Comparing prescribing and dispensing databases to study antibiotic use: a validation study of the Electronic Medical Record Administrative data Linked Database (EMRALD)
Notice bibliographique
Résumé
BACKGROUND: Monitoring and studying community antibiotic use is a critical component in combating rising antimicrobial resistance. OBJECTIVES: To validate an electronic medical record dataset containing antibiotic prescriptions and to quantify some important differences between prescribing and dispensing databases. METHODS: We evaluated antibiotics prescribed and dispensed to patients ≥65 years of age during 2011-15. We compared the EMRALD prescribing database with the validated Ontario Drug Benefit (ODB) dispensing database. Using ODB as the gold standard and limiting to EMRALD physicians, we calculated sensitivity, specificity, positive predictive value (PPV) and negative predictive value (NPV) with 95% CIs. We also compared the relative change in antibiotic use prescribed by all physicians to this population over time between the databases using Poisson regression models. RESULTS: In this population, 74% of all antibiotics dispensed were from non-EMRALD physicians. Trends in use were discordant over time. When we limited ODB to EMRALD prescribers only to assess the validity of EMRALD data, we observed good sensitivity and excellent specificity for correctly identifying antibiotics at 85% (95% CI 84%-85%) and 98% (95% CI 98%-98%), respectively. The PPV was 78% (95% CI 78%-78%) and the NPV was 99% (95% CI 99%-99%). All performance measures were higher among the highest prescribing physicians. CONCLUSIONS: We demonstrated EMRALD is well suited for studying antibiotic prescribing by EMRALD physicians. However, due to the frequency with which patients receive antibiotic prescriptions from their non-primary care physicians, we caution against the use of non-population-based prescribing databases to infer antibiotic use rates or trends over time.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».