Empiric Antibiotic Treatment Thresholds for Serious Bacterial Infections: A Scenario-based Survey Study
Notice bibliographique
Résumé
BACKGROUND: Physicians face competing demands of maximizing pathogen coverage while minimizing unnecessary use of broad-spectrum antibiotics when managing sepsis. We sought to identify physicians' perceived likelihood of coverage achieved by their usual empiric antibiotic regimen, along with minimum thresholds of coverage they would be willing to accept when managing these patients. METHODS: We conducted a scenario-based survey of internal medicine physicians from across Canada using a 2 × 2 factorial design, varied by infection source (undifferentiated vs genitourinary) and severity (mild vs severe) denoted by the Quick Sequential Organ Failure Assessment (qSOFA) score. For each scenario, participants selected their preferred empiric antibiotic regimen, estimated the likelihood of coverage achieved by that regimen, and considered their minimum threshold of coverage. RESULTS: We had 238 respondents: 87 (36.6%) residents and 151 attending physicians (63.4%). The perceived likelihood of antibiotic coverage and minimum thresholds of coverage (with interquartile range) for each scenario were as follows: (1) severe undifferentiated, 90% (89.5%-95.0%) and 90% (80%-95%), respectively; (2) mild undifferentiated, 89% (80%-95%) and 80% (70%-89.5%); (3) severe genitourinary, 91% (87.3%-95.0%) and 90% (80.0%-90.0%); and (4) mild genitourinary, 90% (81.8%-91.3%) and 80% (71.8%-90%). Illness severity and infectious disease specialty predicted higher thresholds of coverage whereas less clinical experience and lower self-reported prescribing intensity predicted lower thresholds of coverage. CONCLUSIONS: Pathogen coverage of 80% and 90% are physician-acceptable thresholds for managing patients with mild and severe sepsis from bacterial infections. These data may inform clinical guidelines and decision-support tools to improve empiric antibiotic prescribing.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 0,001 |
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 ».