Screening swabs surpass traditional risk factors as predictors of MRSA bacteremia
Notice bibliographique
Résumé
BACKGROUND: Consideration to add empiric MRSA therapy with vancomycin is a common clinical dilemma. However, vancomycin overuse has important adverse events. MRSA colonization screening is commonly performed for infection control. We hypothesized that in cases of S. aureus bacteremia, a score based on patient level factors and MRSA colonization could predict the risk of MRSA infection and inform the need for empiric coverage. METHODS: Using modern machine learning statistical methods (LASSO regression and random forests), we designed a predictive score for MRSA infection based on patient level characteristics, and MRSA colonization as measured by screening done 30 days before infection (30-Day criteria), or at any time before infection (Ever-Positive criteria). Patient factors (age, sex, number of previous admissions, and other medical comorbidities) were obtained through our electronic records. RESULTS: With random forests, MRSA colonization largely surpassed all other factors in terms of accuracy and discriminatory power. Using LASSO regression, MRSA colonization was the only factor with MRSA infection predictive power with odds ratio of 10.3 (min: 5.99, max: 16.1) and 8.14 (min: 6.01, max: 14.8) for the 30-Day and Ever-Positive criteria, respectively. Further, patient comorbidities were not adequate predictors of MRSA colonization. CONCLUSIONS: In an era of community acquired MRSA, colonization status appears to be the only independent and reliable predictor of MRSA infection in cases of S. aureus bacteremia. A clinical approach based on a patient's known MRSA colonization status and on local susceptibility patterns may be appropriate.
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 | 0,001 |
| 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) | 0,001 | 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 ».