reduction in the rate of sepsis. This data may provide a baseline for implementing evidence-based infection control strategies to prevent/reduce sepsis and improve neonatal care.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».