Cost‐effectiveness analysis of a multi‐dimensional intervention to reduce inappropriate antibiotic prescribing for children with upper respiratory tract infections in China
Notice bibliographique
Résumé
BACKGROUND: We developed a multifaceted intervention to reduce antibiotic prescription rate for children with upper respiratory tract infections (URTIs) among primary care doctors in township hospitals in China. The intervention achieved a 29% (95% CI 16-42) absolute risk reduction in antibiotic prescribing. This study was to assess the cost-effectiveness of our intervention at reducing antibiotic prescribing in rural primary care facilities as measured by the intervention's effect on the antibiotic prescription rates for childhood URTIs. METHODS: We took a healthcare provider perspective, measuring costs of consultation (time cost of doctor), prescription monitoring process and peer-review meetings (time cost of participants) and medication costs. Costs on provider side were collected through a bespoke questionnaire from all 25 township hospitals in December 2016, while medication costs were collected prospectively in the trial. Incremental cost-effectiveness ratios were calculated by dividing the mean difference in cost of the two trial arms by the mean difference in antibiotic prescribing rate. RESULTS: This showed an incremental cost of $0.03 per percentage point reduction in antibiotic prescribing. In addition to this incremental cost, the cost of implementing the intervention, including training and materials delivered by township hospitals, was $390.65 (SD $145.68) per healthcare facility. CONCLUSIONS: This study shows that a multifaceted intervention programme, when embedded into routine practice, is very cost-effective at reducing antibiotic prescribing in primary care facilities and has the potential of scale up in similar resource limited settings.
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 | 0,000 |
| 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 ».