Enhancing quality practice for prevention and diagnosis of urinary tract infection during inpatient spinal cord rehabilitation
Notice bibliographique
Résumé
OBJECTIVES: To reduce the incidence of Urinary Tract Infection (UTI) in subacute SCI individuals admitted for tertiary inpatient rehabilitation. DESIGN: A quality improvement team was assembled to improve UTI prevention/diagnosis. To plan data collection, UTI-related factors were mapped in an Ishikawa (fishbone) driver diagram. Data including patient demographics, presence and frequency of signs and/or symptoms of UTI and antibiotic initiation from August to December 2015 were recorded. Sensitivity, Specificity, Positive and Negative Predictive Values (PPV, NPV), and Likelihood Ratios (LR) were calculated for each sign and symptom. SETTING: Tertiary SCI Rehabilitation Results: Among 55 inpatients with subacute SCI who had signs/symptoms prompting urine culture and sensitivity (C&S), 32 (58.18%) were diagnosed with a UTI. The most frequent symptoms were foul smelling urine (41%), change in urine color (31%), and incontinence (25%), and the most common sign was fever (34%). Most UTIs (81%) occurred among individuals using Clean Intermittent Catheterization (CIC), with 46% of catheterizations performed by nurses. Foul smelling urine had the highest sensitivity (0.50, 95% CI: 0.31-0.69), and new incontinence had the highest specificity (0.88, 95% CI: 0.69-0.97) for UTI diagnosis. The highest PPV belonged to the cloudy urine (0.71, 95% CI: 0.42-0.92). The combination of cloudy and foul smelling urine increased the PPV to 78% (95% CI: (0.40-0.97). CONCLUSIONS: The concurrent presence of cloudy and foul smelling urine is predicted of UTI diagnosis inpatients tertiary setting. SCI inpatients are susceptible to UTI when learning CIC technique from nurses.
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 | 0,007 |
| 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 | 0,001 |
| 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 ».